離散哈特萊變換(DHT)及快速哈特萊變換(FHT)學習
離散哈特萊變換(DHT)及快速哈特萊變換(FHT)學習
說在前邊
最近複習\(DSP\)的時候,發現了一個號稱專門針對離散實序列的變換,經分析總運算量為普通\(FFT\)的幾乎一半,而且完全沒有複數。這麼強的嗎?於是花了一個下午,去學習了一下。中文資料少的可憐。。。於是去讀書館翻了幾乎所有的\(dsp\)課本。。。發現了這本書 西安電子科技大學出版社《數字訊號處理》第二版!竟然花了一節在講\(DHT\)和\(FHT\)!竟然還有附錄FORTRAN程式碼(雖然一堆錯)!這裡把這個東西稍微普及一下。。。不過估計沒人用的上
離散哈特萊變換(DHT)
引入
對於序列\(x(n)\)其\(N\)
所以只要計算\(X(k)\)的前\(N/2\)個值,則後\(N/2\)可以通過\((1)\)求得,\(X(k)\)的\(N/2\)個複數正好對應\(N\)個實數資料(\(N\)點實序列\(DFT\),也可以通過把\(N\)個實數,壓成\(N/2\)個複數,再利用共軛對稱性求解,這裡不做詳解)。由此可見,一個\(N\)點實序列的\(DFT\),完全可由\(N\)個實數資料確定。由此,我們引出一種直接對於實序列進行實數域變換的離散哈特萊變換(\(DHT\))。\(DHT\)將\(x(n)\)
預備知識
- \(DFT\)的意義
- \(FFT\)實現
- 最好學過\(DSP\)
定義
設\(x(n), n = 0, 1,..., N-1\),為一實序列,其\(DHT\)定義為
\[ X_H(k) = DHT[ x(n)] = \sum _{n=0}^{N-1} x(n)cas(\frac{2\pi}{N}kn), k = 0,1, ... , N-1 \]
式中\(cas(a) = cos(a) + sin(a)\)
\[ x(n) = DHT[ X_H(k)] = \frac{1}{N}\sum _{n=0}^{N-1} X(k)cas(\frac{2\pi}{N}kn), n = 0,1, ... , N-1 \]
\(DHT\)的正交證明:
\[ \sum_{k=0}^{N-1} cas(\frac{2\pi}{N}kn)cas(\frac{2\pi}{N}km) = \sum_{k=0}^{N-1}[cos(\frac{2\pi}{N}k(n-m)) + sin(\frac{2\pi}{N}k(n+m))] = \left\{\begin{array}{cc} N, & k = 0\\ 0, & k \neq 0 \\ \end{array}\right. \]
DHT與DFT的個關係
用\(X(k)\)表示實序列\(x(n)\)的\(DFT\),用\(X_H(k)\)表示\(x(n)\)的\(DHT\),分別用\(X_{He}(k)\), \(X_{Ho}(k)\)表示\(X_H(k)\)的偶對稱分量與奇對稱分量,即
\[ X_H(k) = X_{He}(k) + X_{Ho}(k) \]
其中
\[ X_{He}(k) = \frac{1}{2}[X_H(k) + X_H(N-k)]\\ X_{Ho}(k) = \frac{1}{2}[X_H(k) - X_H(N-k)]\\ X(k) = X_{He}(k) - jX_{Ho}(k) X_H(k) = Re[X(k)] - Im[X(k)]\\ X(k) = \frac{1}{2}[X_H(k)+X_H(N-k)] - \frac{1}{2}j[X_H(k)-X_H(N-k)] \]
利用上面這些性質,我們可以很容易的將\(DFT\)與\(DHT\)進行變換,並且又因為這個原因\(X_H(k)\)的週期為\(N\)(隱含週期性)。
DHT的優點
- \(DHT\)為實值,避免了複數運算
- \(DHT\)正反變換形式基本一致
- \(DHT\)與\(DFT\)的轉換容易實現
DFT的性質
- 線性性
- \(DHT\)不改變\(x(n)\)奇偶性
- 迴圈卷積定理
若\(x_1(n) \leftrightarrow X_{1H}(k), ~~x_2(n) \leftrightarrow X_{2H}(k)\)則
\[ x_1(n) \otimes x_2(n) \leftrightarrow X_{2H}(k)X_{1He}(k) + X_{2H}(N-k)X_{1Ho}(k) \]
或
\[ x_1(n) \otimes x_1(n) \leftrightarrow X_{1H}(k)X_{2He}(k) + X_{1H}(N-k)X_{2Ho}(k) \]
值得注意的是,相比於\(DFT\)的卷積定理,\(DHT\)的運算更加複雜,這一點把這個演算法的在競賽中的實用性大大降低了。。。畢竟我就是為了加速卷積,不過他空間上的優勢還是很名明顯的。
快速哈特萊變換(FHT)
基2 DIT-FHT演算法
與\(FFT\)演算法一樣,\(FHT\)也可以,用基\(4\),基\(8\),分裂基等方式優化,這裡我們討論最基礎的基\(2\) 快速\(DHT\)演算法。
\(x(n)\)的\(N=2^M\)點\(DHT\):
\[ X_H(k) = \sum_{n=0}^{N-1}x(n)cas(\frac{2\pi}{N}kn) \]
對\(x(n)\)進行奇偶抽取
\[ x_0(r) = x(2r)\\ x_1(r) = x(2r+1) \]
帶入後,與\(DFT\)比較可得,\(cas(\frac{2\pi}{N}k(2r+1))\)不是指數函式,所以我們通過
\[ cas(a + b) = cas(a)cas(b) + cas(-a)sin(b) \]
推導可得:
\[ X_H(k) = \sum_{r=0}^{frac{N}{2}-1} x_0(r)cas(\frac{2\pi}{N/2}rk) + cos(\frac{2\pi}{N}k)\sum_{r=0}^{\frac{N}{2}-1}x_1(r)cas(\frac{N}{2}rk) \\ + sin(\frac{2\pi}{N}k)\sum_{r=0}^{\frac{N}{2}-1}x_1(r)cas(-\frac{2\pi}{N/2}rk) \]
令\(X_{0H}(k) = DHT[x_0(n)]\),\(X_{1H}(k) = DHT[x_1(n)]\),可以寫成:
\[ X_H(k) = X_{0H}(k) + cos(\frac{2\pi}{N}k)X_{1H}(k)+sin(\frac{2\pi}{N}k)X_{1H}(\frac{N}{2}-1) \]
相比於\(DIT-DFT\)該式中,多了一項\(X_{1H}(\frac{N}{2}-k)\)。所以可用\(X_{0H}(k)\),\(X_{1H}(k)\),\(H_{0H}(\frac{N}{2}-k)\),\(H_{0H}(\frac{N}{2}+k)\)四個點同址計算出\(X_{H}(k)\),\(X_{H}(\frac{N}{2}+k)\),\(H_{H}(\frac{N}{2}-k)\),\(H_{H}(N-k)\),與\(FFT\)中的蝶形運算類似,我們叫這種運算“哈特萊蝶形”
令\(C(k)=cos(\frac{2\pi}{N}k)\),\(S(k)=sin(\frac{2\pi}{N}k)\),當\(N \geq 8\)時,有
\[ X_H(k) = X_{0H}(k) + [C(k)X_{1H}(k)+S(k)X_{1H}(\frac{N}{2}-k)]\\ X_H(\frac{N}{2}+k) = X_{0H}(k) - [C(k)X_{1H}(k)+S(k)X_{1H}(\frac{N}{2}-k)]\\ X_H(\frac{N}{2}-k) = X_{0H}(\frac{N}{2}-k) - [S(k)X_{1H}(k)-C(k)X_{1H}(\frac{N}{2}-k)]\\ X_H(N-k) = X_{0H}(\frac{N}{2}-k) - [S(k)X_{1H}(k)-C(k)X_{1H}(\frac{N}{2}-k)] \]
基2 DIT-FHT的運算量
\(N = 2^M\)
乘法次數:\(NM - 3N + 4\)
加法次數:\(A_H = \frac{3}{2}NM - \frac{3}{2}N + 2\)
應用
利用\(FHT\)以及迴圈卷積定理,與DFT類似,我們就可以通過循換卷積來求出兩個實序列的線性卷積。
程式碼 [UR#34]多項式乘法
#include <cstdio>
#include <cmath>
#define DXT(X,Y) ( XT = (X) , X = ((XT) + (Y)) , Y = ((XT) - (Y)) )
const double PI = 3.141592653589793238;
using namespace std;
int K , N1 , N2 , N4 , L1 , L2 , L3 , L4;
double XT , A , E , K2 , CC1 , SS1 , T1 , T2 , e , o, a[2000001] , b[2000001] , c[2000001];
int n , m , rev[2000001];
void FHT( double X[] , int N , int M , int f ) {
for(int i = 0 ; i < N ; ++i) if(i < rev[i]) {
XT = X[i] , X[i] = X[rev[i]] , X[rev[i]] = XT;
}
for(int i = 0 ; i < N ; i += 2) DXT(X[i] , X[i+1]);
N2 = 1;
for(int k = 1 ; k < M ; ++k) {
N4 = N2 , N2 = N4 + N4 , N1 = N2 + N2;
E = PI * 2.0 / N1;
for(int j = 0 ; j < N ; j += N1) {
L2 = j + N2 , L3 = j + N4 , L4 = L2 + N4;
DXT(X[j] , X[L2]) , DXT(X[L3] , X[L4]);
A = E;
for(int i = 1 ; i < N4 ; ++i , A += E) {
L1 = j + i , L2 = j - i + N2;
L3 = L1 + N2 , L4 = L2 + N2;
CC1 = cos(A), SS1 = sin(A);
T1 = X[L3] * CC1 + X[L4] * SS1;
T2 = X[L3] * SS1 - X[L4] * CC1;
XT = X[L1] , X[L1] = XT + T1 , X[L3] = XT - T1;
XT = X[L2] , X[L2] = XT + T2 , X[L4] = XT - T2;
}
}
}
if(f == -1) {
for(int i = 0 ; i < N ; ++i) X[i] /= N;
}
}
int main() {
scanf("%d%d" , &n , &m);
for(int x , i = 0 ; i <= n ; ++i) scanf("%d" , &x) , a[i] = (double)x;
for(int x , i = 0 ; i <= m ; ++i) scanf("%d" , &x) , b[i] = (double)x;
int nn = n + m + 1 , L;
int tmp; L = 0;
for(tmp = 1 ; tmp < nn ; tmp <<= 1, ++L) ; nn = tmp;
for(int i = 0 ; i < nn ; ++i)
rev[i] = (rev[i >> 1] >>1 ) | ((i & 1) << (L - 1));
FHT(a , nn , L , 1), FHT(b , nn , L , 1);
for(int i = 0; i < nn; ++i) {
e = i > 0 ? (a[i] + a[(nn - i)]) * 0.5 : a[0];
o = i > 0 ? (a[i] - a[(nn - i)]) * 0.5 : 0.0;
c[i] = b[i] * e + b[i == 0 ? 0 : (nn - i)] * o;
}
FHT(c , nn , L , -1);
for(int i = 0; i <= n+m; ++i) printf("%d ",(int)(c[i]+0.5));
return 0;
}
這份程式碼比我想像的要慢好多,主要原因還是迴圈卷積定理裡面運算的增多,另一個原因是我不會卡常...但是記憶體上看起來還是比較優秀的,拜託善於優化的同學優化一下,或者有更好的實現的話,也請告訴我。。。不過看起來還是沒人會用啊。。。fft的歷史地位還是很難被替代的吧。。。改日會補上訊號流圖。掰掰