Coefficient-of-Determination Fourier Transform

Resumen Técnico: Transformada de Fourier del Coeficiente de Determinación (CFT)

Enunciado del Problema
El artículo aborda las limitaciones de los métodos tradicionales de Transformada Discreta de Fourier (DFT) y Transformada Rápida de Fourier (FFT) cuando se aplican a datos temporales con resolución limitada. En las implementaciones estándar de DFT/FFT, la resolución espectral es estrictamente proporcional a la tasa de muestreo temporal. En consecuencia, si los datos temporales son escasos o tienen una tasa de muestreo baja, el dominio espectral resultante no puede resolver frecuencias superiores a la tasa de Nyquist, ni puede distinguir entre frecuencias que se aliasan en los mismos puntos discretos (por ejemplo, frecuencias $f=1$ y $f=9$ que aparecen idénticas en un $\delta t$ específico). Aunque existen métodos como las Transformadas Discretas de Fourier No Uniformes (NDFT) para manejar problemas específicos de muestreo, el autor señala que recuperar la función temporal original a partir de estas representaciones espectrales a menudo requiere un análisis matricial computacionalmente intensivo, si es posible en absoluto.

Metodología
El autor propone un algoritmo numérico denominado Transformada de Fourier del Coeficiente de Determinación (CFT). A diferencia de la Transformada de Fourier analítica, que integra una función contra exponenciales complejas, la CFT opera calculando la correlación estadística entre los datos temporales de entrada y una serie de funciones sinusoidales artificiales definidas por el usuario.

El algoritmo procede de la siguiente manera:

1. Definición de la Amplitud: El algoritmo determina el rango pico a pico de los datos temporales de entrada para establecer una amplitud base ($A$) para la serie espectral.
2. Generación Sinusoidal: Para cada frecuencia ($\omega_k$) definida por el usuario dentro de un dominio espectral deseado, el algoritmo genera dos funciones de referencia: una función coseno ($\Phi_k$) y una función seno ($\hat{\Phi}_k$).
3. Cálculo del Coeficiente de Determinación (CoD): El algoritmo calcula el Coeficiente de Determinación ($R^2$) entre los datos de entrada y ambas funciones de referencia, seno y coseno.
   • El CoD se deriva del coeficiente de correlación ($R$), donde $R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$.
   • El componente espectral real corresponde al $R^2$ de la coincidencia del coseno, y el componente imaginario corresponde al $R^2$ de la coincidencia del seno.
4. Normalización: Los valores espectrales resultantes se normalizan contra la suma de sus valores absolutos y se escalan por la amplitud base $A$.
5. Transformada Inversa: Una característica definitoria de la CFT es su invertibilidad. La función temporal se reconstruye sumando la serie de ondas sinusoidales ponderadas por los componentes espectrales reales e imaginarios calculados:
   $$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$$

Contribuciones Clave

• Resolución Definida por el Usuario: La contribución principal es la desacoplamiento de la resolución espectral de la tasa de muestreo temporal. El usuario puede definir cualquier rango y resolución de frecuencia (por ejemplo, pasos de 1 mHz) independientemente de la densidad temporal de los datos de entrada.
• Invertibilidad con Datos de Baja Resolución: El artículo demuestra que la CFT puede transformar datos temporales de resolución limitada en un dominio espectral de alta resolución y, crucialmente, transformarlos de nuevo al dominio temporal con alta fidelidad ($R^2 > 0.99$), una capacidad que el autor afirma es difícil de lograr con NDFT estándar sin un costo computacional excesivo.
• Recuperación de Fase y Magnitud: El método captura con éxito tanto la magnitud espectral como la información de fase, incluso en presencia de ruido aleatorio y desplazamientos de fase.

Resultados
El artículo presenta tres etapas distintas de validación:

1. Demostración de Aliasing: Utilizando funciones con frecuencias $f=1$ y $f=9$ muestreadas en $\delta t = 0.1$, la CFT distinguió con éxito las dos frecuencias y sus desplazamientos de fase, mientras que la NDFT no pudo proporcionar una coincidencia coherente para la transformada inversa. La transformada inversa de la CFT produjo valores de $R^2$ superiores a 0.996 para todos los casos de prueba.
2. Precisión de la Frecuencia de Pico: En una prueba que involucraba cuatro componentes sinusoidales (20.80 Hz, 38.38 Hz, 61.38 Hz, 77.55 Hz) muestreados a 50 Hz (por debajo de la tasa de Nyquist para las frecuencias más altas), la CFT identificó las frecuencias de pico con una precisión significativamente mayor que tanto la FFT tradicional como la NDFT. Por ejemplo, para el componente de 77.55 Hz, la CFT identificó 77.58 Hz, mientras que la FFT se limitó a 50 Hz y la NDFT identificó 78.37 Hz. La transformada inversa de los datos de la CFT coincidió con la función original con $R^2 = 0.99999$.
3. Estudio Paramétrico: Un estudio que involucraba 15 frecuencias aleatorias (2–17 ciclos) con fases, magnitudes y ruido aleatorios mostró que la CFT podía predecir frecuencias de pico con una precisión de hasta decenas de mHz. La correlación entre las funciones originales y reconstruidas produjo consistentemente $R^2 \geq 0.92$.

Significado y Afirmaciones
El autor afirma que la CFT ofrece un método práctico, funcional e invertible para obtener datos espectrales de alta resolución a partir de entradas temporales de resolución limitada. El artículo establece explícitamente que la CFT no es una Transformada de Fourier analítica "verdadera" (tal como se define por la integral en la Ecuación 1); más bien, es una representación de magnitudes espectrales basada en el coeficiente de correlación ($R^2$) entre los datos y las bases sinusoidales.

El significado radica en la capacidad del algoritmo para:

• Superar el límite de Nyquist para la identificación de frecuencias en datos dispersos.
• Proporcionar resolución espectral arbitraria limitada solo por los recursos computacionales.
• Permitir una resolución variable dentro del dominio espectral (enfocándose en picos sin aumentar el costo globalmente).
• Habilitar una transformada inversa robusta que recupera la forma temporal original, la magnitud y la fase, incluso cuando los datos de entrada son ruidosos o de baja resolución.

El artículo concluye que, aunque la CFT es computacionalmente más costosa que la DFT o NDFT tradicionales, su capacidad para caracterizar frecuencias y fases de pico con alta precisión, y su invertibilidad única, la convierten en una herramienta superior para aplicaciones de ingeniería específicas que involucran datos temporales limitados.