我想做一些会反复调用iFFT的建模。这将采用复频率响应（幅度，相位）的参数模型作为输入，并产生脉冲响应作为输出。我想将此与我测量的房间扬声器的“窗口”脉冲响应进行比较。测量的脉冲可以通过初始部分来表征，该初始部分对应于直接通过空气传播到麦克风的声音持续几毫秒，之后从房间的表面（地板，墙壁等）反射的声音污染了信号。未污染部分可能是总测量脉冲的5％。我想比较iFFT从频率响应产生的脉冲响应到仅测量脉冲的未受污染部分。
如果需要，我可以从频率响应中计算出整个脉冲响应，然后只丢掉95％的结果，但这似乎是非常低效的。在我的模型进行优化的同时，iFFT将被计算很多次（可能是数千次），所以我想确保我能够尽可能地提高它的效率。在这一点上，我唯一的选择似乎是使用FFTW然后丢弃不需要的数据（缺乏更好的想法）。
是否存在仅针对感兴趣的时间点计算逆FFT的快速方法，例如，不是FFT可以访问的整个时间跨度？例如，我可能只需要5％的时间点。我对FFT和iFFT的计算并不十分熟悉，所以我对这个问题的答案一无所知。
编辑：我重新检查，如果我在96kHz处记录16k脉冲，那么在反射污染信号之前，只有大约475个“良好数据”样本。这仅占总记录信号的3％以下。如何从频率响应中有效地计算出这200个点？
答案 0 :(得分：0)
这完全是时间长度和频率分辨率的问题。
如果您的原始（测量）脉冲响应低于512个样本，您可以使用这512个样本并计算512点FFT。这会给你很差的频率分辨率，但如果你愿意，你可以插入频谱。
在另一个方向，只是＆＃34;下采样＆＃34;您的长谱到512个频率的二频谱（例如每4行一次）并进行逆FFT，这将导致短的512个样本脉冲响应。