Zastosowanie szybkiej transfomaty Fouriera (FFT)

Analiza Fouriera jest czsto stosowanym narzdziem w analizie sygnaw.

Przebieg czasowy przechowywany w zbiorze jest przeksztacany za pomoc
FFTw funkcj czstotliwooci. Jest to tzw. analiza spektralna. W zalenoci
od zastosowanej procedury otrzymujemy widmo amplitudowe lub gsto
widmow mocy. Wspczesne komputery dokonuj FFT rzeczywicie szybko,
nawet z duej iloci prbek.
Przebieg czasowy otrzymany z przetwornika analogowo-cyfrowego jest
zbiorem liczb, ktre po wymnoeniu przez wspczynniki kalibracji daj
sygna w jednostkach fizycznych. Rysunek 1 przedstawia sum dwch
sinusoid o rnych czstotliwociach. Poniej przedstawiono transformaty
Fouriera tego sygnau. Na osi odcitych zaznaczono czstotliwo. Najwysza
warto wynosi 200 Hz . Co wynika z zastosowanej czstotliwoci
prbkowania rwnej 400 Hz.

Analiza Fouriera wybranych przebiegw czasowych

Szum losowy

Impuls Dirac'a

Skok jednostkowy

poznania natury sygnau.

Analiza Fourierowska
Aby przedstawi zarys teorii falek, naley powiedzie par sw o analizie Fouriera.
Do roku 1930 do analizy czstotliwoci stosowane byy wzory Fouriera. Wykaza on, e kada
funkcja o okresie
moe by przedstawiona jako szereg
(1)

Wspczynniki
,

,, wyznaczane s w nastpujcy sposb:

(2)

(3)

(4)

Fourierowska reprezentacja funkcji jako zoenia sinusw i kosinusw znalaza szerokie zastosowanie

Transformata Fouriera FT
Jest ona przydatna do analizowania czstotliwoci sygnau w pewnym przedziale czasu.
Transformata polega na zmianie funkcji z zalenoci od czasu na funkcji zalec od czstotliwoci.
Wtedy sygna moe by analizowany ze wzgldu na swoj czstotliwo poniewa wtedy
wspczynniki Fouriera reprezentuj wkad kadej funkcji sinus i kosinus do poszczeglnych
czstotliwoci. Nastpnie stosuje si transformat odwrotna aby z powrotem przeksztaci funkcje do
pierwotnej postaci.
Bardzo podobna jest dyskretna transformata Fouriera (Discrete Fourier Transforms "DFT"). Szacuje
transformat Fouriera na podstawie skoczonej iloci punktw, ktre odwzorowuj zachowanie si
caej funkcji.
Windowed Fourier Transforms (WFT)
Jeeli funkcja
nie jest periodyczna, zoenie funkcji periodycznych nie odwzoruje jej dokadnie. Moemy jednak
tak rozoy sygna, aby jego poszczeglne czci byy funkcjami okresowymi. WFT daje informacje
jednoczenie o dziedzinie czasu i czstotliwoci.
Algorytm WFT wejciowy sygna
dzieli na przedziay, a kady z nich jest oddzielnie analizowany ze wzgldu na czstotliwo. Jeeli
sygna posiada ostre przejcia, to tak dobieramy podzia, aby w miejscu tego przejcia znalaz si
koniec przedziau. Procedura koczy w ten sposb, e w sposb bardziej znaczcy jest
analizowany rodek przedziau nie punkty znajdujce si w okolicy koca przedziau (traktowanie
punktw z pewn wag). Ostatecznie otrzymujemy lokalizacj czasow sygnau.

Szybka transformata Fouriera (Fast Fourier Transforms FFT)

Wiadomo, e aproksymacja funkcji seriami punktw wymaga zastosowania w obliczeniach macierzy rzdu

wymaga wykonania

, gdzie
jest iloci uytych punktw. Mnoenie macierzy

operacji, co przy zwikszajcej si iloci punktw staje si kopotliwe. Jednake jeeli punkty rozoone s w
pewien jednolity sposb, wtedy macierz taka moe zosta podzielona na kilka macierzy rzadkich, a ilo
wykonywanych operacji arytmetycznych wynosi wtedy
. Zastosowanie takiego podziau znacznie przypiesza obliczenia, std te nazwa FFT.

Analiza Wavelet
W przeciwiestwie do analizy fourierowskiej, analiza falek nie wyraa badanych funkcji poprzez wielomiany, ale poprzez
pewne specjalne funkcje - falki, ktre s tworzone ze staej funkcji zwanej falk macierzyst, poddanej wielokrotnym
translacjom. Uzyskane w ten sposb falki maj szereg interesujcych skalowalnych waciwoci. Mona je odnosi zarwno
do czasu jak i do czstotliwoci, dopuszczajc blisze zwizki pomidzy badan funkcj (funkcj reprezentowan), a jej
wspczynnikami. W ten sposb uzyskano wiksz numeryczna stabilno w procesie odtwarzania funkcji.
W praktyce celem analizy falek jest znalezienie funkcji macierzystych i sposobw ich uzyskania za pomoc metod
numerycznych. Pokazano, e kade zadanie posugujce si szybk transformat Fouriera moe zosta sformuowane za
pomoc falek, dajc przy tym wicej informacji przestrzennej (o miejscu pooenia) jak i czstotliwociowej. W ten sposb
zamiast tworzy spektrum (natenie / czstotliwo) mona otrzyma spektrum falkowe (frequency spectrum versus wavelet
spectrum). Analiza falek jest bardzo poytecznym narzdziem w analizie zmiennych przebiegw (nonstationary signals),
sygnaw mocno zaszumionych (odtwarzanie oryginalnego sygnau, usuwanie zanieczyszcze).
Falki s funkcjami, ktre zadowalaj z pewnoci matematyczne potrzeby i s uywane do reprezentowania innych funkcji
lub danych. Sama idea aproksymacji nie jest przecie nowa. Na pocztku XIX w. Joseph Fourier odkry, e za pomoc
superpozycji sinusw i kosinusw moe przedstawia inne funkcje. Jednak w analizie wavelet skala ktrej uywamy
przygldajc si danym (skalowanie funkcji i analiza z odpowiednim dopasowaniem) gra gwn rol. Obrabiajc
odpowiednie czci danych z przypisan im rozdzielczoci czy skal moemy zauway due szczegy (waciwoci)
uywajc duej skali lub mae przy odpowiednio maej skali.
Analiza wavelet polega na znalezieniu prototypu funkcji zwanej falk macierzyst (mother wavelet). Chwilowa analiza
wykonywana jest ze z gry ustalon wysok czstotliwo wanie na tej funkcji prototypowej, gdy rwnoczenie na tej
samej funkcji odpowiednio przeskalowanej wykonywana jest obrbka niskoczstotliwociowa. Jako, e funkcja lub sygna
oryginalny moe by przedstawiony jako kombinacja liniowa wspczynnikw funkcji wavelet to w czasie wykonywania
dziaa mog zosta wykorzystane jedynie te wspczynniki. Jeeli pniej dokona si wyboru najlepiej pasujcej funkcji do
danych lub okroi si dane poniej zadanego progu okazuje si, e reprezentacja macierzowa tego problemu jest macierz
rzadk. Ta wasno powoduje, e jest to wietne narzdzie jeeli chodzi o kompresj danych.

Funkcje Bazowe
Funkcje bazowe (basis function) atwiej wytumaczy jest w przestrzeni wektorowej.
Kady wektor na paszczynie mona wyrazi przez kombinacj wektorw
elementarnych
wektor
oraz
i
ortogonalne.

- s to wanie wektory bazowe, dlatego, e kady inny

mona przedstawi jako kombinacj liniow wektorw

. Dodatkow wasnoci wektorw bazowych jest to, e s one

Wracajc do przestrzeni funkcyjnych (zamiast wektora

mamy funkcj
)
wyobramy sobie przykadowy ton muzyczny np. A w pewnej oktawie. Moemy ton A
skonstruowa skadajc ze sob sinusy i kosinusy uywajc rnych amplitud i
czstotliwoci, ktre w tym przypadku s bazowymi funkcjami, a jednoczenie s elementami
szeregu Fouriera. Dla wybranych funkcji trygonometrycznych moemy dodatkowo postawi
warunek ortogonalnoci -jak?- wybierajc odpowiednie kombinacje tych funkcji, tak aby ich
iloczyn skalarny by rwny 0. Taki zestaw funkcji, ktre s i ortogonalne i skadaj si na
funkcj
s wanie ortogonalnymi funkcjami bazowymi w tym problemie.
Natomiast scale-varying basis function (funkcje bazowe rnej skali) s funkcjami
powstajcymi z analizy tego samego sygnau lecz w rnej skali. Na przykad pewien
odcinek
mona podzieli na dwa
i
lub podobnie na cztery czy wicej
czci. Nastpnie kady odcinek analizuje si z odpowiednio dobran skal. W ten sposb
dostaje si dokadniejsze informacje o caym sygnale.

Dyskretna transformata wavelet (DWT Discrete Wavelet Transform)

Przeksztacenia funkcji
- Mother Wavelet (skalowania i translacje) prowadz
do zdefiniowania bazy ortogonalnej
(5)

Zmienne

s liczbami cakowitymi ktre skaluj i rozszerzaj proporcjonalnie funkcj wyjciow

sposb, aby doprowadzi do wygenerowania falek. Indeks skalujcy

w ten

sygnalizuje szeroko falki, natomiast

wspczynnik
podaje jego pozycj. Zwrci naley uwag na to, e mother functions s skalowane w drugiej potdze
i przesuwane o liczby rzeczywiste. Powoduje to, e podstawowe funkcje wavelet s interesujce ze wzgldu na swoje
samopodobiestwo tzn. jeeli wiemy co o funkcjach mother wiemy wszystko o funkcjach bazowych.
Aby rozwin nasz dziedzin danych na inn przestrze uywa si rwnania skalujcego

(6)

gdzie:
jest funkcj skalujc dla funkcji podstawowej
- wspczynniki falkowe (wavelet coefficients)
Te wspczynniki musz spenia jednoczenie warunek

(7)

oraz
(8)

gdzie

jest funkcj delta a

indeksem lokalizacji funkcji.

Szybka transformata wavelet (The Fast Wavelet Transform)

Macierz DWT nie jest w oglnoci macierz rzadk, wic w celu uzyskania tej waciwoci (tak jak poprzednio w
analizie fourierowskiej) tak jak uprzednio dzielimy macierz FFT, tak teraz dzielimy macierz DWT w celu uzyskania kilku
macierzy rzadkich, wykorzystujc do tego celu wasnoci samopodobiestwa. W wyniku otrzymujemy algorytm, ktry
wymaga wykonania jedynie
operacji do przeksztacenia
szybkim DWT Mallata i Daubechies.

wymiarowego wektora. Taki algorytm nazywa si

Pakiety Falkowe
Transformata wavelet jest tylko skadnikiem o wiele bardziej wszechstronnych pakietw waveletowych.
Wavelet packets to szczeglna kombinacja falek. Tworz one baz, ktra zachowuje wiele z ortogonalnoci, gadkoci i
waciwoci lokalizacji bazowej funkcji falkowej. Wspczynniki w liniowej kombinacji s wyliczane przez powtarzajcy
si algorytm, ktry kady wyliczony wspczynnik pakietu falkowego zapamituje jako jedn z gazi swojego drzewa
analitycznego.

Baza Form Adaptacyjnych

Jako, e mamy do wyboru nieskoczon liczb funkcji bazowych, istnieje potrzeba znalezienia takiej funkcji, ktra
bdzie najlepszym rozwizaniem w danym problemie. Do tego celu stosuje si baz form adaptacyjnych. Bazow
funkcj adaptacyjn waveform jest najlepsza funkcja bazowa dla danej reprezentacji sygnau. Istniej pewne
waciwoci okrelajce wybr tej funkcji:
1. Szybkie obliczanie wewntrznych iloczynw z innymi funkcjami. bazowymi
2. Szybkie skadanie (superpozycja) z innymi funkcjami bazowymi.
3. Dobra lokalizacja przestrzenna sygnau, tzn. taka, ktra umoliwia zlokalizowanie badajcemu sygna kolejnych
przyczynkw majcych wpyw na cay sygna.
4. Dobra lokalizacja w dziedzinie czstotliwoci, tzn. taka, e badajcy ma moliwo identyfikacji poszczeglnych
oscylacji sygnau.
5. Niezaleno, co oznacza, e niewiele punktw prbkowych (bazowych) odpowiada temu samemu fragmentowi
badanego sygnau.

Zastosowania analizy wavelet

Kompresja obrazw
Metoda analizy faletkowej w celu zmniejszenia objtoci przechowywania danych
daje bardzo dobre wyniki i dlatego jest stosowana tam, gdzie istnieje potrzeba duej
skali kompresji i dobrej jakoci rozpakowanych obrazw.
Niech jako przykad posuy tu FBI. Biuro to przechowuje w swoich archiwach okoo
30 milionw rnych odciskw palcw (a to przecie nie jedyne dane jakie
posiadaj!). Zakadajc, e chcc przechowywa odciski palcw w komputerowej
bazie danych, kady po okoo 0.6 Mb (256 odcieni szaroci w rozdzielczoci 500 dpi)
to zajyby one 200 TB (!) rednio wic liczc koszt takiej przestrzeni dyskowej
wynosiby ok. 200 milionw dolarw. Po takim przedstawieniu sprawy kompresja
faletkowa okazuje si zbawienna ze swoj moliwoci kompresji (w niektrych
przypadkach) 300:1. Wszystkie wic koszty i pojemnoci dyskw ulegaj znacznej
redukcji. W 1993 roku specjalny badawczy oddzia FBI rozwin i wprowadzi metod
kompresji graficznej z przeznaczeniem dla organw cigania.
Znacznie bardziej skomplikowane obrazy, a co za tym idzie i wiksze pod
wzgldem zajmowanej przestrzeni dyskowej take mog by zmniejszane za pomoc
waveletw. Wiele dziedzin ycia korzysta z tej zalety - medycyna, fizyka, geologia itd.
W wyniku kompresji drugiego czy czwartego stopnia otrzymujemy obrazy bardzo
dobrze oddajce prawdziwy obraz. Kolejne stopnie wprowadzaj ju pewne
zanieczyszczenia widoczne jako rozmycia.
Odszumianie sygnaw
Jednym z wielu problemw jakimi zajmuj si naukowcy jest uzyskanie dobrej jakoci sygnau (wiarygodnego) na
podstawie sygnau niekompletnego, zaszumionego lub "uszkodzonego" w jakikolwiek inny sposb. I w tej dziedzinie
wavelety okazay si pomocne. Kilkuletnie wysiki Davida Donoho zostay zakoczone znalezieniem metody wavelet
shrinkage and tresholding.
Technika ta dziaa w nastpujcy sposb. Po rozoeniu funkcji za pomoc faletek, uywa si specjalnego filtru
"uredniajcego" i filtru tworzcego szczegy. Niektre wspczynniki funkcji wavelet odpowiadaj elementom w danych
tworzcych sygna. Jeeli s one dostatecznie mae mog zosta pominite bez wikszych przeszkd i nie ma to
wpywu na oglne waciwoci badanego sygnau. Metoda progowa polega na przyrwnaniu do zera wszystkich
wspczynnikw, ktre nie speniaj przyjtego warunku progowego. W wyniku dziaania algorytmu otrzymuje si sygna
oczyszczony z szumw przy jednoczesnym zachowaniu wszystkich charakterystycznych szczegw sygnau (wysokie
lub blisko pooone piki).

Transformacja Fouriera umoliwia nam przedstawienie

sygnau zmiennego w czasie w skali czstotliwoci.
Kady sygna analogowy mona przedstawi w postaci
skadowych sinusoidalnych o odpowiedniej amplitudzie,
fazie i czstotliwoci. Potrafimy to robi dziki
transformacji Fouriera. Wynikiem transformacji jest
transformata. Oczywicie w naszych przykadach
bdziemy mieli do czynienia ze skoczon liczb
skadowych czstotliwoci mierzon w rwnych
odstpach na osi czstotliwoci - tak operacj na
sygnale nazywamy dyskretn transformat Fouriera
zwan DFT

sygnal x(n)

2
1
0
-1
-2
0
1

0.2

0.4

0.6

0.8

unormowane widmo amplitudowe sygnalu x(n)

0.5

0
0

6
8
10
czestotliwosc w Hz

12

14

Rysunek przedstawia ten sam sygna w skali czasu (1

sekunda) i czstotliwoci. S to dwie sinusoidy o
czstotliwoci 2 i 4 Hz. Jako wynik uywamy tylko
pierwsz poow osi czstotliwoci 0-7 Hz. Wykres
jest symetryczny w 7 Hz (poowa czstotliwoci
prbkowania).
Jak wykona transformacj Fouriera?
Musimy okreli pewne zaoenia:
- pasmo - zakres czstotliwoci - jest ono w
specjalny
sposb
ograniczone
i
dokonujc
transformacji
musimy
zna
maksymaln
skadow
czstotliwo w sygnale wejciowym.
dugo
transformaty
(ilo
skadowych
sinusoidalnych jak zamierzamy wydoby ze sygnau)
- szybko prbkowania (w prbkach na sekund)
1. Musimy dokona prbkowania sygnau.
2. Nastpnie dla kadej skadowej generujemy sygna
cosinusoidalny i sinusoidalny

2
0
-2
0

0.2

0.4

0.6

0.8

0.2
0.4
0.6
0.8
Skladowa urojona widma dla m=2

0.2

1
0
-1
0
1
0
-1
0

0.4

0.6

0.8

Jakie wystpuj ograniczenia?

Prbkowanie sygnau musimy wykona z odpowiedni
czstotliwoci, co najmniej dwa razy wiksz od
najwikszej
skadowej.
Jest
to
tzw.
kryterium
Nyguista. Nieprzestrzeganie tego kryterium spowoduje
powstanie
aliasingu.
Jest
to
warunek
konieczny
prawidowego
funkcjonowania
kadego
przetwarzania
sygnau analogowego na cyfrowy. Dobrym przykadem
jest pyta CD na ktrej dwik prbkowany jest z
czstotliwoci 44,1 kHz, tak aby poprawnie mc
odtworzy sygna do 20 kHz. Przykad wystpienia
aliasingu w znanym nam sygnale:

sygnal x(n)

2
0
-2
0
1

0.2
0.4
0.6
0.8
1
unormowane widmo amplitudowe sygnalu x(n)

0.5
0
0

4
czestotliwosc w Hz

Rysunek przedstawia wynik DFT sygnau 2 i 4 Hz dla

czstotliwoci prbkowania 8 Hz. Jeeli sygna, ktry
zamierzamy transformowa, zawiera wysze skadowe
sinusoidalne
to
musimy
zastosowa
filtry
antyaliasingowe.
S
to
ukady
montowane
np.
w
telefonach
cyfrowych.
Dwiki
przekazywane przez
telefon musz mieci si w pamie do 4 kHz i prba
wysania do naszego rozmwcy wyszych czstotliwoci
moe zakci przekaz.
Drugim istotnym parametrem transformacji jest ilo
skadowych sinusoidalnych, ktr chcemy policzy. Ta
ilo
ma
zasadniczy
wpyw
na
zjawisko
zwane
przeciekiem.
Sprbujmy wykona DFT dla maej iloci skadowych.

sygnal x(n)

0
-2
0
1

0.2
0.4
0.6
0.8
1
unormowane widmo amplitudowe sygnalu x(n)

0.5
0
0

5
10
czestotliwosc w Hz

15

Wida e skadowe nie byy liczone dla czstotliwoci

2 i 4 Hz dlatego nie mogy si one znale na skali
czstotliwoci.
Powoduje
to
e
zostaj
one
przeniesione do ssiednich wyliczanych skadowych.
Zjawisko to nazywamy przeciekiem.
Przeciek moemy zminimalizowa stosujc rne metody
np. zwikszajc ilo liczonych skadowych, dobieramy
znane wystpujce w sygnale skadowe (np. warto
nuty w przypadku muzyki), czy stosujc tzw. okna.
Transformacja
jest
operacj
czasochonn
i
wykonywanie jej na przykad w czasie rzeczywistym dla
zoonych sygnaw (dwik Hi-Fi, obraz) wymaga duej
mocy obliczeniowej. Jest to zwizane z funkcj, ktra
wymaga wykonania duej iloci mnoe zespolonych.
Dokadnie ilo tych mnoe (dla DFT) wynosi N 2, gdzie
N to liczba skadowych sinusoidalnych.
Istnieje jednak metoda pozwalajca zmniejszy liczb
mnoe
w
funkcji.
Metod
t
nazywamy
szybk
transformacj Fouriera (FFT). Redukuje ona liczb
mnoe do NlogN. Jedynym ograniczeniem jest to e N
musi by naturaln potg liczby 2 (2, 4, 8, 16, 32,
64, 128, ...).

Wnioski:
Odkrycie Fouriera miao ogromne znaczenie dla
dzisiejszej komunikacji i informatyki. Rozwj
technologii pozwalajcej na zamian sygnaw z osi
czasu na o czstotliwoci umoliwi powstanie
zaawansowanych ukadw przesyania i magazynowania
danych: kompresji, kodowania, korekty. Wpyno to
znaczco na rozwj dzisiejszej komunikacji cyfrowej i
miao decydujcy wpyw przy projektowaniu urzdze i
oprogramowania do: CD Audio, GSM, JPG, MP3, DVD.
Przesyanie i gromadzenie danych w obecnych czasach
byoby - bez tej metody - bardzo utrudnione czy wrcz
niewykonalne. Moliwo analizowania widma niektrych
sygnaw pozwala nam rwnie zrozumie ich fizyk i
zachowanie. Ma to niebagatelny wpyw w rnych
dziedzinach techniki wojskowej czy medycznej.
Transformacja Fouriera daje nam takie moliwoci jak
pryzmat dla analizy widma wiata.

Przeksztalcenie Z
Przeksztalcenie Z jest, w dziedzinie czasu dyskretnego, odpowiednikiem ciaglego przeksztacenia Laplacea.
Podczas, gdy przeksztalcenie Laplacea jast stosowane dla uproszczenia analizy ciaglych rwna
rozniczkowych, przeksztalcenie Z ulatwia analiz dyskretnych rwna roznicowych. Przeksztalcenie Z
dyskretnego cigu h(n) jest zdefiniowane jako:

H ( z)

h( n) z

gdzie z jest zmienna zespolona.

Transformata Fouriera
Transformata Fouriera jest operacja zamiany postaci czasowej sygnalu na postac
czastotliwosciowa. Jest to bardzo wazne narzedzie wykorzystywane przy analizie sygnalu. W
systemach z czasem dyskretnym wykorzystuje si dyskretne przeksztalcenie Fouriera (ang.
discrete Fourier transformation- DFT), ktre jest odpowiednikiem transformaty Fouriera dla
systemow ciaglych w czasie. Obliczanie prbek DFT odbywa si wedug nastepujacej
zaleznosci:
N 1

X ( k ) x(n)W Nkn
n 0

przy czym k=0,1,2,...,N-1 oraz W N e

2
N

Analogicznie do DFT mozn zdefiniowac odwrotne przeksztalcenie Fouriera (ang. inverse

discrete Fourier transformation- IDFT)

1
x ( n)
N

N 1

X (k )W
k 0

nk
N

przy czym n=0,1,...,N-1.

Dyskretne przeksztalcenie Fouriera jest przeksztalceniem Z obliczanym dla N punktw
oddalonych od siebie o ten sam kat na okregu jednostkowym paszczyzny z.

Szybkie przeksztalcenie Fouriera (FFT)

Szybkie przeksztalcenie Fouriera (ang. Fast Fourier Transform) zostao przedstawione w
1965r jako bardzo wydajny algorytm implementujacy DFT. Obliczanie FFT jest o wiele
szybsze ni obliczanie klasycznego DFT.
FFT z podzialem czasowym

Glowna idea na ktrej opiera si algorytm FFT, jest dekompozycja N-puktowego DFT na dwa
niezalene N/2- punktowe preksztalcenia DFT. Pierwsze z nich zawiera jedynie prbki
parzyste sygnalu wejsciowego, drugie natomiast- prbki nieparzyste:
X (k )

x(n)W

n _ parzyste

kn
N

x(n)W

kn
N

n _ nieparzyste

Po podstawieniu n=2r dla n parzystych i n=2r+1 dla n nieparzystych otrzymujemy:

N
1
2

N
1
2

r 0

r 0

X (k ) x(2r )W Nk 2 r x(2r 1)W Nk ( 2 r 1)

N
1
2

N
1
2

r 0

r 0

x(2r )(W N2 ) kr W Nk x(2r 1)(W N2 ) kr

Na podstawie
W e
2
N

j2

2
N

2
N/2

WN
2

poprzednie rwnanie mona zapisac w postaci:

N
1
2

N
1
2

X (k ) x(2r )W Nkr W Nk x(2r 1)W Nkr

r 0

r 0

A zatem
X (k ) G (k ) W Nk H ( k )
przy czym
N
G (k ) -punktowe przeksztalcenie DFT parzystych punktw cigu x(n),
2
N
H (k ) -punktowe przeksztalcenie DFT nieparzystych punktw cigu x(n),
2

WN e

2
N

FFT z podzialem czestotliwosciowym

W algorytmie FFT mona rwnie rozwazac podzia cigu wyjciowego X(k). Zapiszmy
N 1

rwnanie X ( k ) x( n)W Nkn

n0

w postaci:
N
1
2

X (k ) x (n)W
n 0

N
1
2

x(n)W
n 0

N
1
2

kn
N

x(n)W
n

kn
N

N
2

kn
N

N 1

k (n )
N
x(n )W N 2
2
n 0

x(n)W Nkn W
n 0

N 1

N
N 2 1
k
2
N
n0

x(n

N
)W Nkn
2

Otrzymano niestety dwa wyraenia, ktre nie sa

kn
N

N
-punktowymi transformatami Fouriera,
2

kn
N
2

poniewa wystpuj czynniki W , a nie W . Wiedzac jednak, ze W

poprzednie rwnanie zapisac w postaci:
N
1
2

X (k ) [ x(n) (1) k x(n

n 0

N
)]W Nkn
2

Dla parzystych wskaznikow k=2r otrzymujemy:

N
1
2

X ( 2 r ) [ x ( n) x ( n
n 0

N
)]W N2 rn
2

natomiast dla nieparzystych wskaznikow k=2r+1:

N
1
2

X (2r 1) [ x(n) x(n

n 0

N
)]W NnW N2 rn .
2

N
k
2
N

(1) k , moemy

Pamietajac, ze W N2 rn W Nrn , rwnania przedostatnie i ostatnie mona odpowiednio

2

przedstawic w postaci:
N
1
2

X (k ) [ x ( n) x ( n

N
)]W Nkn dla k parzystego
2

X ( k ) [ x ( n) x (n

N
)]W NnW Nkn dla k nieparzystego.
2

n 0
N
1
2
n 0

Zatem obliczanie FFT z podzialem czestotliwosci polega na wyznaczeniu cigu

N
N
x(n) x(n ) oraz cigu x(n) x(n ) przemnozonego przez wspolczynnik W Nk , a
2
2
nastpnie obliczeniu N/2- punktowych transformat obu ciagow