首先分析实数FFT算法的推导过程，然后给出一种具体实现FFT算法的C语言程序，可以直接应用于需要FFT运算的单片机或DSP等嵌入式系统中。
1 倒位序算法分析
按时间抽取（DIT）的FFT算法通常将原始数据倒位序存储，最后按正常顺序输出结果X（0），X（1），...，X（k），...。假设一开始，数据在数组floatdataR[128]中，我们将下标i表示为（b6b5b4b3b2b1b0）b，倒位序存放就是将原来第i个位置的元素存放到第（b0b1b2b3b4b5b6）b的位置上去.由于C语言的位操作能力很强，可以分别提取出b6、b5、b4、b3、b2、b1、b0，再重新组合成b0、b1、b2、b3、b4、b5、b6，即是倒位序的位置。程序段如下（假设128点FFT）：
/*i为原始存放位置，最后得invert_pos为倒位序存放位置*/
intb0=b1=b2=b3=b4=b5=6=0;
b0=i&0x01;b1=(i/2)&0x01;b2=(i/4)&0x01;
b3=(i/8)&0x01;b4=(i/16)&0x01;b5=(i/32)&0x01;
b6=(i/64)&0x01;/*以上语句提取各比特的0、1值*/
invert_pos=x0*64+x1*32+x2*16+x3*8+x4*4+x5*2+x6;
大家可以对比教科书上的倒位序程序，会发现这种算法充分利用了C语言的位操作能力，非常容易理解而且位操作的速度很快。
2实数蝶形运算算法的推导
我们首先看一下图1所示的蝶形图。
蝶形公式：
X(K)=X’(K)+X’(K+B)WPN,
X(K+B)=X’(K)-X’(K+B)WPN
其中WPN=cos（2πP/N）-jsin（2πP/N）。
设X(K+B)=XR(K+B)+jXI(K+B),
X(K)=XR(K)+jXI(K),
有:
XR(K)+jXI(K)=XR’(K)+jXI’(K)+[XR’(K+B)+jXI’(K+B)]*[cos（2πP/N）-jsin（2πP/N）];
继续分解得到下列两式:
XR(K)=XR’(K)+XR’(K+B)cos（2πP/N）+XI’(K+B)sin(2πP/N)（1）
XI(K)=XI’(K)-XR’(K+B)sin（2πP/N）+XI’(K+B)cos(2πP/N)（2）
需要注意的是:XR(K)、XR’(K)的存储位置相同,所以经过（1）、（2）后，该位置上的值已经改变，而下面求X(K+B)要用到X’(K)，因此在编程时要注意保存XR’(K)和XI’(K)到TR和TI两个临时变量中。
同理:XR(K+B)+jXI(K+B)=XR’(K)+jXI’(K)-[XR’(K+B)+jXI’(K+B)]*[cos（2πP/N）-jsin（2πP/N）]继续分解得到下列两式:
XR(K+B)=XR’(K)-XR’(K+B)cos（2πP/N）-XI’(K+B)sin(2πP/N)（3）
XI(K+B)=XI’(K)+XR’(K+B)sin（2πP/N）-XI’(K+B)cos(2πP/N)（4）
注意：
①在编程时,式（3）、（4）中的XR’(K)和XI’(K)分别用TR和TI代替。
②经过式（3）后，XR(K+B)的值已变化，而式（4）中要用到该位置上的上一级值，所以在执行式（3）前要先将上一级的值XR’(K+B)保存。
③在编程时,XR(K)和XR’(K),XI(K)和XI’(K)使用同一个变量。
通过以上分析，我们只要将式（1）、（2）、（3）、（4）转换成C语言语句即可。要注意变量的中间保存，详见以下程序段。
/*蝶形运算程序段,dataR[]存放实数部分,dataI[]存放虚部*/
/*cos、sin函数做成表格，直接查表加快运算速度*/
TR=dataR[k];TI=dataI[k];temp=dataR[k+b];/*保存变量，供后面语句使用*/
dataR[k]=dataR[k]+dataR[k+b]*cos_tab[p]+dataI[k+b]*sin_tab[p];
dataI[k]=dataI[k]-dataR[k+b]*sin_tab[p]+dataI[k+b]*cos_tab[p];
dataR[k+b]=TR-dataR[k+b]*cos_tab[p]-dataI[k+b]*sin_tab[p];
dataI[k+b]=TI+temp*sin_tab[p]-dataI[k+b]*cos_tab[p];
3DITFFT算法的基本思想分析
我们知道N点FFT运算可以分成LOGN2级，每一级都有N/2个碟形。DITFFT的基本思想是用3层循环完成全部运算(N点FFT)。
第一层循环：由于N=2m需要m级计算,第一层循环对运算的级数进行控制。
第二层循环：由于第L级有2L-1个蝶形因子（乘数），第二层循环根据乘数进行控制，保证对于每一个蝶形因子第三层循环要执行一次，这样，第三层循环在第二层循环控制下，每一级要进行2L-1次循环计算。
第三层循环：由于第L级共有N/2L个群，并且同一级内不同群的乘数分布相同，当第二层循环确定某一乘数后，第三层循环要将本级中每个群中具有这一乘数的蝶形计算一次，即第三层循环每执行完一次要进行N/2L个碟形计算。
可以得出结论：在每一级中，第三层循环完成N/2L个碟形计算；第二层循环使第三层循环进行2L-1次，因此，第二层循环完成时，共进行2L-1*N/2L=N/2个碟形计算。实质是：第二、第三层循环完成了第L级的计算。
几个要注意的数据：
①在第L级中，每个碟形的两个输入端相距b=2L-1个点。
②同一乘数对应着相邻间隔为2L个点的N/2L个碟形。
③第L级的2L-1个碟形因子WPN中的P，可表示为p=j*2m-L，其中j=0，1，2，...，（2L-1-1）。
以上对嵌入式系统中的FFT算法进行了分析与研究。读者可以将其算法直接应用到自己的系统中，欢迎来信共同讨论。（Email:xiaowanang@163.net）
附128点DITFFT函数：
/*采样来的数据放在dataR[]数组中，运算前dataI[]数组初始化为0*/
voidFFT(floatdataR[],floatdataI[])
{intx0,x1,x2,x3,x4,x5,x6;
intL,j,k,b,p;
floatTR,TI,temp;
/**********followingcodeinvertsequence************/
for(i=0;i<128;i++)
{x0=x1=x2=x3=x4=x5=x6=0;
x0=i&0x01;x1=(i/2)&0x01;x2=(i/4)&0x01;x3=(i/8)&0x01;x4=(i/16)&0x01;x5=(i/32)&0x01;x6=(i/64)&0x01;
xx=x0*64+x1*32+x2*16+x3*8+x4*4+x5*2+x6;
dataI[xx]=dataR[i];
}
for(i=0;i<128;i++)
{dataR[i]=dataI[i];dataI[i]=0;}
/**************followingcodeFFT*******************/
for(L=1;L<=7;L++){/*for(1)*/
b=1;i=L-1;
while(i>0)
{b=b*2;i--；}/*b=2^(L-1)*/
for(j=0;j<=b-1;j++)/*for(2)*/
{p=1;i=7-L;
while(i>0)/*p=pow(2,7-L)*j;*/
{p=p*2;i--；}
p=p*j;
for(k=j;k<128;k=k+2*b)/*for(3)*/
{TR=dataR[k];TI=dataI[k];temp=dataR[k+b];
dataR[k]=dataR[k]+dataR[k+b]*cos_tab[p]+dataI[k+b]*sin_tab[p];
dataI[k]=dataI[k]-dataR[k+b]*sin_tab[p]+dataI[k+b]*cos_tab[p];
dataR[k+b]=TR-dataR[k+b]*cos_tab[p]-dataI[k+b]*sin_tab[p];
dataI[k+b]=TI+temp*sin_tab[p]-dataI[k+b]*cos_tab[p];
}/*ENDfor(3)*/
}/*ENDfor(2)*/
}/*ENDfor(1)*/
for(i=0;i<32;i++){/*只需要32次以下的谐波进行分析*/
w[i]=sqrt(dataR[i]*dataR[i]+dataI[i]*dataI[i]);
w[i]=w[i]/64；}
w[0]=w[0]/2;
}/*ENDFFT*/