🔬 optics

Coefficient-of-Determination Fourier Transform

Dieser Beitrag stellt einen neuartigen Algorithmus vor, der zeitliche Daten durch Analyse des Bestimmtheitsmaßes zwischen den Daten und künstlichen sinusförmigen Funktionen in eine hochauflösende spektrale Darstellung umwandelt und damit die Erzeugung spektraler Daten in beliebiger vom Benutzer definierter Auflösung ermöglicht, die präzise zurück in den zeitlichen Bereich transformiert werden können.

Ursprüngliche Autoren: Matthew David Marko

Veröffentlicht 2026-05-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Matthew David Marko

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben eine Aufnahme eines komplexen Sounds, wie etwa eines Chors, der gemeinsam singt. Sie möchten genau wissen, welche Töne (Frequenzen) sie treffen und wie laut jeder Ton ist. Normalerweise verwenden Sie dafür ein Werkzeug namens Fourier-Transformation. Betrachten Sie die traditionelle Fourier-Transformation als einen sehr strengen Bibliothekar, der Ihnen erlaubt, Bücher nur in einer bestimmten, vorab festgelegten Reihenfolge auszuleihen. Wenn Ihre Daten (die Choraufnahme) etwas „unscharf" oder von niedriger Qualität sind, kann der Bibliothekar Ihnen nur eine verschwommene Liste von Tönen geben, und Sie können keine weiteren Details anfordern, ohne von vorne zu beginnen.

Dieser Artikel stellt einen neuen, intelligenteren Bibliothekar namens CFT (Coefficient-of-Determination Fourier Transform) vor. So funktioniert er, unter Verwendung einfacher Analogien:

1. Das Problem: Die „Aliasing"-Falle

Der Autor beginnt damit, ein häufiges Problem aufzuzeigen. Wenn Sie ein Foto eines sich drehenden Ventilators mit einer langsamen Kamera aufnehmen, könnte der Ventilator so aussehen, als würde er sich rückwärts drehen oder stillstehen. In der Mathematik wird dies als „Nyquist-Grenze" bezeichnet. Wenn Ihre Datenpunkte in der Zeit zu weit auseinander liegen, geraten Standardwerkzeuge (wie die Fast Fourier Transformation oder FFT) in Verwirrung. Sie können keinen Unterschied zwischen einem tiefen Ton und einem hohen Ton erkennen, der zufällig zu diesen spezifischen Momenten gleich aussieht. Es ist, als würde man versuchen, die Melodie eines Songs zu erraten, indem man nur jede 10. Sekunde hört; man könnte denken, es sei eine langsame Ballade, während es tatsächlich ein schneller Rocksong ist.

2. Die Lösung: Der „Raten-und-Prüfen"-Detektiv

Anstatt eine starre Formel zu verwenden, agiert der CFT-Algorithmus wie ein Detektiv, der ein Spiel „Rate den Song" spielt.

Das Setup: Der Computer nimmt Ihre unordentlichen, qualitativ minderwertigen Daten (die Choraufnahme).
Das Spiel: Er generiert Tausende von perfekten, künstlichen „Test-Songs" (reine Sinuswellen) bei jeder einzelnen Frequenz, die Sie überprüfen möchten. Sie können ihn bitten, Frequenzen so eng beieinander zu prüfen, wie Sie möchten, selbst wenn Ihre ursprünglichen Daten sehr grob waren.
Der Vergleich: Für jeden Test-Song fragt der Computer: „Wie sehr ähnelt dieser Test-Song meinen unordentlichen Daten?"
- Er betrachtet nicht nur die Form; er berechnet einen Bestimmtheitsmaß-Koeffizienten ( $R^2$ ). Betrachten Sie dies als einen „Übereinstimmungswert" von 0 bis 1.
- Wenn der Test-Song perfekt mit den Daten übereinstimmt, beträgt der Wert 1.
- Bei einer kompletten Nichtübereinstimmung beträgt der Wert 0.
- Wenn es das genaue Gegenteil ist, beträgt der Wert -1.
Das Ergebnis: Der Computer speichert diese Übereinstimmungswerte. Hohe Werte bedeuten, dass diese spezifische Frequenz in Ihren Daten vorhanden ist. Indem dies sowohl für „Sinus"- als auch für „Cosinus"-Versionen der Test-Songs durchgeführt wird, ermittelt er nicht nur die Lautstärke (Amplitude), sondern auch den Zeitpunkt (Phase) der Töne.

3. Die Superkraft: Umkehrbarkeit

Das einzigartigste Merkmal dieser Methode ist, dass sie umkehrbar ist.

Traditionelle Methoden: Sobald Sie Ihre Daten mit Standardwerkzeugen in ein Spektrum umwandeln, können Sie sie oft nicht perfekt zurückverwandeln, insbesondere wenn die Daten eine niedrige Auflösung hatten. Es ist, als würde man ein Dokument zerfetzen und versuchen, es wieder zusammenzukleben; man verliert Teile.
CFT-Methode: Da der Algorithmus das Spektrum basierend darauf aufbaut, wie gut die Teile zusammenpassen, kann er dieses Spektrum nehmen und den ursprünglichen Sound perfekt rekonstruieren. Der Artikel zeigt, dass, wenn man die Daten in ein Spektrum umwandelt und dann zurück, das Ergebnis fast identisch mit dem Original aussieht (ein Übereinstimmungswert von 0,99999).

4. Was die Tests zeigten

Der Autor testete diesen „Detektiv" gegen den alten „Bibliothekar" (Standard-FFT) und eine andere fortschrittliche Methode (NDFT).

Der Test: Sie erstellten Sounds mit spezifischen Tönen (Frequenzen) und fügten etwas statisches Rauschen hinzu, um es schwer hörbar zu machen.
Das Ergebnis:
- Die alten Werkzeuge (FFT) wurden durch das Rauschen und die niedrige Auflösung verwirrt, verpassten oft die Töne oder rieten die falsche Tonhöhe.
- Der CFT-Detektiv fand die richtigen Töne mit unglaublicher Präzision und unterschied sogar zwischen Tönen, die sehr eng beieinander lagen.
- Als der CFT die Daten zurück in einen Sound verwandelte, klang er fast exakt wie das Original, selbst mit dem Rauschen.

Zusammenfassung

Kurz gesagt schlägt dieser Artikel eine neue Art vor, Daten zu analysieren, die nicht auf starren mathematischen Regeln basiert. Stattdessen verwendet sie ein Korrelationsspiel: „Passt diese spezifische Frequenz zu meinen Daten?"

Vorteil: Sie können so viele Details (Auflösung) anfordern, wie Ihr Computer bewältigen kann, unabhängig davon, wie „unscharf" Ihre ursprünglichen Daten waren.
Hauptmerkmal: Im Gegensatz zu anderen Methoden können Sie das Ergebnis nehmen und wieder in die ursprünglichen Daten verwandeln, ohne Informationen zu verlieren.
Einschränkung: Es ist eine „numerische" Methode, was bedeutet, dass es eine clevere Berechnung ist und nicht die „reine" mathematische Definition einer Fourier-Transformation. Für praktische Ingenieurwissenschaften und Naturwissenschaften funktioniert es jedoch besser als die traditionellen Werkzeuge, wenn die Daten begrenzt sind.

Der Autor kommt zu dem Schluss, dass diese Methode ein mächtiges Werkzeug ist, um die wahren „Töne" zu finden, die in unordentlichen, qualitativ minderwertigen Daten verborgen sind, und dass man ihr vertrauen kann, Ihnen das ursprüngliche Bild zurückzugeben, wenn Sie fertig sind.

Technische Zusammenfassung: Fourier-Transformierte des Bestimmtheitsmaßes (CFT)

Problemstellung
Der Beitrag behandelt die Einschränkungen herkömmlicher Methoden der diskreten Fourier-Transformation (DFT) und der schnellen Fourier-Transformation (FFT) bei der Anwendung auf zeitliche Daten mit begrenzter Auflösung. Bei Standard-Implementierungen von DFT/FFT ist die spektrale Auflösung streng proportional zur zeitlichen Abtastrate. Folglich kann das resultierende Spektrum, wenn die zeitlichen Daten spärlich sind oder eine niedrige Abtastrate aufweisen, keine Frequenzen höher als die Nyquist-Frequenz auflösen und auch keine Frequenzen unterscheiden, die auf dieselben diskreten Punkte aliasieren (z. B. Frequenzen $f=1$ und $f=9$ , die bei einem bestimmten $\delta t$ identisch erscheinen). Zwar existieren Methoden wie nicht-gleichmäßige diskrete Fourier-Transformationen (NDFT), um spezifische Abtastprobleme zu behandeln, doch stellt der Autor fest, dass die Rückgewinnung der ursprünglichen zeitlichen Funktion aus diesen spektralen Darstellungen oft eine rechenintensive Matrixanalyse erfordert, falls dies überhaupt möglich ist.

Methodik
Der Autor schlägt einen numerischen Algorithmus vor, der als Fourier-Transformierte des Bestimmtheitsmaßes (CFT) bezeichnet wird. Im Gegensatz zur analytischen Fourier-Transformation, die eine Funktion gegen komplexe Exponentialfunktionen integriert, arbeitet die CFT durch Berechnung der statistischen Korrelation zwischen den Eingangszeitdaten und einer Reihe von vom Benutzer definierten künstlichen sinusförmigen Funktionen.

Der Algorithmus läuft wie folgt ab:

Amplituden-Definition: Der Algorithmus bestimmt den Spitzen-zu-Spitzen-Bereich der Eingangszeitdaten, um eine Basisamplitude ( $A$ ) für die Spektralreihe festzulegen.
Sinus-Erzeugung: Für jede Frequenz ( $\omega_k$ ), die vom Benutzer innerhalb eines gewünschten Spektralbereichs definiert wird, generiert der Algorithmus zwei Referenzfunktionen: eine Kosinus-Funktion ( $\Phi_k$ ) und eine Sinus-Funktion ( $\hat{\Phi}_k$ ).
Berechnung des Bestimmtheitsmaßes (CoD): Der Algorithmus berechnet das Bestimmtheitsmaß ( $R^2$ $R^{2}$ ) zwischen den Eingangsdaten und sowohl der Sinus- als auch der Kosinus-Referenzfunktion.
- Das Bestimmtheitsmaß wird aus dem Korrelationskoeffizienten ( $R$ ) abgeleitet, wobei $R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$ .
- Die reelle Spektralkomponente entspricht dem $R^2$ der Kosinus-Übereinstimmung, und die imaginäre Komponente entspricht dem $R^2$ der Sinus-Übereinstimmung.
Normalisierung: Die resultierenden Spektralwerte werden gegen die Summe ihrer absoluten Werte normalisiert und mit der Basisamplitude $A$ skaliert.
Inverse Transformation: Ein definierendes Merkmal der CFT ist ihre Umkehrbarkeit. Die zeitliche Funktion wird rekonstruiert, indem die Reihe sinusförmiger Wellen, gewichtet mit den berechneten reellen und imaginären Spektralkomponenten, aufsummiert wird:
$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$

Hauptbeiträge

Vom Benutzer definierte Auflösung: Der primäre Beitrag ist die Entkopplung der spektralen Auflösung von der zeitlichen Abtastrate. Der Benutzer kann jeden Frequenzbereich und jede Auflösung (z. B. Schritte von 1 mHz) definieren, unabhängig von der zeitlichen Dichte der Eingangsdaten.
Umkehrbarkeit bei Daten niedriger Auflösung: Der Beitrag zeigt, dass die CFT zeitliche Daten mit begrenzter Auflösung in einen hochauflösenden Spektralbereich transformieren und, entscheidend, mit hoher Genauigkeit ( $R^2 > 0,99$ ) zurück in den Zeitbereich transformieren kann, eine Fähigkeit, die der Autor ohne übermäßige Rechenkosten mit herkömmlichen NDFT schwer zu erreichen behauptet.
Wiederherstellung von Phase und Amplitude: Die Methode erfasst erfolgreich sowohl spektrale Amplituden als auch Phaseninformationen, selbst bei Vorhandensein von zufälligem Rauschen und Phasenverschiebungen.

Ergebnisse
Der Beitrag stellt drei verschiedene Validierungsstufen vor:

Demonstration von Aliasing: Unter Verwendung von Funktionen mit den Frequenzen $f=1$ und $f=9$ , die bei $\delta t = 0,1$ abgetastet wurden, unterschied die CFT erfolgreich die beiden Frequenzen und ihre Phasenverschiebungen, während die NDFT keinen kohärenten Match für die inverse Transformation lieferte. Die inverse CFT-Transformation ergab für alle Testfälle $R^2$ -Werte von über 0,996.
Genauigkeit der Spitzenfrequenz: In einem Test mit vier sinusförmigen Komponenten (20,80 Hz, 38,38 Hz, 61,38 Hz, 77,55 Hz), die bei 50 Hz abgetastet wurden (unterhalb der Nyquist-Frequenz für die höheren Frequenzen), identifizierte die CFT die Spitzenfrequenzen mit deutlich höherer Genauigkeit als sowohl die herkömmliche FFT als auch die NDFT. So identifizierte die CFT für die 77,55-Hz-Komponente 77,58 Hz, während die FFT auf 50 Hz begrenzt war und die NDFT 78,37 Hz identifizierte. Die inverse Transformation der CFT-Daten stimmte mit der ursprünglichen Funktion mit $R^2 = 0,99999$ überein.
Parametrische Studie: Eine Studie mit 15 zufälligen Frequenzen (2–17 Zyklen) mit zufälligen Phasen, Amplituden und Rauschen zeigte, dass die CFT Spitzenfrequenzen mit einer Genauigkeit bis in den Bereich von zehn mHz vorhersagen konnte. Die Korrelation zwischen ursprünglichen und rekonstruierten Funktionen ergab konsistent $R^2 \geq 0,92$ .

Bedeutung und Behauptungen
Der Autor behauptet, dass die CFT eine praktische, funktionierende und umkehrbare Methode zur Gewinnung hochauflösender spektraler Daten aus zeitlichen Eingaben mit begrenzter Auflösung bietet. Der Beitrag stellt explizit fest, dass die CFT keine „wahre" analytische Fourier-Transformation ist (wie durch das Integral in Gleichung 1 definiert); vielmehr handelt es sich um eine Darstellung spektraler Amplituden basierend auf dem Korrelationskoeffizienten ( $R^2$ ) zwischen den Daten und sinusförmigen Basen.

Die Bedeutung liegt in der Fähigkeit des Algorithmus:

Die Nyquist-Grenze für die Frequenzidentifikation in spärlichen Daten zu überwinden.
Eine beliebige spektrale Auflösung zu bieten, die nur durch Rechenressourcen begrenzt ist.
Eine variable Auflösung innerhalb des Spektralbereichs zu ermöglichen (Fokus auf Spitzen ohne globale Kostensteigerung).
Eine robuste inverse Transformation zu ermöglichen, die die ursprüngliche zeitliche Form, Amplitude und Phase wiederherstellt, selbst wenn die Eingangsdaten verrauscht oder von niedriger Auflösung sind.

Der Beitrag kommt zu dem Schluss, dass die CFT, obwohl sie rechenintensiver ist als herkömmliche DFT oder NDFT, aufgrund ihrer Fähigkeit, Spitzenfrequenzen und Phasen mit hoher Genauigkeit zu charakterisieren, sowie ihrer einzigartigen Umkehrbarkeit, ein überlegenes Werkzeug für spezifische ingenieurtechnische Anwendungen ist, die zeitliche Daten mit begrenzter Auflösung betreffen.