WikiDer > Регрессивный дискретный ряд Фурье

В прикладной математике регрессивный дискретный ряд Фурье (RDFS) является обобщением дискретное преобразование Фурье где Ряд Фурье коэффициенты вычисляются в наименьших квадратов смысл и период произвольны, т.е.не обязательно равны длине данных. Впервые он был предложен Аррудой (1992a, 1992b). Его можно использовать для сглаживания данных в одном или нескольких измерениях и для вычисления производных от сглаженной кривой, поверхность, или же гиперповерхность.

Техника

Одномерный регрессивный дискретный ряд Фурье (RDFS)

Одномерная RDFS, предложенная Аррудой (1992a), может быть сформулирована очень просто. Учитывая вектор выборки данных (сигнал) ${displaystyle x_ {n} = x (t_ {n})}$, можно записать алгебраическое выражение:

${displaystyle x_ {n} = sum _ {k = -q} ^ {q} X_ {k} e ^ {frac {-i2pi kt_ {n}} {T}} + varepsilon _ {n}, t_ {n} {ext {произвольно}}, quad n = 1, точки, N.,}$

Обычно ${displaystyle t_ {n} = n, Delta t}$, но это не обязательно.

Вышеупомянутое уравнение можно записать в матричной форме как

${displaystyle WX = x + varepsilon.,}$

В наименьших квадратов решение вышеуказанного линейная система уравнений можно записать как:

${displaystyle {hat {X}} = (W ^ {H} W) ^ {- 1} W ^ {H} x,}$

куда ${displaystyle X ^ {H}}$ является сопряженным транспонированием ${displaystyle X}$, а сглаженный сигнал получается из:

${displaystyle {hat {x}} = W {hat {X}},}$

Первая производная сглаженного сигнала ${displaystyle {hat {x}}}$ можно получить из:

${displaystyle {frac {dx} {dt}} (t_ {n}) = sum _ {k = -q} ^ {q} {frac {-i2pi k} {T}} X_ {k} e ^ {frac { -i2pi kt_ {n}} {T}}, quad n = 1, точки, N.,}$

Двумерный регрессивный дискретный ряд Фурье (RDFS)

Двумерная или двумерная RDFS, предложенная Арруда (1992b), также может быть сформулирована простым способом. Здесь для простоты будет рассмотрен случай с одинаковыми интервалами данных. Общие случаи неравномерных и произвольных сеток приведены в ссылке (Arruda, 1992b). Учитывая матрицу выборочных данных (двумерную сигнал) ${displaystyle x_ {mn} = x (xi _ {m}, u _ {n}), m = 1, точки, M; n = 1, точки, N;}$ можно написать алгебраическое выражение:

${displaystyle x_ {mn} = sum _ {k = -p} ^ {p} sum _ {l = -q} ^ {q} X_ {kl} e ^ {frac {-i2pi kxi _ {m}} {L_ {xi}}} e ^ {frac {-i2pi lu _ {n}} {L_ {u}}} + varepsilon _ {mn}, quad m = 1, точки, M; n = 1, точки, N.,}$

Вышеприведенное уравнение можно записать в матричной форме для прямоугольной сетки. Для случая выборки с равным интервалом:${displaystyle xi _ {m} = mDelta xi, u _ {n} = nDelta u,}$ у нас есть:

${displaystyle x_ {mn} = sum _ {k = -p} ^ {p} sum _ {l = -q} ^ {q} X_ {kl} e ^ {frac {-i2pi kxi _ {m}} {L_ {xi}}} e ^ {frac {-i2pi lu _ {n}} {L_ {u}}} + эпсилон _ {mn}, quad m = 1, точки, M; n = 1, точки, N.,}$

В наименьших квадратов решение может быть показано как:

${displaystyle {hat {X}} = (W_ {L_ {xi}} ^ {H} W_ {L_ {xi}}) ^ {- 1} W_ {L_ {xi}} ^ {H} xW_ {L_ {u }} ^ {*} (W_ {L_ {u}} W_ {L_ {u}} ^ {H}) ^ {- 1},}$

а сглаженная двумерная поверхность определяется выражением:

${displaystyle {hat {x}} = W_ {L_ {xi}} {hat {X}} W_ {L_ {u}} ^ {t},}$

куда ${displaystyle X ^ {H}}$ является сопряженным, и ${displaystyle X ^ {t}}$ это транспонирование ${displaystyle X}$.

Дифференциация по ${displaystyle xi {ext {and}} u}$ может быть легко реализован аналогично одномерному случаю (Arruda, 1992b).

Текущие приложения

• Приложения для уплотнения пространственно-плотных данных: Арруда, J.R.F. [1993] применили RDFS для уплотнения пространственно плотных пространственных измерений, выполненных с помощью лазерный доплеровский виброметр до подачи заявки модальный анализ оценка параметров методы. Совсем недавно Vanherzeele et al. (2006,2008a) предложил обобщенную и оптимизированную RDFS для приложений того же типа. Обзор обработки оптических измерений с использованием RDFS был опубликован Vanherzeele et al. (2009).
• Приложения пространственной производной: Батиста и др. [2009] применили RDFS для получения пространственных производных двумерных измеренных данных вибрации для идентификации свойства материала от поперечных мод прямоугольных пластин.
• Приложения SHM: Vanherzeele et al. [2009] применил обобщенную версию RDFS к томография реконструкция.

Программного обеспечения

Недавно был разработан пакет, который включает в себя одно- и двумерную RDFS, чтобы упростить его использование в бесплатном программном обеспечении с открытым исходным кодом R:

• Пакет R для RDFS на Github

Смотрите также

• Дискретное преобразование Фурье
• Ряд Фурье

Рекомендации

• Арруда, J.R.F., 1992a: Анализ неравномерно распределенных данных с использованием регрессивного дискретного ряда Фурье. Журнал звука и вибрации, 156 (3), 571–574.
• Арруда, J.R.F., 1992b: Сглаживание поверхности и частные пространственные производные с использованием регрессивного дискретного ряда Фурье. Механические системы и обработка сигналов, 6 (1), 41–50.
• Арруда, J.R.F., 1993: Модальный анализ в пространственной области слабозатухающих структур с использованием лазерных измерителей скорости. Журнал вибрации и акустики, 115, 225–231.
• Батиста, Ф. Б., Альбукерке, Э. Л., Арруда, Дж. Р. Ф., Диас-младший, М., 2009: Определение жесткости на изгиб симметричных ламинатов с использованием регрессивных дискретных рядов Фурье и конечных разностей. Журнал звука и вибрации, 320, 793–807.
• Ванхерзеле, Дж., Гийом, П., Ванландуит, С., Верботен, П., 2006: Обработка данных с использованием обобщенного регрессивного дискретного ряда Фурье, Journal of Sound and Vibration, 298, 1–11.
• Ванхерзеле, Дж., Ванландуит, С., Гийом, П., 2008a: Сокращение пространственных данных с помощью оптимизированного регрессивного дискретного ряда Фурье, Journal of Sound and Vibration, 309, 858–867.
• Ванхерзеле, Дж., Лонго, Р., Ванландуит, С., Гийом, П., 2008b: Томографическая реконструкция с использованием обобщенного регрессивного дискретного ряда Фурье, Механические системы и обработка сигналов, 22, 1237–1247.
• Vanherzeele, J., Vanlanduit, S., Guillaume, P., 2009: Обработка оптических измерений с использованием регрессивного дискретного ряда Фурье, Оптика и лазеры в технике, 47, 461–472.