摘要:对其四舍五入迭代版蝴蝶变换迭代版模长相乘,幅度相加保证不在换过去从底层开始合并待合并区间长度的一半,最开始是长度为的合并,类似倍增的思想单位根是区间的长度,是当前的位置只扫左半部分,蝴蝶变换得到有半部分。
用途在 O ( n l o g n ) O(nlog_n) O(nlogn)复杂度内解决多项式乘法 比 O ( N 2 ) O(N^2) O(N2)要优
A ( x ) = a 0 + a 1 x + . . . + a n x n A(x)=a_0+a_1x+...+a_nx^n A(x)=a0+a1x+...+anxn
证明用高斯消元,范德蒙行列式满秩唯一解。
点表示法:
如果多项式乘积为: C ( x ) = A ( x ) B ( x ) C(x)=A(x)B(x) C(x)=A(x)B(x)
那么:如果A(x)是n次的,B(x)是m次的,那么我们能用n+m+1个点表示C(x)。
x 1 , x 2 , x 3 . . . . . x n + m + 1 x_1,x_2,x_3.....x_{n+m+1} x1,x2,x3.....xn+m+1
A对应的点为: ( x 1 , A ( x 1 ) ) , ( x 2 , A ( x 2 ) . . . . ( x n + m + 1 , A ( x n + m + 1 ) ) (x_1,A(x_1)),(x_2,A(x_2)....(x_{n+m+1},A(x_{n+m+1})) (x1,A(x1)),(x2,A(x2)....(xn+m+1,A(xn+m+1))
B对应的点为: ( x 1 , B ( x 1 ) ) , ( x 2 , B ( x 2 ) . . . . ( x n + m + 1 , B ( x n + m + 1 ) ) (x_1,B(x_1)),(x_2,B(x_2)....(x_{n+m+1},B(x_{n+m+1})) (x1,B(x1)),(x2,B(x2)....(xn+m+1,B(xn+m+1))
我们知道C(x)=A(x)B(x)
那么C对应的点为: ( x 1 , A ( x 1 ) B ( x 1 ) ) , ( x 2 , A ( x 2 ) B ( x 2 ) . . . . ( x n + m + 1 , A ( x n + m + 1 ) B ( x n + m + 1 ) ) (x_1,A(x_1)B(x_1)),(x_2,A(x_2)B(x_2)....(x_{n+m+1},A(x_{n+m+1})B(x_{n+m+1})) (x1,A(x1)B(x1)),(x2,A(x2)B(x2)....(xn+m+1,A(xn+m+1)B(xn+m+1))
所以我们可以通过O(n+m)表示出来C(x);
所以我们希望从系数表示法转化成点表示法,在从点表示法转化成系数表示法。
欧拉公式证明:
证明过程参考繁凡博客吧。
https://www.wolai.com/naS2MSmNf2imHpmYtEpUtF#bedxV3DwQ7wfDDThBQg78S
递归版:未运行出来:
///FFT递归版#include using namespace std;const double pi = acos(-1);const int N = 300;struct Complex{ double x, y; Complex(double x = 0, double y = 0): x(x), y(y) {}} A[N], B[N];Complex operator * (Complex J, Complex Q){ //模长相乘,幅度相加 return Complex(J.x * Q.x - J.y * Q.y, J.x * Q.y + J.y * Q.x);}Complex operator - (Complex J, Complex Q){ return Complex(J.x - Q.x, J.y - Q.y);}Complex operator + (Complex J, Complex Q){ return Complex(J.x + Q.x, J.y + Q.y);}void FFT(int limit, Complex *a, int type){ if(limit == 1) return ;//常数项 Complex a1[limit / 2], a2[limit / 2]; //分成两端,左右两端平分 for(int i = 0; i <= limit; i += 2) //偶数项,奇数项 { a1[i / 2] = a[i]; a2[i / 2] = a[i + 1]; } FFT(limit / 2, a1, type); FFT(limit / 2, a2, type); Complex tmp = Complex(cos(2.0 * pi / limit), type * sin(2.0 * pi / limit)), w = Complex(1, 0); ///tmp表示单位根,w表示幂。 for(int i = 0; i < (limit /2); i++, w = w * tmp) { a[i] = a1[i] + w * a2[i]; //左加 a[i + limit / 2] = a1[i] - w * a2[i]; //右减 }}int main(){ int n, m; scanf("%d%d", &n, &m); for(int i = 0; i <= n; i++)scanf("%lf", &A[i].x); for(int i = 0; i <= m; i++)scanf("%lf", &B[i].x); int limit = 1; while(limit <= n + m) limit *= 2; //2的整数次幂 FFT(limit, A, 1); FFT(limit, B, 1); //后面的1表示要进行的变换是什么类型 // 1表示从系数变为点值 //-1表示从点值变为系数 //这就与推导过程中的 w指数部分正负有关。 for(int i = 0; i <= limit; i++) { A[i] = A[i] * B[i]; } FFT(limit, A, -1); for(int i = 0;i <= n + m; i++) { printf("%d ", (int)(A[i].x / limit + 0.5)); ///对其四舍五入+0.5 } return 0;}
蝴蝶变换
///迭代版#include using namespace std;const int N = 5e6 + 7;const double PI = acos(-1);int n, m;int limit = 1;int res, ans[N];int l;int r[N];struct Complex{ double x, y; Complex (double x = 0, double y = 0) : x(x), y(y) {}} a[N], b[N];Complex operator * (Complex J, Complex Q){ //模长相乘,幅度相加 return Complex(J.x * Q.x - J.y * Q.y, J.x * Q.y + J.y * Q.x);}Complex operator + (Complex J, Complex Q){ return Complex(J.x + Q.x, J.y + Q.y);}Complex operator - (Complex J, Complex Q){ return Complex(J.x - Q.x, J.y - Q.y);}void FFT(Complex *A, int type){ for(int i = 0; i < limit; i++) { if(i < r[i]) swap(A[i], A[r[i]]); ///保证不在换过去 } ///从底层开始合并: for(int mid = 1; mid < limit; mid = mid * 2) { ///待合并区间长度的一半,最开始是长度为1的合并,类似倍增的思想 Complex wn(cos(PI / mid), type * sin(PI / mid)); //单位根 for(int len = mid *2, pos = 0; pos < limit; pos += len) { ///len是区间的长度,pos是当前的位置 Complex w(1, 0); for(int k = 0; k < mid; k++, w = w * wn) { ///只扫左半部分,蝴蝶变换得到有半部分。 Complex x = A[pos + k]; //左半部分 Complex y = w * A[pos + mid + k]; //右半部分 A[pos + k] = x + y;//左加 A[pos + mid + k] = x - y;///右减 } } } if(type
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/119517.html
摘要:文章第一部分旨在帮助读者理解卷积的概念和深度学习中的卷积网络。卷积定理要理解卷积,不得不提,它将时域和空域上的复杂卷积对应到了频域中的元素间简单的乘积。 译者按:本文译自 Tim Dettmers 的 Understanding Convolution in Deep Learning。有太多的公开课、教程在反复传颂卷积神经网络的好,却都没有讲什么是「卷积」,似乎默认所有读者都有相关基础。这...
摘要:第二部分高级概念我们现在对卷积有了一个良好的初步认识,也知道了卷积神经网络在干什么为什么它如此强大。 译自Tim Dettmers的Understanding Convolution in Deep Learning。有太多的公开课、教程在反复传颂卷积神经网络的好,却都没有讲什么是卷积,似乎默认所有读者都有相关基础。这篇外文既友好又深入,所以翻译了过来。文章高级部分通过流体力学量子力学等解释...
Fourier Transform 理论 傅立叶变换用于分析各种滤波器的频率特性,对于图像,2D离散傅里叶变换(DFT)用于找到频域.快速傅里叶变换(FFT)的快速算法用于计算DFT. 于一个正弦信号,x(t)=Asin(2πft),我们可以说 f 是信号的频率,如果它的频率域被接受,我们可以看到 f 的峰值.如果信号被采样来形成一个离散信号,我们得到相同的频率域,但是在[−π,π] or [0,...
摘要:傅里叶变换就是将信号从时域转化到频域的一个工具。对于傅里叶变换中的的理解可以参考下面的图片当然如果你想更加深入的了解傅里叶变换,你可以按照图片上的水印去搜索,他那里讲的非常清晰。 参考的一些文章以及论文我都会给大家分享出来 —— 链接就贴在原文,论文我上传到资源中去,大家可以免费下载学习...
摘要:特征主要依靠核在频率域上对信号进行加窗,从而能描述信号的局部频率信息。三核作为图像特征通过上面的分析,我们知道了,一个核能获取到图像某个频率邻域的响应情况,这个响应结果可以看做是图像的一个特征。 本文转载自我的博客 Gabor 特征是一种可以用来描述图像纹理信息的特征,Gabor 滤波器的频率和方向与人类的视觉系统类似,特别适合于纹理表示与判别。 Gabor 特征主要依靠 Gabor...
阅读 1972·2021-10-08 10:15
阅读 2979·2021-09-08 09:36
阅读 655·2021-09-03 10:29
阅读 1006·2019-08-30 15:52
阅读 366·2019-08-30 12:54
阅读 1398·2019-08-29 15:10
阅读 2569·2019-08-29 12:44
阅读 2809·2019-08-29 12:28