數論轉換是一種計算摺積的快速演算法。計算摺積的快速演算法中最常用的一種是使用快速傅里葉變換，然而快速傅立葉變換具有一些實現上的缺點，舉例來說，資料向量必須乘上複數係數的矩陣加以處理，而且每個複數係數的實部和虛部是一個正弦及餘弦函數，因此大部分的係數都是浮點數，也就是說，必須做複數而且是浮點數的運算，因此計算量會比較大，而且浮點數運算產生的誤差會比較大。
而在數論轉換中，資料向量需要乘上的矩陣是一個整數的矩陣，因此不需要作浮點數的乘法運算，更進一步，在模數為M的情況下，只有M^2種可能的加法與M^2種可能的乘法，這可以使用記憶體把這些有限數目的加法和乘法存起來，利用查表法來計算，使得數論轉換完全不須任何乘法與加法運算，不過需要較大的記憶體與消耗較大的存取記憶體量。
雖然使用數論轉換可以降低計算摺積的複雜度，不過由於只進行整數的運算，所以只能用於對整數的信號計算摺積，而利用快速傅立葉變換可以對任何複數的信號計算摺積，這是降低運算複雜度所要付出的代價。
轉換公式
數論轉換的轉換式為
F[k]=\sum_{n=0}^{N-1} f[n]\alpha^{nk} \pmod{M}\quad k=0,1,2,\ldots ,N-1
而數論轉換的反轉換式為
f[n]=N^{-1}\sum_{k=0}^{N-1} F[k]\alpha^{-nk}\pmod{M}\quad n=0,1,2,\ldots ,N-1
註解：
(1) M是一個質數。
(2) \pmod{M} 表示除以M的餘數
(3) N必須是M-1的因數。(當N\ne 1時N和M互質)
(4)N^{-1}是N對模數M之模反元素
(5)\alpha為模M的N階單位根，即\alpha^N=1\pmod{M}而且\alpha^k \ne 1 \pmod{M}\ k=1,2,\ldots,N-1。若此時N=M-1，我們稱\alpha為模M的原根
舉一個例子：
一個M=5的N=4點數論轉換與反轉換如下，取\alpha = 2，注意此時N^{-1}=4
正轉換
\begin{pmatrix} F[0] \\ F[1] \\ F[2] \\ F[3] \end{pmatrix}=\begin{pmatrix} 1 & 1 & 1 & 1 \\ 1 & 2 & 4 & 3 \\1 & 4 & 1 & 4 \\ 1 & 3 & 4 & 2 \end{pmatrix}\begin{pmatrix} f[0] \\ f[1] \\ f[2] \\ f[3] \end{pmatrix}\pmod{M}
反轉換
\begin{pmatrix} f[0] \\ f[1] \\ f[2] \\ f[3] \end{pmatrix}=\begin{pmatrix} 4 & 4 & 4 & 4 \\ 4 & 2 & 1 & 3 \\4 & 1 & 4 & 1 \\ 4 & 3 & 1 & 2 \end{pmatrix}\begin{pmatrix} F[0] \\ F[1] \\ F[2] \\ F[3] \end{pmatrix}\pmod{M}
數論轉換的性質
(1) 正交性質
數論轉換矩陣的每個列是互相正交的，即\sum_{n=0}^{N-1}\alpha^{nl}\alpha^{-nk}=\begin{cases} N \quad if\ k=l\\ 0 \quad if\ k\ne l\end{cases} \pmod{M}
(2) 對稱性
若f[n]=f[N-n]，則f[n]的數論轉換F[k]也會有F[k]=F[N-k]的特性。
若f[n]=-f[N-n]，則f[n]的數論轉換F[k]也會有F[k]=-F[N-k]的特性。
(3) 反數論轉換可由正數論轉換實現
f[n]=N^{-1}\sum_{k=0}^{N-1}F[k]\alpha^{-nk}=N^{-1}\sum_{-k=0}^{N-1}F[-k]\alpha^{nk}，即N^{-1}F[-k]的數論轉換。
步驟一：把F[k]改寫成F[-k]，若F[k]=F_0,F_1,,F_2\ldots,F_{N-1} ，則F[-k]=F_0,F_{N-1},\ldots,F_2,F_1
步驟二：求F[-k]的數論轉換。
步驟三：乘上N^{-1}。
(4) 線性性質
若f[n]\leftrightarrow F[k]，g[n]\leftrightarrow G[k]，(\leftrightarrow表互為數論轉換對)則有af[n]+bg[n]\leftrightarrow aF[k]+bg[k]\pmod{M}。
(5) 平移性質
若f[n]\leftrightarrow F[k]，則f[n+l]\leftrightarrow \alpha^{-lk}F[k]\pmod{M}，而且f[n]\alpha^{nl}\leftrightarrow F[k+l]。
(6) 圓周摺積性質
若f[n]\leftrightarrow F[k]，g[n]\leftrightarrow G[k]，則f[n]\otimes g[n]\leftrightarrow F[k]G[k]\pmod{M}，而且f[n]g[n]\leftrightarrow \frac{1}{N}F[k]\otimes G[k]\pmod{M}。(\otimes代表圓形摺積。)
這個性質是數論轉換可以用來作為摺積的快速演算法的主要原因。
(7) 帕塞瓦爾定理(Parseval's Theorem)
若f[n]\leftrightarrow F[k]，則N\sum_{n=0}^{N-1}f[n]f[-n]=\sum_{k=0}^{N-1}F^2[k]\pmod{M}，而且N\sum_{n=0}^{N-1}f^2[n]=\sum_{k=0}^{N-1}F[k]F[-k]\pmod{M}
快速數論轉換
如果轉換點數N是一個2的次方，則可以使用類似基數-2快速傅立葉變換的蝴蝶結構來有效率的實現數論轉換。同樣的互質因子算法也可以應用在數論轉換上。
\begin{matrix}F[k]&=&\sum_{n=0}^{N-1}f[n]\alpha^{nk}\\ \ &=&\sum_{r=0}^{N/2-1}f[2r]\alpha^{2rk}+\sum_{r=0}^{N/2-1}f[2r+1]\alpha^{(2r+1)k} \\ \ & = & \sum_{r=0}^{N/2-1}f2r^{rk}+\alpha^k\sum_{r=0}^{N/2-1}f2r+1^{rk}\\ \ &=& \begin{cases} G[k]+\alpha^kH[k]\quad 0\le k\le \frac{N}{2}-1 \\ G[k-\frac{N}{2}]-\alpha^kH[k-\frac{N}{2}]\quad \frac{N}{2}\le k\le N-1 \end{cases}\end{matrix}
其中，G[k]=\sum_{r=0}^{N/2-1}f2r^{rk}，H[k]=\sum_{r=0}^{N/2-1}f2r+1^{rk}。
因此一個N點數論轉換可以拆解成兩個\frac{N}{2}點的數論轉換。
N, M, alpha的選擇
由於數論轉換可以擁有類似快速傅立葉變換的快速演算法，因此通常N會選擇適合使用快速演算的值，比如說取為2的冪次，或是可以分解成許多小質數相乘的數。
在數論轉換中，需要大量地和\alpha的冪次做乘法，因此，如果可以取\alpha為2或2的冪次，則每一次的乘法在二進制中只會是一個移位的操作，可以省下大量的乘法運算。
因為要做模M的運算，所以M的二進位表示法中，1的個數越少越好，同時M的值不能取太小，這是因為數論轉換後的值都小於M，因此當真實的摺積的結果會大於M時就會發生錯誤，所以必須謹慎選取M的大小。
特殊的數論轉換
梅森質數數論轉換
梅森質數是指形如2^p-1的質數記做M_p，其中p是一個質數。
在梅森質數數論轉換中，取M=M_p，可以證明\alpha , N可以如下選取：
(1) \alpha = 2, N=p, N^{-1}=M_p-\frac{M_p-1}{p}
(2) \alpha = -2, N=2p, N^{-1}=M_p-\frac{M_p-1}{2p}
在這兩種選取方式下，由於\alpha是2的冪次，所以只需移位運算，但N不是2的冪次，所以基數-2的蝴蝶結構不適用於此例中，同時N為質數或一個質數的兩倍，並不是一個可以拆解成很多質因數乘積的數，因此也無法由互質因子演算法得到太大的好處。梅森質數數論轉換通常用於較短序列的摺積運算
費馬數數論轉換
費馬數是指形如2^{2^t}+1的數記做F_t。
在費馬數數論轉換中，取M=F_t，可以證明在0之下\alpha , N可以如下選取：
(1) \alpha = 2, N=2^{t+1}
(2) \alpha = 3, N=F_t-1
在這兩種選取方式下，N是2的冪次，所以基數-2的蝴蝶結構適用於此例中，而若\alpha是2的冪次，只需移位運算。費馬數數論轉換通常用於較長序列的摺積運算。
實作議題
由於數論轉換需運用到餘數下的反元素，這邊提供一些不同的演算法。
(一) Euclidean algorithm - iterative version
假設M為質數的mod，N為我們當前的元素且符合M-1的因數，藉由Euclidean Algorithm知道必然存在x, y的整數使得
xM + yN = 1 - (1)
由上式左右mod M 可以得到 yN mod M= 1，顯然y就是我們這邊想求的反元素。
我們已知最大公因數(gcd)有如下性質。
gcd(M, N) = gcd(N, M mod N) = gcd(M mod N, N mod (M mod N)) = ... = 1
這邊設定q為商數，r為餘數，接上面的等式方程式化如下。
M = q_{0}N + r_{1},
N = q_{1}r_{1}+r_{2},
r_{1} = q_{2}r_{2} + r_{3},
r_{2} = q_{3}r_{3} + r_{4},
...
整理一下
M - q_{0}N= r_{1},
N -q_{1}r_{1}= r_{2},
r_{1} -q_{2}r_{2} = r_{3},
r_{2} - q_{3}r_{3} = r_{4},
...
最後的r 一定會變成1，所以我們只要不斷的將r乘上-q帶往下一個式子(像是r1*(-q1))，跟代往下下個式子(像是r3的左邊式子要帶入r1)即可求得最後我們想得到的 (1)，最後的N旁的係數就是反元素。
def modInv(x, M): #by Euclidean algorithm - iterative version
t, new_t, r, new_r = 0, 1, M, x
while new_r != 0:
quotient = int(r / new_r)
tmp_new_t = new_t
tmp_t = t
tmp_new_r = new_r
tmp_r = r
t, new_t = new_t, (t - quotient * new_t)
r, new_r = new_r, (r % new_r)
if r > 1:
print("Inverse doesn't exist")
if t (二) Euclidean algorithm - recursion version
根據gcd的性質gcd(M, N) = gcd(N, M mod N) = gcd(M mod N, N mod (M mod N)) = ... = 1
可以看出遞迴的關係，藉此我們可以從這邊得到N的係數，也就是反元素。
gcd(M, N) = 1來看，我們知道存在xM + yN = 1 。
gcd(N, M mod N)=1，則存在x_{1}N + y_{1}(M \, mod \,N) = 1
x_{1}N + y_{1}(M \, mod \,N) = x_{1}N + y_{1}(M - q_{1}N) = y_{1}M + (x_{1}-q_{1}y_{1})N = 1
這邊q就是相除的商數，比較M跟N的係數，這邊可以得到一個遞迴關係，
(x_{1}-q_{1}y_{1}) = y
y_{1} =x
可以藉由下一層的係數來推出上一層的係數。
def egcd(a, b): # y = x1 - quotient * y1 , x = y1
if a == 0:
return (b, 0, 1)
else:
g, y, x = egcd(b % a, a)
return (g, x - (b // a) * y, y)
def modInv(n, m): #by Euclidean algorithm - recursion version
g, y, x = egcd(n, m)
if g != 1:
print("Inverse doesn't exist")
else:
return y % m
(三) Fermat little theorem
當M是質數時，我們知道任何一個數字N， N^{M-1} \, mod \, M = 1
N (N^{M-2}\,mod\,M)\,mod\,M=1
顯然 N^{M-2}\,mod\,M就是N的反元素。
搭配快速mod可以容易的算出反元素，power是偶數時則可以用 (a^{2} \,mod\,M)^{power/2}; power是基數時則可以用 (aN \,mod\,M)^{power-1}，讓power變成偶數。反覆直到power變成1。
def modInv(a, m): #fermat little thm
return modExponent(a, m - 2, m)
def modExponent(base, power, M): #quick mod O(log(power))
result = 1
power = int(power)
base = base % M
while power > 0:
if power & 1:
result = (result * base) % M
base = (base * base) % M
power = power >> 1
return result
演算法
以下程式預設。
import numpy as np
Root of Unity 是從1到M-1中選出一個適當的 alpha，其滿足"轉換公式"段落的(5)。
def RootOfUnity(N, M):
def mod_exp(base, exp, mod):
result = 1
base %= mod
while exp > 0:
if exp % 2 == 1: # If exp is odd
result = (result * base) % mod
base = (base * base) % mod
exp //= 2
return result
for r in range(1, M): # Check integers from 1 to M-1
if mod_exp(r, N, M) == 1:
return r # Return the first root of unity
return None
def NTT(x,N,M):
alpha = RootOfUnity(N, M)
NInv = modInv(N, M)
A = np.ones((N,N))
for i in range(1,N):
for j in range(1,i+1):
A[i][j] = A[i][j-1]*modExponent(alpha,i,M) % M
A[j][i] = A[i][j]
return np.matmul(A,x) % M, alpha
def invNTT(x,alpha,N,M):
alphaInv = modInv(alpha, M)
NInv = modInv(N, M)
B = np.ones((N,N))
for i in range(1,N):
for j in range(1,i+1):
B[i][j] = B[i][j-1]*modExponent(alphaInv,i,M) % M
B[j][i] = B[i][j]
B = B * NInv
return np.matmul(B,x) % M
參考資料
[1] R.C. Agarval and C.S. Burrus,"Number Theoretic Transforms to Implement Fast Digital Convolution," Proc. IEEE, vol.63, no.4, pp. 550-560, Apr. 1975.
[2] I. Reed and T.K. Truong,"The use of finite fileds to compute convolution," IEEE Trans. Info. Theory, vol.21 ,pp.208-213, Mar. 1975.
评论 (0)