⚡ electrical engineering

Complex Orthogonal Decomposition (C.O.D.) using Python

यह शोधपत्र दोलनी संकेतों (oscillatory signals) से स्थानिक और लौकिक मोड (spatial and temporal modes) निकालने के लिए कॉम्प्लेक्स ऑर्थोगोनल डिकंपोजिशन (C.O.D.) विधि प्रस्तुत करता है, जो उन स्पैटियो-टेम्पोरल डेटा के विश्लेषण में इसकी प्रभावशीलता को प्रदर्शित करने के लिए सैद्धांतिक आधार और पायथन-आधारित उदाहरण प्रदान करता है जहाँ चरण संबंधी जानकारी (phase information) महत्वपूर्ण होती है।

मूल लेखक: Marc Vacher, Stéphane Perrard, Sophie Ramananarivo

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marc Vacher, Stéphane Perrard, Sophie Ramananarivo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप मछलियों के एक झुंड को तैरते हुए देख रहे हैं। नग्न आंखों से देखने पर, वे एक अराजक, टेढ़े-मेढ़े ढेर की तरह दिखते हैं। लेकिन यदि आप समय को रोक सकें और करीब से देख सकें, तो आप देखेंगे कि हर मछली एक बहुत ही विशिष्ट, लयबद्ध पैटर्न में चल रही है। समस्या यह है कि उनके शरीर केवल एक साधारण पेंडुलम की तरह आगे-पीछे नहीं हिल रहे हैं; लहर का रूप उनके शरीर में जटिल तरीकों से आगे बढ़ता है।

लहरों का विश्लेषण करने के लिए मानक उपकरण (जैसे कि एक मानक फूरियर ट्रांसफॉर्म) केवल सीधी क्षैतिज और ऊर्ध्वाधर रेखाओं का उपयोग करके एक जटिल पेंटिंग का वर्णन करने की कोशिश करने जैसा है। वे सरल, दोहराव वाले पैटर्न के लिए तो बहुत अच्छे हैं, लेकिन वे तैरती हुई मछली या टैंक में लहराती लहर जैसी अव्यवस्थपूर्ण, जैविक वास्तविकता के साथ संघर्ष करते हैं। वे डेटा को एक ऐसे बॉक्स में फिट करने की कोशिश करते हैं जो उसके अनुकूल नहीं है।

यह शोध पत्र एक नया, अधिक स्मार्ट टूल पेश करता है जिसे कॉम्प्लेक्स ऑर्थोगोनल डिकंपोजिशन (C.O.D.) कहा जाता है। C.O.D. को एक "जादुई डिकोडर रिंग" के रूप में सोचें जो टेढ़ी-मेढ़ी, चलती हुई चीजों के लिए बनी है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. "घोस्ट" सिग्नल (हिल्बर्ट ट्रांसफॉर्म)

वास्तविक दुनिया के सिग्नल (जैसे पानी की लहर की ऊंचाई) केवल ऊपर-नीचे जाने वाली संख्याएं होते हैं। लेकिन लहरों के दो छिपे हुए रहस्य होते हैं: वे कितनी बड़ी हैं (आयाम/एम्प्लीट्यूड) और वे अपने चक्र में कहाँ हैं (फेज)।

इन रहस्यों को देखने के लिए, C.O.D. सिग्नल का एक "घोस्ट" (भूतिया) संस्करण बनाता है। यह वास्तविक लहर को लेता है और इसमें खुद का एक "शैडो" (परछाईं) संस्करण जोड़ देता है जो 90 डिग्री शिफ्ट किया गया होता है।

उपमा: कल्पना कीजिए कि एक नर्तक घूम रहा है। वास्तविक सिग्नल नर्तक की स्थिति है। "घोस्ट" सिग्नल दीवार पर उसकी परछाईं है। नर्तक और उसकी परछाईं दोनों को एक साथ देखकर, आप 2D गति के बजाय पूर्ण 3D रोटेशन देख सकते हैं। यह "कॉम्प्लेक्स" सिग्नल गणित को यह समझने में मदद करता है कि लहर किस दिशा में चल रही है।

2. "अनमिकिंग" प्रक्रिया (डिकंपोजिशन)

एक बार जब सिग्नल "घोस्टेड" हो जाता है, तो C.O.D. इसे इसके सबसे सरल बिल्डिंग ब्लॉक्स में तोड़ने की कोशिश करता है। यह पूछता है: "क्या मैं इस पूरी अव्यवस्थित गति को कुछ सरल, स्वतंत्र पैटर्न के योग के रूप में वर्णित कर सकता हूँ?"

स्पेशियल मोड्स (आकार): ये लहर द्वारा बनाए गए "जमे हुए" आकार हैं। क्या यह एक एकल उभार है? दो उभार वाला? या एक क्यूबिक वक्र?
टेम्पोरल कोएफिशिएंट्स (लय): ये वे "टाइमर" हैं जो आकारों को यह बताते हैं कि उन्हें समय के साथ कैसे हिलना, बढ़ना या सिकुड़ना है।

जादुई ट्रिक: C.O.D. यह सुनिश्चित करता है कि ये आकार ऑर्थोगोनल (लंबकोणीय) हों।

उपमा: एक पियानो के बारे में सोचें। यदि आप "C" की और "E" की को दबाते हैं, तो वे एक कॉर्ड बनाते हैं, लेकिन वे अलग-अलग स्वर हैं। यदि आप दो ऐसी कुंजियाँ दबाते हैं जो बिल्कुल एक जैसी हैं, तो आपको केवल उसी स्वर का एक तेज़ संस्करण मिलता है। C.O.D. उन "चाबियों" (आकारों) को खोजता है जो एक-दूसरे से पूरी तरह अलग हैं, ताकि वह एक जटिल कॉर्ड (मछली का तैरना) को उसके व्यक्तिगत नोट्स (विशिष्ट शारीरिक लहरों) में अलग कर सके।

3. "ट्रैवलिंग इंडेक्स" (स्टैंडिंग बनाम मूविंग)

इस पद्धति की सबसे शानदार विशेषताओं में से एक ट्रैवलिंग इंडेक्स है। यह 0 और 1 के बीच की एक संख्या है जो आपको बताती है कि आप किस प्रकार की लहर देख रहे हैं।

0 (स्टैंडिंग वेव): कल्पना कीजिए कि एक जंप रोप (कूदने वाली रस्सी) को ऊपर-नीचे हिलाया जा रहा है। रस्सी अपनी जगह पर ऊपर-नीचे होती है, लेकिन "उभार" बाएं या दाएं नहीं चलता। इंडेक्स 0 है।
1 (ट्रैवलिंग वेव): कल्पना कीजिए कि एक सांप रेंग रहा है। लहर सिर से पूंछ तक चलती है। इंडेक्स 1 है।
0.5 (मिश्रण): अधिकांश वास्तविक दुनिया की लहरें इनके बीच में कहीं होती हैं। C.O.D. आपको यह बताने के लिए एक सटीक संख्या देता है कि "यह लहर 70% ट्रैवलिंग है और 30% स्टैंडिंग है।"

यह शोध पत्र क्या प्रदर्शित करता है

लेखकों ने यह साबित करने के लिए कि यह काम करता है, तीन अलग-अलग परिदृश्यों पर इस "जादुई डिकोडर" का परीक्षण किया:

फिश टैंक (पानी की लहरें): उन्होंने टैंक में लहरों का अनुकरण किया। यहाँ तक कि जब दो अलग-अलग लहरें आपस में मिली हुई थीं, तब भी C.O.D. ने तुरंत उन्हें अलग किया, उनके आकार की पहचान की, और उन्हें बताया कि प्रत्येक लहर में कितनी ऊर्जा थी। यह एक स्मूदी को उसके मूल फलों में वापस अलग करने जैसा था।
फेडिंग वेव (मंद पड़ती लहर): उन्होंने एक लहर को देखा जो धीरे-धीरे खत्म हो रही थी (डैम्पिंग)। मानक उपकरण अक्सर भ्रमित हो जाते हैं जब कोई लहर समय के साथ अपनी गति या आकार बदलती है। C.O.D. ने इसे कुशलतापूर्वक संभाला, और सही ढंग से पहचाना कि यह एक ही आकार था जो बस शांत होता जा रहा था।
कैमेलियन वेव (फ्रीक्वेंसी मॉड्यूलेशन): उन्होंने एक ऐसी लहर बनाई जो लगातार अपना लय बदल रही थी (जैसे सायरन की पिच ऊपर-नीचे होना)। भले ही "संगीत" बदल रहा था, लेकिन लहर का "आकार" वही रहा। C.O.D. ने महसूस किया, "हे, यह सिर्फ एक ही आकार है जो एक जटिल नृत्य कर रहा है," और इसे कई अलग-अलग आकारों के रूप में सोचने की गलती नहीं की।

आपको इसकी परवाह क्यों करनी चाहिए?

यदि आप मछली के तैरने, समुद्र की लहरों, या यहाँ तक कि हवा में एक पुल के कंपन का अध्ययन करने वाले वैज्ञानिक हैं, तो आप ऐसे सिग्नल्स के साथ काम कर रहे हैं जो अस्त-व्यस्त और बदलते रहते हैं।

पुराना तरीका: आप डेटा को एक सरल बॉक्स में डालने की कोशिश करते हैं, और आप जानकारी खो देते हैं। आप इस तथ्य को मिस कर सकते हैं कि एक मछली एक विशिष्ट बॉडी कर्व के कारण अधिक कुशलता से तैर रही है।
C.O.D. तरीका: आप डेटा को अपनी कहानी खुद बताने देते हैं। यह छिपे हुए आकारों और लय को स्वचालित रूप से खोज लेता है, भले ही वे बदल रहे हों, कम हो रहे हों, या मिल रहे हों।

यह शोध पत्र पायथन कोड (कंप्यूटर के लिए निर्देशों का एक सेट) भी प्रदान करता है ताकि कोई भी इस टूल का उपयोग कर सके। यह सभी को एक नए चश्मे के समान है जो उन्हें अराजकता के भीतर छिपी संरचना को देखने की अनुमति देता है।

संक्षेप में: C.O.D. एक अव्यवस्थित, चलती हुई तस्वीर को उसके सबसे स्वच्छ, सबसे समझने योग्य हिस्सों में तोड़ने का एक परिष्कृत तरीका है, जो आपको सटीक रूप से बताता है कि क्या चल रहा है, कैसे चल रहा है, और कहाँ जा रहा है।

यहाँ मार्क वाचर, स्टेफ़न पेराड और सोफी रामाननारिवो के शोध पत्र "Complex Orthogonal Decomposition (C.O.D.) using Python" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्थानिक-कालिक संकेतों ( $s(t, x)$ ) के विश्लेषण की चुनौती को संबोधित करता है जो दोलनकारी भौतिक घटनाओं (जैसे, तरल तरंगें, मछली के तैरने की गतिशीलता) का प्रतिनिधित्व करते हैं।

पारंपरिक विधियों की सीमाएँ: मानक फूरियर विश्लेषण स्थानिक आवधिकता (spatial periodicity) मानता है और अक्सर तब विफल हो जाता है जब तरंग का स्थानिक रूप अज्ञात, गैर-आवधिक, या जटिल होता है (जैसे, तैरती हुई मछली के शरीर की तरंग)। इसी तरह, मानक प्रोपर ऑर्थोगोनल डिकंपोजिशन (POD) आमतौर पर वास्तविक-मान (real-valued) डेटा पर लागू किया जाता है और यह उन चरण संबंधों (phase relationships) को पूरी तरह से पकड़ने में विफल हो सकता है जो खड़ी (standing) और यात्रा करती (traveling) तरंगों के बीच अंतर करने के लिए आवश्यक हैं।
लक्ष्य: ऐसे दोलनकारी संकेतों से विशिष्ट स्थानिक मोड (spatial modes) और अस्थायी गुणांकों (temporal coefficients) को निकालना जहाँ चरण की जानकारी महत्वपूर्ण है, और तरंग गति की प्रकृति (खड़ी बनाम यात्रा करती तरंग) को मापना।

2. कार्यप्रणाली: कॉम्प्लेक्स ऑर्थोगोनल डिकंपोजिशन (C.O.D.)

लेखक एक कॉम्प्लेक्स एनालिटिक सिग्नल के अपघटन (decomposition) पर आधारित एक गणितीय ढांचा प्रस्तावित करते हैं, न कि कच्चे वास्तविक सिग्नल पर। यह कार्यप्रणाली निम्नलिखित चरणों से मिलकर बनी है:

A. सिग्नल निर्माण (Hilbert Transform)

एनालिटिक सिग्नल: एक वास्तविक-मान वाले सिग्नल $s(t, x)$ के लिए, टाइम डोमेन में हिल्बर्ट ट्रांसफॉर्म का उपयोग करके एक कॉम्प्लेक्स एनालिटिक सिग्नल $s_c(t, x)$ बनाया जाता है:
$s_c(t, x) = s(t, x) + i \mathcal{H}\{s(t, x)\}$
फ्रीक्वेंसी डोमेन में, यह नकारात्मक आवृत्तियों को दबाने और सकारात्मक आवृत्तियों को दोगुना करने के अनुरूप है।
उद्देश्य: यह रूपांतरण आयाम (amplitude) और चरण (phase) को अलग करता है, जिससे सिग्नल को पृथक जटिल मोड के योग के रूप में दर्शाया जा सकता है।

B. मोडल डिकंपोजिशन (Modal Decomposition)

जटिल सिग्नल को पृथक पदों के योग में विघटित किया जाता है:
$s_c(t, x) = \sum_{j=1}^{\infty} a_j(t) \phi_j(x)$
जहाँ:

$\phi_j(x)$ कॉम्प्लेक्स स्थानिक मोड (eigenvectors) हैं।
$a_j(t)$ कॉम्प्लेक्स टेम्पोरल कोएफिशिएंट्स (Complex Orthogonal Coordinates) हैं।

एल्गोरिदम (डिस्क्रीट कार्यान्वयन):

डेटा मैट्रिक्स $S$ से डिस्क्रीट हिल्बर्ट ट्रांसफॉर्म (FFT के माध्यम से) का उपयोग करके कॉम्प्लेक्स सिग्नल मैट्रिक्स $S_c$ का निर्माण करें।
टेम्पोरल कोवेरियेंस मैट्रिक्स $R = \frac{1}{N_t} Z Z^\dagger$ बनाएँ, जहाँ $Z = S_c^T$ है।
आइगेनवैल्यू समस्या $R \phi_j = \lambda_j^e \phi_j$ $R ϕ_{j} = λ_{j}^{e} ϕ_{j}$ को हल करें।
- $\lambda_j^e$ : मोड ऊर्जा का प्रतिनिधित्व करने वाले आइगेनवैल्यू।
- $\phi_j$ : स्थानिक मोड का प्रतिनिधित्व करने वाले आइगेनवेक्टर्स।
प्रोजेक्शन के माध्यम से टेम्पोरल कोएफिशिएंट्स की गणना करें: $a_j = \phi_j^\dagger Z$ ।

C. पुनर्निर्माण (Reconstruction)

मूल वास्तविक सिग्नल को कॉम्प्लेक्स डिकंपोजिशन के वास्तविक भाग को लेकर पुनः प्राप्त किया जाता है:
$s(t, x) = \Re \left[ \sum a_j(t) \phi_j(x) \right]$
इसे समय और स्थान के वास्तविक उत्पादों के योग में विस्तारित किया जा सकता है।

D. ट्रैवलिंग इंडेक्स ( $\alpha_j$ )

एक प्रमुख नवाचार ट्रैवलिंग इंडेक्स है, जो एक अदिश मीट्रिक (scalar metric) $\alpha_j \in [0, 1]$ है जो मोड की तरंग प्रकृति को मापता है:

गणना: स्थानिक मोड $\phi_j$ के वास्तविक और काल्पनिक भागों के ग्राम मैट्रिक्स (Gram matrix) पर आधारित। यह ग्राम मैट्रिक्स के सबसे छोटे से सबसे बड़े सिंगुलर मान (या आइगेनवैल्यू) के अनुपात का उपयोग करता है।
व्याख्या:
- $\alpha_j = 1$ : पूर्णतः यात्रा करती तरंग (complex plane में गोलाकार ट्रेस)।
- $\alpha_j = 0$ : शुद्ध खड़ी तरंग (केवल वास्तविक या काल्पनिक)।
- $0 < \alpha_j < 1$ : मिश्रित व्यवहार।

E. गैर-समान ग्रिड (Non-Uniform Grids)

लेखक एक क्वाड्रचर वेट मैट्रिक्स $W$ पेश करके विधि को गैर-समान स्थानिक ग्रिड (जो प्रयोगों में सामान्य है) तक विस्तारित करते हैं। आंतरिक उत्पाद (inner product) और कोवेरियेंस मैट्रिक्स को इन भारों को शामिल करने के लिए संशोधित किया जाता है ( $R_w = \frac{1}{N_t} Z W Z^\dagger$ ), जिससे अनियमित सैंपलिंग के बावजूद ऊर्जा संरक्षण और ऑर्थोगोनैलिटी बनी रहती है।

3. मुख्य योगदान

सैद्धांतिक ढांचा: हिल्बर्ट ट्रांसफॉर्म और आइगेनवैल्यू समस्याओं से C.O.D. को जोड़ते हुए, निरंतर और डिस्क्रीट सिग्नलों के लिए एक कठोर व्युत्पत्ति।
पायथन कार्यान्वयन: लेखक विधि को अनुसंधान और शिक्षा के लिए सुलभ बनाने के लिए एक पूर्ण पायथन पैकेज (pack_COD) और परीक्षण स्क्रिप्ट का सेट (test_COD_ex_*.py) प्रदान करते हैं।
ट्रैवलिंग इंडेक्स: यात्रा करती बनाम खड़ी तरंगों के बीच अंतर करने के लिए एक मजबूत मीट्रिक का औपचारिककरण, जो जैविक लोकोमोशन (जैसे मछली का तैरना) या संरचनात्मक गतिशीलता के विश्लेषण के लिए महत्वपूर्ण है।
गैर-समानता का प्रबंधन: गैर-समान स्थानिक ग्रिडों के लिए एक सामान्यीकृत सूत्रीकरण, जो प्रयोगात्मक डेटा प्रोसेसिंग की एक सामान्य सीमा को संबोधित करता है।

4. परिणाम और सत्यापन

शोध पत्र तीन अलग-अलग उदाहरणों के माध्यम से विधि को सत्यापित करता है:

उदाहरण 1: टैंक में जल तरंगें (मोड्स का सुपरपोजिशन)
- सेटअप: एक सिग्नल जो अलग-अलग फ्रीक्वेंसी और वेवलेंथ वाली दो खड़ी तरंगों से बना है।
- परिणाम: C.O.D. ने दोनों मोड को सफलतापूर्वक अलग किया, उनके सटीक स्थानिक आकार और आयाम को पुनः प्राप्त किया। गणना किए गए ट्रैवलिंग इंडेक्स ने सही ढंग से पहचान की कि मोड खड़ी तरंगें ( $\alpha \approx 0$ ) हैं।
- महत्व: स्थानिक और कालिक रूप से ओवरलैप होने के बावजूद मोड को अलग करने की क्षमता को प्रदर्शित करता है।
उदाहरण 2: अस्थायी रूप से घटती खड़ी तरंग (डैम्पिंग)
- सेटअप: एक खड़ी तरंग जिसकी आयाम घातांकीय रूप से घटती है ( $e^{-\gamma t}$ )।
- परिणाम: C.D.O. ने उच्च सटीकता के साथ एकल स्थानिक मोड को पुनः प्राप्त किया। ट्रैवलिंग इंडेक्स 0 रहा।
- सूक्ष्मता: शोध पत्र नोट करता है कि गैर-शुद्ध दोलनकारी सिग्नलों (डैम्प्ड) के लिए, हिल्बर्ट ट्रांसफॉर्म को एक सन्निकटन ( $\gamma \ll \omega$ ) की आवश्यकता होती है। हालांकि स्थानिक मोड को पूरी तरह से प्राप्त किया गया था, लेकिन इस सन्निकटन के कारण टेम्पोरल स्पेक्ट्रम में मामूली फैलाव देखा गया।
उदाहरण 3: फ्रीक्वेंसी मॉड्युलेटेड (FM) वेव
- सेटअप: एक खड़ी तरंग जहाँ समय के साथ फ्रीक्वेंसी मॉड्युलेट होती है (चर्प सिग्नल)।
- परिणाम: हालांकि टेम्पोरल सिग्नल में आवृत्तियों का एक विस्तृत स्पेक्ट्रम है (Jacobi-Anger विस्तार), C.D.O. ने एक एकल स्थानिक मोड की पहचान की।
- महत्व: यह सिद्ध करता है कि C.D.O. एकल स्थानिक संरचना से जुड़े मल्टी-फ्रीक्वेंसी टेम्पोरल ऑसिलेशन को संभाल सकता है, जिससे "मोड स्प्लिटिंग" को रोका जा सकता है जो अन्य डिकंपोजिशन विधियों में हो सकती है। ट्रैवलिंग इंडेक्स सही ढंग से 0 रहा।
परिशिष्ट: गैर-समान ग्रिड
- परिणाम: चेबिशेव-वितरित ग्रिड पर लागू किया गया। भारित (weighted) C.D.O. ने समान स्थानिक मोड और ऊर्जा को सफलतापूर्वक पुनः प्राप्त किया, जो क्वाड्रचर वेटिंग दृष्टिकोण को मान्य करता है।

5. महत्व

भौतिक व्याख्यात्मकता: मानक POD के विपरीत, जो वास्तविक मोड प्रदान करता है जो यात्रा करती और खड़ी तरंगों का मिश्रण हो सकते हैं, C.D.O. जटिल मोड प्रदान करता है जो तरंग प्रसार की दिशा और गति की प्रत्यक्ष भौतिक व्याख्या की अनुमति देते हैं।
जैविक/द्रव गतिशीलता में दक्षता: यह विधि मछली के तैरने जैसे जटिल, गैर-आवधिक गतियों के विश्लेषण के लिए विशेष रूप रूप से उपयुक्त है जहाँ स्थानिक रूप अज्ञात है और चरण (phase) महत्वपूर्ण है।
सुलभता: ओपन-सोर्स पायथन टूल्स प्रदान करके, लेखक हाइड्रोडायनामिक्स और स्ट्रक्चरल मैकेनिक्स के शोधकर्ताओं के लिए उन्नत सिग्नल प्रोसेसिंग तकनीकों को लागू करने की बाधा को कम करते हैं।

संक्षेप में, यह शोध पत्र C.D.O. को दोलनकारी स्थानिक-कालिक डेटा के लिए मानक फूरियर या POD विश्लेषण के एक बेहतर विकल्प के रूप में प्रस्तुत करता है, जो मोड को अलग करने, तरंग व्यवहार को मापने और प्रयोगात्मक डेटा की अनियमितताओं को संभालने का एक गणितीय रूप से कठोर तरीका प्रदान करता है।