🔢 mathematics

The uncertainty principles of random signals related to the linear canonical transform

Diese Arbeit etabliert Heisenberg- und Donoho-Stark-Unschärfeprinzipien für Zufallssignale innerhalb des Rahmens der linearen kanonischen Transformation (LCT) und zeigt auf, dass die Parameter der LCT eine größere Flexibilität bei der Charakterisierung der Signal-Konzentration als die traditionelle Fourier-Transformation bieten.

Ursprüngliche Autoren: Jia-Yin Peng, Bing-Zhao Li

Veröffentlicht 2026-06-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jia-Yin Peng, Bing-Zhao Li

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 versuchen, eine komplexe, sich verändernde Rauchwolke zu beschreiben. Manchmal ist der Rauch an einer Stelle dick, und manchmal breitet er sich aus. Stellen Sie sich nun vor, dieser Rauch ist nicht nur eine einzelne Wolke, sondern eine zufällige Wolke, die ihre Form jedes Mal ändert, wenn man sie betrachtet – wie eine Wolke, die sich je nach Wind oder Temperatur anders verhält.

In dieser Arbeit geht es um ein mathematisches Regelwerk zum Verständnis dieser „zufälligen Wolken“ (zufälliger Signale), wenn wir sie durch eine spezielle, flexible Linse namens Linearer Kanonischer Transformation (LCT) betrachten.

Hier ist die Aufschlüsselung der Hauptideen der Arbeit unter Verwendung einfacher Analogien:

1. Das Problem: Der „neblige“ Kompromiss

In der Welt der Signale (wie Ton oder Radiowellen) gibt es eine berühmte Regel, die Unschärferelation genannt wird. Denken Sie an den Versuch, ein Foto von einem schnell fahrenden Auto zu machen.

Wenn Sie eine kurze Verschlusszeit verwenden, erhalten Sie ein scharfes Bild der Position des Autos (Zeit), aber Sie können nicht sagen, wie schnell es fährt (Frequenz).
Wenn Sie eine langsame Verschlusszeit verwenden, um die Geschwindigkeit (Frequenz) zu sehen, wirkt das Auto verschwommen, und Sie verlieren seine exakte Position.

Man kann nicht gleichzeitig in beiden Bereichen perfekte Klarheit haben. Diese Arbeit fragt: Was passiert, wenn das Auto selbst unvorhersehbar ist? Was ist, wenn das Auto ein „zufälliges Signal“ ist, das sein Verhalten jedes Mal ändert, wenn man versucht, es zu messen?

2. Das Werkzeug: Die „magische Zoom-Linse“ (LCT)

Normalerweise verwenden Wissenschaftler eine Standardlinse namens Fourier-Transformation, um Signale zu betrachten. Das ist wie ein fest eingestelltes Zoomobjektiv, das nur die Geschwindigkeit oder die Position zeigt, aber nicht beides gut zugleich.

Die Autoren verwenden eine Lineare Kanonische Transformation (LCT). Betrachten Sie die LCT als eine magische, einstellbare Zoom-Linse.

Sie können an dieser Linse an einem Regler drehen (die Parameter $a, b, c, d$ ändern).
Je nachdem, wie Sie den Regler drehen, kann die Linse eine Mischung aus Zeit und Frequenz zeigen oder auf bestimmte Muster fokussieren.
Die Arbeit zeigt, dass uns diese Linse, da sie einstellbar ist, mehr Freiheit gibt, um den Kompromiss zwischen Zeit und Frequenz zu bewältigen, als die Standardlinse.

3. Die erste Entdeckung: Die Regel der „Zufälligen Nebelwand“ (Heisenberg-Unschärfe)

Die Autoren haben eine neue Version der Unschärferelation für diese zufälligen Wolken entwickelt.

Die alte Regel: Für ein vorhersagbares Signal hat das Produkt aus „Unschärfe in der Zeit“ und „Unschärfe in der Frequenz“ eine harte Untergrenze. Man kann nicht schärfer werden als ein gewisses Limit.
Die neue Regel: Für zufällige Signale ist diese Grenze nicht einfach eine feste Zahl. Sie hängt von zwei Dingen ab:
1. Wie „zufällig“ das Signal ist (sein inneres Chaos).
2. Wie Sie die Regler an Ihrer magischen Linse einstellen (die LCT-Parameter).

Die Analogie: Stellen Sie sich vor, Sie versuchen, die durchschnittliche Form einer Wolke zu erraten, die sich jede Sekunde verändert. Die Arbeit beweist, dass die „Unschärfe“ Ihrer Vermutung davon abhängt, wie sehr die Wolke zappelt (Zufälligkeit) und aus welchem spezifischen Winkel Sie sie betrachten (die LCT-Einstellungen). Wenn Sie den richtigen Winkel wählen, können Sie die Unschärfe tatsächlich stärker reduzieren, als dies mit der Standardlinse möglich wäre.

4. Die zweite Entdeckung: Die „Puzzleteil“-Regel (Donoho-Stark-Unschärfe)

Der zweite Teil der Arbeit befasst sich mit einer anderen Art von Grenze. Stellen Sie sich vor, Sie haben ein Puzzle, aber einige Teile fehlen.

Die Frage: Kann ein zufälliges Signal gleichzeitig in eine winzige Box in der „Zeit“ UND in eine winzige Box in der „Frequenz“ gequetscht werden?
Die Antwort: Nein. Die Arbeit beweist, dass es fehlschlägt, wenn man versucht, ein zufälliges Signal in beiden Bereichen gleichzeitig sehr klein zu machen.
Die Wendung: Die Größe der Boxen, die man verwenden kann, hängt von der Wahrscheinlichkeit ab, mit der das Signal auf eine bestimmte Weise auftritt. Es geht nicht nur um die Größe der Box; es geht darum, wie wahrscheinlich es ist, dass das Signal in dieser Box zu finden ist.

Die Analogie: Wenn Sie eine zufällige Wolke haben, können Sie nicht sagen: „Sie wird definitiv in dieser winzigen Ecke des Himmels UND in dieser winzigen Ecke der Windkarte sein.“ Die Arbeit liefert eine Formel für die kleinste mögliche „Ecke“, die man beanspruchen kann, welche sich ändert, bas nachdem wie die zufällige Wolke sich verhält und wie man seine magische Linse einstellt.

5. Der Ertrag: Defekte Signale reparieren

Die Arbeit endet mit dem Nachweis, wie diese Regeln helfen, defekte Signale zu reparieren.
Stellen Sie sich vor, Sie versuchen, ein Lied zu rekonstruieren, aber Teile der Aufnahme fehlen oder sind von statischem Rauschen überlagert.

Da die Autoren genau wissen, wie „klein“ das Signal in Zeit und Frequenz gleichzeitig sein kann (dank der oben genannten Regeln), können sie beweisen, dass das ursprüngliche Lied eindeutig und sicher wiederhergestellt werden kann, sofern die fehlenden Teile nicht zu groß sind.
Sie zeigen, dass die Verwendung der einstellbaren LCT-Linse die Rekonstruktion dieser Signale im Vergleich zur Standardlinse erleichtert, da die LCT mehr Flexibilität bietet, um das Signal in die verfügbaren Daten einzupassen.

Zusammenfassung

Kurz gesagt: Diese Arbeit nimmt die berühmte Regel, dass „man nicht alles gleichzeitig wissen kann“, und aktualisiert sie für unvorhersehbare, zufällige Signale. Sie führt eine flexible, einstellbare Linse (LCT) ein, die es Wissenschaftlern ermöglicht:

Genau zu berechnen, wie unscharf ein zufälliges Signal sein wird.
Zu bestimmen, was die kleinste mögliche „Box“ ist, in die ein Signal passt.
Zu beweisen, dass wir fehlende Teile von zufälligen Signalen durch die Verwendung dieser flexiblen Linse effektiver rekonstruieren können.

Der Kernpunkt ist, dass Zufälligkeit eine neue Ebene der Komplexität hinzufügt, wir aber mit den richtigen mathematischen Werkzeugen (der LCT) diese Signale immer noch besser vorhersagen und kontrollieren können als zuvor.

Technisches Resümee: Unschärfeprinzipien von Zufallssignalen im Zusammenhang mit der Linearen Kanonischen Transformation

Problemstellung
Unschärfeprinzipien sind fundamentale Werkzeuge der harmonischen Analyse und Signalverarbeitung, die den Kompromiss zwischen der Lokalisierung eines Signals im Zeitbereich und im Frequenzbereich charakterisieren. Während das Heisenberg-Unschärfeprinzip (HUP) und das Donoho-Stark-Unschärfeprinzip (DSUP) für deterministische Signale gut etabliert sind und auf Zufallssignale im Bereich der Fourier-Transformation (FT) erweitert wurden, besteht eine Lücke im theoretischen Rahmen bezüglich Zufallssignalen im Bereich der Linearen Kanonischen Transformation (LCT). Reale Signale weisen oft sowohl Nichtstationarität als auch zufällige Variationen aufgrund von Umgebungseinflüssen oder Messrauschen auf. Die LCT, welche die FT und die Fraktionale Fourier-Transformation (FrFT) generalisiert, bietet durch die Auswahl von Parametern eine größere Flexibilität bei der Analyse solcher Signale. Die Unschärfegrenzen für Zufallssignale spezifisch innerhalb des LCT-Rahmens waren jedoch bisher nicht rigoros formuliert worden.

Methodik
Die Autoren gehen dieses Problem an, indem sie die LCT von Zufallssignalen auf einem Wahrscheinlichkeitsraum $(\Omega, \mathcal{F}, P)$ formulieren. Ein Zufallssignal wird als $f(t, \eta) = \psi(t, \eta)e^{j\theta(t, \eta)}$ definiert, wobei $\eta$ den Zufallsparameter darstellt. Die Methodik gliedert sich in drei Hauptphasen:

Mathematische Formulierung: Die Arbeit definiert die LCT, FrFT und FT für Zufallssignale und legt die notwendigen Definitionen für Mittelwerte und Varianzen (Dauer) im LCT-Bereich fest.
Ableitung des HUP: Unter Verwendung der Eigenschaften des LCT-Kerns und des Parsevalschen Theorems leiten die Autoren eine Identität für die Varianz der LCT-Frequenz her. Durch Anwendung der Cauchy-Schwarz-Ungleichung auf die Zeit- und LCT-Bereich-Varianzen etablieren sie das Heisenberg-Unschärfeprinzip für Zufallssignale.
Ableitung des DSUP: Die Autoren verwenden die Operatorentheorie, indem sie insbesondere zeit- und frequenzlimitierende Operatoren im LCT-Bereich definieren. Sie berechnen die Hilbert-Schmidt-Norm der Komposition dieser Operatoren. Unter Verwendung der Beziehung zwischen der Operatormasse und der Hilbert-Schmidt-Norm leiten sie das Donoho-Stark-Unschärfeprinzip ab, welches die Maße der Zeit- und Frequenzmengen mit der Wahrscheinlichkeit ihrer Schnittmenge in Beziehung setzt.

Kernbeiträge und Ergebnisse

Heisenberg-Unschärfeprinzip (HUP) für Zufallssignale in der LCT:
Die Arbeit stellt fest, dass das Produkt der erwarteten Zeitvarianz und der erwarteten LCT-Frequenzvarianz durch folgende Ungleichung begrenzt ist:
$E_\eta[\sigma^2_t(\eta)]E_\eta[\sigma^2_u(\eta)] \geq \frac{b^2}{4} + \left[ \int_\Omega \int_{-\infty}^{\infty} |(t - \mu_t)(at + b\partial_t\theta(t, \eta) - \mu_u)| \psi^2(t, \eta) dt dP \right]^2$
Hierbei sind $a$ und $b$ Parameter aus der LCT-Matrix $A = \begin{bmatrix} a & b \\ c & d \end{bmatrix}$ . Das Ergebnis zeigt explizit, dass die Unschärfegrenze vom LCT-Parameter $b$ und dem Phasengradienten des Zufallssignals abhängt.
Donoho-Stark-Unschärfeprinzip (DSUP) für Zufallssignale in der LCT:
Die Autoren beweisen, dass ein Zufallssignal nicht gleichzeitig auf beliebig kleinen Mengen sowohl im Zeit- als auch im LCT-Frequenzbereich konzentriert sein kann. Konkret gilt, wenn ein Signal $\epsilon$ -konzentriert auf den Mengen $T$ und $U$ mit den zugehörigen Zufallsereignis-Mengen $B_T$ und $B_U$ ist, die folgende Ungleichung:
$\frac{1}{2\pi|b||U||T|P(B_T \cap B_U)} \geq (1 - \epsilon_{B_T \times T} - \epsilon_{B_U \times U})^2$
Dieses Ergebnis deutet darauf hin, dass die gleichzeitige Konzentration nicht nur durch die Lebesgue-Maße der Mengen, sondern auch durch die Wahrscheinlichkeit der Schnittmenge der Zufallsereignisse und den LCT-Parameter $b$ beschränkt ist.
Spezialfälle:
Die Arbeit zeigt, dass die abgeleiteten Ergebnisse im LCT-Bereich natürlich zu bekannten Ergebnissen im FrFT-Bereich (durch Festlegung spezifischer LCT-Parameter) und im FT-Bereich (durch Festlegung von $A = \begin{bmatrix} 0 & 1 \\ -1 & 0 \end{bmatrix}$ ) reduzieren.
Signalrekonstruktion:
Basierend auf dem DSUP präsentiert die Arbeit Stabilitätsergebnisse für die Rekonstruktion von Zufallssignalen aus unvollständigen oder fehlenden Beobachtungen im LCT-Bereich. Es werden Bedingungen etabliert, unter denen eine eindeutige und stabile Rekonstruktion möglich ist, sofern das Produkt der Mengenmaße und die Schnittmengenwahrscheinlichkeit spezifische Grenzen in Bezug auf den LCT-Parameter $b$ erfüllt.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass ihre Ergebnisse einen vereinheitlichten theoretischen Rahmen für die Analyse von Zufallssignalen mit sowohl nichtstationären als auch zufälligen Charakteristika bieten. Die primäre Bedeutung liegt in der expliziten Abhängigkeit der Unschärfegrenzen von den LCT-Parametern. Die Autoren führen aus, dass diese Abhängigkeit darauf hindeutet, dass die LCT im Vergleich zur Standard-Fourier-Transformation eine größere Flexibilität bietet, um das Gleichgewicht zwischen Zeit- und Frequenzlokalisierung zu steuern.

Die Arbeit wird als sowohl theoretisch als auch praktisch bedeutsam dargestellt, insbesondere für:

Die Charakterisierung der Zeit-Frequenz-Lokalisierung von Zufallssignalen.
Die Erleichterung der Rekonstruktion von Zufallssignalen aus unvollständigen oder teilweise fehlenden Beobachtungen.

Die Arbeit schlägt keine neuen experimentellen Aufbauten oder spezifischen Anwendungsszenarien vor, die über diese theoretischen Charakterisierungen und Rekonstruktionsgarantien hinausgehen, und konzentriert sich stattdessen auf die mathematische Generalisierung der Unschärfeprinzipien auf den stochastischen LCT-Bereich.