Résumé technique : Approximation de la transformée de Fourier à partir d'échantillons discrets non équidistants

Énoncé du problème

L'article traite de l'approximation numérique de la transformée de Fourier continue, $\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x)e^{-2\pi i x \xi} dx$, en utilisant un nombre fini d'échantillons. Alors que les approches classiques reposent sur un échantillonnage équidistant sur un domaine tronqué (souvent combiné avec une interpolation sinc ou la transformée de Fourier rapide), ces méthodes font face à des limitations intrinsèques. Plus précisément, les grilles équidistantes nécessitent de tronquer le domaine spatial infini, ce qui introduit des erreurs de troncature et impose un compromis entre la résolution spatiale près de l'origine et la couverture des queues asymptotiques. Ce compromis conduit souvent à un aliasing de phase sévère pour les composantes de haute fréquence et à de grandes constantes d'erreur pré-asymptotiques, particulièrement pour les fonctions présentant une décroissance algébrique ou à queue lourde.

La littérature existante, telle que [4], a établi des taux d'erreur optimaux pour l'échantillonnage équidistant en reliant le nombre d'échantillons, l'intervalle d'échantillonnage et la taille de la grille. Cependant, les auteurs étudient si des stratégies d'échantillonnage non équidistantes peuvent surpasser ces méthodes classiques, en particulier en adaptant la distribution d'échantillonnage aux propriétés de décroissance spécifiques de la fonction $f$ et de sa transformée de Fourier $\hat{f}$.

Méthodologie

L'approche proposée remplace la grille équidistante standard par un schéma d'échantillonnage déterministe non équidistant piloté par une fonction de densité de probabilité $\mu$. La méthodologie centrale comprend les étapes suivantes :

1. Changement de variables : Les auteurs utilisent la fonction de répartition inverse (CDF), $\Psi^{-1}$, d'une densité de probabilité $\mu$ choisie pour mapper les points équidistants $y_j = \frac{2j-1}{2M}$ de l'intervalle unité $[0, 1]$ vers la droite réelle $\mathbb{R}$. Les nœuds d'échantillonnage sont définis comme $x_j = \Psi^{-1}(y_j)$.
2. Quadrature transformée : Cette transformation compactifie le domaine infini $\mathbb{R}$ sur $[0, 1]$, éliminant ainsi le besoin de troncature spatiale explicite. La transformée de Fourier est approximée par une somme exponentielle pondérée (une somme de Riemann sur le domaine transformé) :
   $$\hat{f}(\xi) \approx \tilde{f}(\xi) = \frac{1}{M} \sum_{j=1}^{M} \frac{f(x_j)}{\mu(x_j)} e^{-2\pi i x_j \xi}.$$
   Cette somme peut être évaluée à des fréquences arbitraires à l'aide de la transformée de Fourier rapide non équidistante (NNFFT).
3. Cadre d'analyse d'erreur : L'analyse de l'erreur combine deux outils théoriques principaux :
   • Identité d'aliasing : Une identité exacte pour la règle du point milieu (Théorème 2.1) relie l'erreur de quadrature à la décroissance des coefficients de Fourier de l'intégrande transformé $g(y) = f(\Psi^{-1}(y)) \mu(\Psi^{-1}(y))^{-1} e^{-2\pi i \Psi^{-1}(y) \xi}$.
   • Estimations de la phase stationnaire : La décroissance de ces coefficients de Fourier est analysée à l'aide du lemme de van der Corput (Lemme 3.1) et d'arguments de phase stationnaire. L'analyse distingue les cas résonants (où la dérivée de la phase s'annule) et les cas non résonants.

Les auteurs étudient deux classes spécifiques de fonctions de poids pour définir la décroissance de $f$ et $\hat{f}$ :

• Décroissance polynomiale : $v(x) = (1+x^2)^{a/2}$ et $w(\xi) = (1+\xi^2)^{b/2}$.
• Décroissance (sub-)exponentielle : $v(x) = e^{r|x|^a}$ et $w(\xi) = e^{s|\xi|^b}$.

Pour la décroissance polynomiale, la densité d'échantillonnage $\mu$ est choisie comme une distribution polynomiale (liée à la distribution de Student-t) :
$$\mu(x) = C_{\alpha, \sigma} \left(1 + \frac{x^2}{\sigma^2}\right)^{-\alpha/2}.$$
Cette densité introduit deux paramètres réglables : l'exposant de queue $\alpha$ et la variance $\sigma$.

Contributions clés

1. Quadrature déterministe non équidistante

Le papier introduit une règle de quadrature déterministe pour la transformée de Fourier qui évite l'échantillonnage aléatoire (contrairement aux caractéristiques de Fourier aléatoires). En mappant les points équidistants via $\Psi^{-1}$, la méthode garantit des bornes d'erreur déterministes plutôt que des estimations probabilistes. La transformation gère naturellement le domaine infini sans troncature.

2. Estimations d'erreur exhaustives

Les auteurs dérivent des bornes d'erreur pour chaque fréquence $\xi \in \mathbb{R}$ et dans les normes $L^p(\mathbb{R})$ pour tout $p \geq 1$. Contrairement aux travaux précédents restreints aux fréquences équidistantes, ce cadre fournit un contrôle global de l'erreur. L'erreur est décomposée en une erreur de troncature (dans le domaine fréquentiel) et une erreur de discrétisation/aliasing.

3. Optimisation des paramètres d'échantillonnage

• Décroissance polynomiale : Pour les fonctions à décroissance polynomiale, les auteurs optimisent explicitement l'exposant de queue $\alpha$ de la densité d'échantillonnage pour équilibrer les termes d'erreur. Ils montrent qu'avec un $\alpha$ optimal, la méthode récupère le taux de convergence asymptotique de l'échantillonnage équidistant, $O(M^{-(a-1/2)(b-1/2)/(a+b-1)})$. Crucialement, il est montré que le paramètre de variance $\sigma$ réduit considérablement les constantes d'erreur pré-asymptotiques sans modifier le taux asymptotique.
• Décroissance (sub-)exponentielle : Pour les fonctions à décroissance exponentielle, le papier démontre que l'utilisation d'une densité polynomiale (plutôt qu'une densité exponentielle) produit des taux de décroissance d'erreur (sub-)exponentiels. Cela est dû au fait que les densités exponentielles peuvent introduire une non-régularité dans l'intégrande transformé, tandis que les densités polynomiales préservent la régularité nécessaire pour une convergence d'ordre élevé.

4. Validation numérique

Les expériences numériques confirment les résultats théoriques. Les résultats démontrent que la méthode non équidistante proposée atteint les mêmes taux de convergence asymptotique que l'échantillonnage équidistant optimal de [4], mais avec des erreurs pré-asymptotiques nettement plus faibles. La méthode est particulièrement efficace pour les fonctions présentant des pics aigus ou des queues lourdes, là où les grilles équidistantes éprouvent des difficultés.

Résultats

• Régime de décroissance polynomiale : Le papier établit que le schéma de quadrature mappé peut atteindre le même taux d'erreur asymptotique optimal que l'échantillonnage équidistant. Cependant, en ajustant la variance $\sigma$, la méthode réduit les constantes d'erreur pré-asymptotiques. Dans le régime de "queue lourde" où un équilibre optimal est impossible (en raison des contraintes d'intégrabilité sur $\alpha$), la méthode récupère tout de même le taux limite de l'échantillonnage équidistant.
• Régime de décroissance exponentielle : La méthode atteint des taux de décroissance d'erreur racine-exponentielle ou sub-exponentielle, comparables aux résultats classiques pour les fonctions analytiques. L'utilisation d'une densité polynomiale avec une variance $\sigma$ ajustée permet de réduire les erreurs d'approximation en pratique, même si l'exposant théorique est légèrement conservateur par rapport au cas équidistant idéal.
• Performance pré-asymptotique : Dans tous les scénarios testés, la méthode non équidistante surpasse la référence équidistante (avec interpolation sinc) en termes d'erreur absolue pour un nombre fixe d'échantillons $M$, principalement grâce à l'élimination de la troncature spatiale et au regroupement adaptatif des nœuds.

Signification et revendications

Le papier affirme que sa méthode proposée offre une alternative robuste à l'échantillonnage équidistant classique pour l'approximation de la transformée de Fourier. La principale signification réside dans l'élimination de la troncature spatiale, qui capture structurellement la droite réelle entière et maintient une haute résolution près de l'origine tout en intégrant les queues jusqu'à l'infini.

Les auteurs soulignent que, bien que les taux de convergence asymptotique pour la décroissance polynomiale correspondent à ceux de l'échantillonnage équidistant (établis dans [4]), les constantes d'erreur pré-asymptotiques sont considérablement réduites grâce à l'optimisation du paramètre de variance $\sigma$. Cela rend la méthode plus efficace dans les régimes de calcul pratiques où le nombre d'échantillons $M$ est fini.

De plus, le papier souligne que le choix d'une densité polynomiale est supérieur à une densité exponentielle pour les fonctions à décroissance exponentielle, car elle assure la régularité de l'intégrande transformé requise pour une convergence d'ordre élevé. Ce travail fournit un cadre déterministe qui complète les théories existantes sur l'échantillonnage équidistant, offrant une approche unifiée pour traiter la décroissance algébrique et exponentielle avec des distributions d'échantillonnage sur mesure.