Java 中可靠且快速的 FFT [已关闭]

Question

因为我不想自己做，所以我正在寻找一个好的 Java 的 FFT 实现。首先，我在这里使用了这个FFT Princeton，但它使用对象，我的分析器告诉我，由于这个事实，它并不是很快。所以我再次用谷歌搜索，找到了这个：FFT Columbia，速度更快。也许你们中有人知道另一种 FFT 实现？我想要一个“最好的”，因为我的应用程序必须处理大量的声音数据，而用户不喜欢等待......;-)

问候。

Answer 1

FFTW 是“西方最快的傅里叶变换”，并且有一些 Java 包装器：

http://www.fftw.org/download.html

希望有帮助！

Answer 2

迟到了 - 这里是一个纯 Java 解决方案，适用于那些无法使用 JNI 的人。JTransforms

Answer 3

我用 Java 编写了一个 FFT 函数。

我已将其发布在公共领域，因此您可以在任何地方使用这些功能（也适用于个人或商业项目）。只需在致谢名单中引用我并向我发送您作品的链接即可。

完全可靠。我已经根据 Mathematica 的 FFT 检查了它的输出，直到小数点后第 15 位为止它们始终是正确的。我认为这是 Java 的一个优秀的 FFT 实现。我在J2SE 1.6版本上写的，并在J2SE 1.5-1.6版本上测试过。

如果你计算一下指令的数量（它比完美的计算复杂度函数估计简单得多），你可以清楚地看到这个版本很棒，即使它根本没有优化。如果有足够的请求，我计划发布优化版本。

如果有帮助请告诉我，并告诉我您喜欢的任何评论。

我在这里分享相同的代码：

/**
* @author Orlando Selenu
* Originally written in the Summer of 2008
* Based on the algorithms originally published by E. Oran Brigham "The Fast Fourier Transform" 1973, in ALGOL60 and FORTRAN
*/
public class FFTbase {
/**
 * The Fast Fourier Transform (generic version, with NO optimizations).
 *
 * @param inputReal
 *            an array of length n, the real part
 * @param inputImag
 *            an array of length n, the imaginary part
 * @param DIRECT
 *            TRUE = direct transform, FALSE = inverse transform
 * @return a new array of length 2n
 */
public static double[] fft(final double[] inputReal, double[] inputImag,
                           boolean DIRECT) {
    // - n is the dimension of the problem
    // - nu is its logarithm in base e
    int n = inputReal.length;

    // If n is a power of 2, then ld is an integer (_without_ decimals)
    double ld = Math.log(n) / Math.log(2.0);

    // Here I check if n is a power of 2. If exist decimals in ld, I quit
    // from the function returning null.
    if (((int) ld) - ld != 0) {
        System.out.println("The number of elements is not a power of 2.");
        return null;
    }

    // Declaration and initialization of the variables
    // ld should be an integer, actually, so I don't lose any information in
    // the cast
    int nu = (int) ld;
    int n2 = n / 2;
    int nu1 = nu - 1;
    double[] xReal = new double[n];
    double[] xImag = new double[n];
    double tReal, tImag, p, arg, c, s;

    // Here I check if I'm going to do the direct transform or the inverse
    // transform.
    double constant;
    if (DIRECT)
        constant = -2 * Math.PI;
    else
        constant = 2 * Math.PI;

    // I don't want to overwrite the input arrays, so here I copy them. This
    // choice adds \Theta(2n) to the complexity.
    for (int i = 0; i < n; i++) {
        xReal[i] = inputReal[i];
        xImag[i] = inputImag[i];
    }

    // First phase - calculation
    int k = 0;
    for (int l = 1; l <= nu; l++) {
        while (k < n) {
            for (int i = 1; i <= n2; i++) {
                p = bitreverseReference(k >> nu1, nu);
                // direct FFT or inverse FFT
                arg = constant * p / n;
                c = Math.cos(arg);
                s = Math.sin(arg);
                tReal = xReal[k + n2] * c + xImag[k + n2] * s;
                tImag = xImag[k + n2] * c - xReal[k + n2] * s;
                xReal[k + n2] = xReal[k] - tReal;
                xImag[k + n2] = xImag[k] - tImag;
                xReal[k] += tReal;
                xImag[k] += tImag;
                k++;
            }
            k += n2;
        }
        k = 0;
        nu1--;
        n2 /= 2;
    }

    // Second phase - recombination
    k = 0;
    int r;
    while (k < n) {
        r = bitreverseReference(k, nu);
        if (r > k) {
            tReal = xReal[k];
            tImag = xImag[k];
            xReal[k] = xReal[r];
            xImag[k] = xImag[r];
            xReal[r] = tReal;
            xImag[r] = tImag;
        }
        k++;
    }

    // Here I have to mix xReal and xImag to have an array (yes, it should
    // be possible to do this stuff in the earlier parts of the code, but
    // it's here to readability).
    double[] newArray = new double[xReal.length * 2];
    double radice = 1 / Math.sqrt(n);
    for (int i = 0; i < newArray.length; i += 2) {
        int i2 = i / 2;
        // I used Stephen Wolfram's Mathematica as a reference so I'm going
        // to normalize the output while I'm copying the elements.
        newArray[i] = xReal[i2] * radice;
        newArray[i + 1] = xImag[i2] * radice;
    }
    return newArray;
}

/**
 * The reference bit reverse function.
 */
private static int bitreverseReference(int j, int nu) {
    int j2;
    int j1 = j;
    int k = 0;
    for (int i = 1; i <= nu; i++) {
        j2 = j1 / 2;
        k = 2 * k + j1 - 2 * j2;
        j1 = j2;
    }
    return k;
  }
}

编辑：2022 年 5 月 5 日。好吧......十多年后，我在 GitHub 上发布代码以避免丢失：https://github.com/hedoluna/fft 请随时贡献并向我发送您的意见:) 谢谢！

Answer 4

我想这取决于你正在处理的内容。如果您要在很长一段时间内计算 FFT，您可能会发现它确实需要一段时间，具体取决于您想要的频率点数量。然而，在大多数情况下，音频被认为是非平稳的（即信号均值和方差随时间变化很大），因此采用大型 FFT（周期图 PSD 估计）并不是准确的表示。或者，您可以使用短时傅里叶变换，将信号分解为更小的帧并计算 FFT。帧大小取决于统计数据变化的速度，对于语音通常为 20-40 毫秒，对于音乐我认为它会稍高一些。

如果您从麦克风采样，此方法很好，因为它允许您一次缓冲每一帧，计算 fft 并给出用户感觉的“实时”交互。因为 20ms 很快，因为我们无法真正感知那么小的时间差。

我开发了一个小基准来测试 FFTW 和 KissFFT c 库在语音信号上的差异。是的，FFTW 是高度优化的，但是当您仅拍摄短帧、为用户更新数据并仅使用较小的 fft 大小时，它们都非常相似。以下是如何使用 badlogic games 的 LibGdx 在 Android 中实现 KissFFT 库 的示例。我在几个月前开发的 Android 应用程序中使用重叠框架实现了这个库，名为“Android 语音增强”。

Answer 5

SSTJ

进行 FFT。如果该库可用，它可以通过 JNI 重定向到 FFTW；如果没有，则将使用纯 Java 实现。