🔬 optics

Coefficient-of-Determination Fourier Transform

यह शोध पत्र एक नवीन एल्गोरिदम प्रस्तुत करता है जो डेटा और कृत्रिम साइनुसोइडल (sinusoidal) फलनों के बीच निर्धारण गुणांक (Coefficient of Determination) का विश्लेषण करके टेम्पोरल डेटा को एक उच्च-रिज़ॉल्यूशन स्पेक्ट्रल प्रतिनिधित्व में परिवर्तित करता है, जिससे किसी भी उपयोगकर्ता द्वारा परिभाषित रिज़ॉल्यूशन पर स्पेक्ट्रल डेटा उत्पन्न करना सक्षम होता है जिसे सटीक रूप से वापस टेम्पोरल डोमेन में रूपांतरित किया जा सके।

मूल लेखक: Matthew David Marko

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matthew David Marko

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 आपके पास एक जटिल ध्वनि की रिकॉर्डिंग है, जैसे कि एक साथ गाता हुआ एक समूह (choir)। आप यह जानना चाहते हैं कि वे वास्तव में कौन से स्वर (आवृत्तियाँ/frequencies) लगा रहे हैं और प्रत्येक स्वर कितना तेज़ है। आमतौर पर, यह जानने के लिए, आप एक उपकरण का उपयोग करते हैं जिसे फूरियर ट्रांसफॉर्म (Fourier Transform) कहा जाता है। पारंपरिक फूरियर ट्रांसफॉर्म को एक बहुत ही सख्त लाइब्रेरियन के रूप में सोचें जो आपको केवल एक विशिष्ट, पूर्व-निर्धारित क्रम में किताबें चेक आउट करने की अनुमति देता है। यदि आपका डेटा (जैसे कि वह गायन रिकॉर्डिंग) थोड़ा "धुंधला" या कम गुणवत्ता वाला है, तो लाइब्रेरियन आपको केवल स्वरों की एक धुंधली सूची दे पाएगा, और आप बिना दोबारा शुरू किए अधिक विवरण नहीं मांग सकते।

यह शोध पत्र एक नए, स्मार्ट लाइब्रेरियन CFT (Coefficient-of-Determination Fourier Transform) का परिचय देता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. समस्या: "एलियासिंग" (Aliasing) का जाल

लेखक एक सामान्य समस्या की ओर इशारा करते हैं। यदि आप एक धीमी गति वाले कैमरे से घूमते हुए पंखे की तस्वीर लेते हैं, तो पंखा उल्टा घूमता हुआ या स्थिर दिखाई दे सकता है। गणित में इसे "नाइक्विस्ट लिमिट" (Nyquist limit) कहा जाता है। यदि आपके डेटा बिंदु समय में एक-दूसरे से बहुत दूर हैं, तो मानक उपकरण (जैसे कि फास्ट फूरियर ट्रांसफॉर्म या FFT) भ्रमित हो जाते हैं। वे यह अंतर नहीं कर पाते कि कौन सा स्वर कम पिच वाला है और कौन सा उच्च पिच वाला, जो उन विशिष्ट क्षणों में एक जैसा ही दिखता है। यह एक गाने की धुन का अनुमान लगाने के लिए ऐसा है जैसे कि आप हर 10वें सेकंड में गाना सुन रहे हों; आप सोच सकते हैं कि यह एक धीमा गीत है जबकि वास्तव में यह एक तेज़ रॉक सॉन्ग हो सकता है।

2. समाधान: "अनुमान और जाँच" करने वाला जासूस

एक कठोर सूत्र के बजाय, CFT एल्गोरिदम एक जासूस की तरह काम करता है जो "गाना पहचानो" खेल खेल रहा है।

सेटअप: कंप्यूटर आपके बिखरे हुए, कम गुणवत्ता वाले डेटा (गायन रिकॉर्डिंग) को लेता है।
खेल: यह हर उस आवृत्ति (frequency) पर हजारों आदर्श, कृत्रिम "परीक्षण गीत" (शुद्ध साइन तरंगें/sine waves) बनाता है जिसे आप जांचना चाहते हैं। आप इसे जितनी बारीकी से आवृत्तियों की जांच करने के लिए कह सकते हैं, यह उतना ही कर सकता है, भले ही आपका मूल डेटा बहुत मोटा (coarse) क्यों न हो।
तुलना: प्रत्येक परीक्षण गीत के लिए, कंप्यूटर पूछता है: "यह परीक्षण गीत मेरे बिखरे हुए डेटा से कितना मिलता-जुलता है?"
- यह केवल आकार को नहीं देखता; यह एक निर्धारण गुणांक (Coefficient of Determination - $R^2$ ) की गणना करता है। इसे 0 से 1 तक का "मैच स्कोर" समझें।
- यदि परीक्षण गीत डेटा से पूरी तरह मेल खाता है, तो स्कोर 1 है।
- यदि यह पूरी तरह से बेमेल है, तो स्कोर 0 है।
- यदि यह बिल्कुल विपरीत है, तो स्कोर -1 है।
परिणाम: कंप्यूटर इन मैच स्कोर को सहेज लेता है। उच्च स्कोर का अर्थ है कि वह विशिष्ट आवृत्ति आपके डेटा में मौजूद है। साइन (sine) और कोसाइन (cosine) दोनों संस्करणों के लिए यह प्रक्रिया करने से, यह न केवल स्वर की तीव्रता (magnitude) बल्कि उसके समय (phase) का भी पता लगा लेता है।

3. सुपरपावर: प्रतिवर्तीता (Reversibility)

इस पद्धति की सबसे अनूठी विशेषता यह है कि यह प्रतिवर्ती (reversible) है।

पारंपरिक तरीके: एक बार जब आप अपने डेटा को मानक उपकरणों का उपयोग करके स्पेक्ट्रम में बदल देते हैं, तो आप अक्सर इसे वापस पूरी तरह से नहीं बदल सकते, विशेष रूप से यदि डेटा कम रिज़ॉल्यूशन वाला था। यह एक दस्तावेज़ को फाड़ने और फिर उसे जोड़ने की कोशिश करने जैसा है; आप कुछ हिस्से खो देते हैं।
CFT विधि: क्योंकि यह एल्गोरिदम इस आधार पर स्पेक्ट्रम बनाता है कि टुकड़े एक साथ कितनी अच्छी तरह फिट होते हैं, यह उस स्पेक्ट्रम को ले सकता है और मूल ध्वनि को लगभग पूरी तरह से पुनर्गठित कर सकता है। शोध पत्र दिखाता है कि यदि आप डेटा को स्पेक्ट्रम में बदलते हैं और फिर वापस मूल रूप में लाते हैं, तो यह मूल डेटा के लगभग समान दिखता है (एक मैच स्कोर 0.99999 के साथ)।

4. परीक्षणों ने क्या दिखाया

लेखक ने इस "जासूस" का पुराने "लाइब्रेरियन" (मानक FFT) और एक अन्य उन्नत विधि (NDFT) के विरुद्ध परीक्षण किया।

परीक्षण: उन्होंने विशिष्ट स्वरों (आवृत्तियों) वाले ध्वनियाँ बनाईं और उनमें कुछ शोर (static noise) मिला दिया ताकि उन्हें सुनना कठिन हो जाए।
परिणाम:
- पुराने उपकरणों (FFT) ने शोर और कम रिज़ॉल्यूशन के कारण भ्रम पैदा किया, जिससे वे अक्सर स्वरों को मिस कर गए या गलत पिच का अनुमान लगाया।
- CFT जासूस ने अविश्वसनीय सटीकता के साथ सही स्वर खोज निकाले, यहाँ तक कि उन स्वरों के बीच भी अंतर किया जो एक-दूसरे के बहुत करीब थे।
- जब CFT ने डेटा को वापस ध्वनि में बदला, तो यह मूल ध्वनि के लगभग समान ही था, भले ही उसमें शोर मौजूद था।

सारांश

संक्षेप में, यह शोध पत्र डेटा का विश्लेषण करने का एक नया तरीका प्रस्तावित करता है जो कठोर गणितीय नियमों पर निर्भर नहीं है। इसके बजाय, यह एक सहसंबंध खेल (correlation game) का उपयोग करता है: "क्या यह विशिष्ट आवृत्ति मेरे डेटा में फिट बैठती है?"

लाभ: आप कंप्यूटर की क्षमता के अनुसार जितना चाहें उतना विवरण (रिज़ॉल्यूशन) मांग सकते हैं, चाहे आपका मूल डेटा कितना भी "धुंधला" क्यों न हो।
मुख्य विशेषता: अन्य विधियों के विपरीत, आप परिणाम ले सकते हैं और बिना जानकारी खोए मूल डेटा को वापस प्राप्त कर सकते हैं।
सीमा: यह एक "संख्यात्मक" (numerical) विधि है, जिसका अर्थ है कि यह एक चतुर गणना है, न कि फूरियर ट्रांसफॉर्म की "शुद्ध" गणितीय परिभाषा। हालाँकि, व्यावहारिक इंजीनियरिंग और विज्ञान के लिए, यह सीमित डेटा होने पर पारंपरिक उपकरणों की तुलना में बेहतर काम करती है।

लेखक निष्कर्ष निकालते हैं कि यह विधि बिखरे हुए, कम गुणवत्ता वाले डेटा में छिपे वास्तविक "स्वरों" को खोजने के लिए एक शक्तिशाली उपकरण है, और आप इस पर भरोसा कर सकते हैं कि काम पूरा होने के बाद यह आपको मूल चित्र वापस दे देगा।

तकनीकी सारांश: गुणांक-निर्धारण फूरियर ट्रांसफॉर्म (Coefficient-of-Determination Fourier Transform - CFT)

समस्या विवरण
यह शोध पत्र सीमित रिज़ॉल्यूशन वाले टेम्पोरल (temporal) डेटा पर लागू होने वाली पारंपरिक डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) और फास्ट फूरियर ट्रांसफॉर्म (FFT) विधियों की सीमाओं को संबोधित करता है। मानक DFT/FFT कार्यान्वयन में, स्पेक्ट्रल रिज़ॉल्यूशन सख्ती से टेम्पोरल सैंपलिंग दर के समानुपाती होता है। फलस्वरूप, यदि टेम्पोरल डेटा विरल (sparse) है या उसकी सैंपलिंग दर कम है, तो परिणामी स्पेक्ट्रल डोमेन नाइक्विस्ट दर (Nyquist rate) से उच्च आवृत्तियों को हल नहीं कर सकता, न ही उन आवृत्तियों के बीच अंतर कर सकता है जो एक ही डिस्क्रीट बिंदुओं पर एलियासिंग (alias) होती हैं (उदाहरण के लिए, एक विशिष्ट $\delta t$ पर $f=1$ और $f=9$ आवृत्तियाँ समान दिखाई देती हैं)। हालांकि विशिष्ट सैंपलिंग समस्याओं को संभालने के लिए नॉन-यूनिफॉर्म डिस्क्रीट फूरियर ट्रांसफॉर्म (NDFT) जैसी विधियाँ मौजूद हैं, लेखक का कहना है कि इन स्पेक्ट्रल निरूपणों से मूल टेम्पोरल फंक्शन को पुनः प्राप्त करने के लिए अक्सर गहन कम्प्यूटेशनल मैट्रिक्स विश्लेषण की आवश्यकता होती है, यदि यह संभव भी हो।

कार्यप्रणाली (Methodology)
लेखक एक संख्यात्मक एल्गोरिदम प्रस्तावित करते हैं जिसे गुणांक-निर्धारण फूरियर ट्रांसफॉर्म (CFT) कहा जाता है। विश्लेतिक (analytical) फूरियर ट्रांसफॉर्म के विपरीत, जो जटिल घातांकों (complex exponentials) के विरुद्ध एक फलन का समाकलन (integrate) करता है, CFT इनपुट टेम्पोरल डेटा और उपयोगकर्ता द्वारा परिभाषित कृत्रिम साइनुसोइडल फलनों की एक श्रृंखला के बीच सांख्यिकीय सहसंबंध (statistical correlation) की गणना करके कार्य करता है।

एल्गोरिदम इस प्रकार आगे बढ़ता है:

आयाम परिभाषा (Amplitude Definition): एल्गोरिदम स्पेक्ट्रल श्रृंखला के लिए एक आधार आयाम ( $A$ ) स्थापित करने के लिए इनपुट टेम्पोरल डेटा की पीक-टू-पीक रेंज निर्धारित करता है।
साइनुसोइडल जनरेशन (Sinusoidal Generation): उपयोगकर्ता द्वारा परिभाषित वांछित स्पेक्ट्रल डोमेन के भीतर प्रत्येक आवृत्ति ( $\omega_k$ ) के लिए, एल्गोरिदम दो संदर्भ फलन उत्पन्न करता है: एक कोसाइन फलन ( $\Phi_k$ ) और एक साइन फलन ( $\hat{\Phi}_k$ )।
गुणांक-निर्धारण (CoD) गणना: एल्गोरिदम दोनों साइन और कोसाइन संदर्भ फलनों और इनपुट डेटा के बीच गुणांक-निर्धारण ( $R^2$ $R^{2}$ ) की गणना करता है।
- $R^2$ को सहसंबंध गुणांक ( $R$ ) से व्युत्पन्न किया जाता है, जहाँ $R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$ है।
- वास्तविक स्पेक्ट्रल घटक को कोसाइन मैच के $R^2$ के रूप में और काल्पनिक घटक को साइन मैच के $R^2$ के रूप में दर्शाया जाता है।
नॉर्मलाइजेशन (Normalization): परिणामी स्पेक्ट्रल मानों को उनके पूर्ण मानों के योग के विरुद्ध सामान्यीकृत किया जाता है और आधार आयाम $A$ द्वारा स्केल किया जाता है।
इनवर्स ट्रांसफॉर्म (Inverse Transform): CFT की एक परिभाषित विशेषता इसकी व्युत्क्रमणीयता (invertibility) है। टेम्पोरल फंक्शन को गणना किए गए वास्तविक और काल्पनिक स्पेक्ट्रल घटकों द्वारा भारित (weighted) साइनुसोइडल तरंगों की श्रृंखला को जोड़कर पुनर्गठित किया जाता है:
$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$

प्रमुख योगदान

उपयोगकर्ता-परिभाषित रिज़ॉल्यूशन: प्राथमिक योगदान टेम्पोरल सैंपलिंग दर से स्पेक्ट्रल रिज़ॉल्यूशन को अलग करना है। उपयोगकर्ता इनपुट डेटा के टेम्पोरल घनत्व की परवाह किए बिना कोई भी आवृत्ति सीमा और रिज़ॉल्यूशन (जैसे, 1 mHz स्टेप्स) परिभाषित कर सकता है।
कम-रिज़ॉल्यूशन डेटा के साथ व्युत्क्रमणीयता: शोध पत्र प्रदर्शित करता है कि CFT सीमित-रिज़ॉल्यूशन वाले टेम्पोरल डेटा को उच्च-रिज़ॉल्यूशन वाले स्पेक्ट्रल डोमेन में बदल सकता है और महत्वपूर्ण रूप से, इसे उच्च निष्ठा ( $R^2 > 0.99$ ) के साथ वापस टेम्पोरल डोमेन में बदल सकता है, एक ऐसी क्षमता जिसे लेखक का दावा है कि अत्यधिक कम्प्यूटेशनल लागत के बिना मानक NDFT के माध्यम से प्राप्त करना कठिन है।
फेज और मैग्नीट्यूड रिकवरी: विधि रैंडम शोर (noise) और फेज शिफ्ट की उपस्थिति में भी सफलतापूर्वक स्पेक्ट्रल मैग्नीट्यूड और फेज जानकारी को कैप्चर करती है।

परिणाम
शोध पत्र तीन विशिष्ट सत्यापन चरणों को प्रस्तुत करता है:

एलियासिंग प्रदर्शन (Aliasing Demonstration): $f=1$ और $f=9$ आवृत्तियों वाले फलनों का उपयोग करते हुए, जिन्हें $\delta t = 0.1$ पर सैंपल किया गया था, CFT इन दोनों आवृत्तियों और उनके फेज शिफ्ट को सफलतापूर्वक अलग करने में सक्षम रहा, जबकि NDFT इनवर्स ट्रांसफॉर्म के लिए एक सुसंगत मिलान प्रदान करने में विफल रहा। CFT का इनवर्स ट्रांसफॉर्म सभी परीक्षण मामलों के लिए 0.996 से अधिक के $R^2$ मान देता है।
पीक फ्रीक्वेंसी सटीकता: चार साइनुसोइडल घटकों (20.80 Hz, 38.38 Hz, 61.38 Hz, 77.55 Hz) वाले एक परीक्षण में, जिन्हें 50 Hz पर सैंपल किया गया था (उच्च आवृत्तियों के लिए नाइक्विस्ट दर से नीचे), CFT ने पारंपरिक FFT और NDFT दोनों की तुलना में काफी उच्च सटीकता के साथ पीक आवृत्तियों की पहचान की। उदाहरण के लिए, 77.55 Hz घटक के लिए, CFT ने 77.58 Hz की पहचान की, जबकि FFT 50 Hz तक सीमित था और NDFT ने 78.37 Hz की पहचान की। CFT डेटा का इनवर्स ट्रांसफॉर्म $R^2 = 0.99999$ के साथ मूल फलन से मेल खाता है।
पैरामीट्रिक अध्ययन: 15 रैंडम आवृत्तियों (2–17 चक्र) के साथ रैंडम फेज, मैग्नीट्यूड और शोर वाले एक अध्ययन ने दिखाया कि CFT दहाई mHz तक की सटीकता के साथ पीक आवृत्तियों की भविष्यवाणी कर सकता है। मूल और पुनर्गठित फलनों के बीच सहसंबंध लगातार $R^2 \geq 0.92$ प्रदान करता है।

महत्व और दावे
लेखक का दावा है कि CFT सीमित-रिज़ॉल्यूशन वाले टेम्पोरल इनपुट से उच्च-रिज़ॉल्यूशन स्पेक्ट्रल डेटा प्राप्त करने के लिए एक व्यावहारिक, कार्यशील और व्युत्क्रमणीय विधि प्रदान करता है। शोध पत्र स्पष्ट रूप से कहता है कि CFT एक "वास्तविक" विश्लेतिक फूरियर ट्रांसफॉर्म (जैसा कि समीकरण 1 में दिए गए समाकलन द्वारा परिभाषित है) नहीं है; बल्कि, यह डेटा और साइनुसोइडल बेस के बीच सहसंबंध गुणांक ( $R^2$ ) के आधार पर स्पेक्ट्रल मैग्नीट्यूड का एक निरूपण है।

इसका महत्व निम्नलिखित क्षमताओं में निहित है:

आवृत्ति पहचान के लिए नाइक्विस्ट सीमा को पार करना।
कम्प्यूटेशनल संसाधनों द्वारा सीमित, मनमाना स्पेक्ट्रल रिज़ॉल्यूशन प्रदान करना।
स्पेक्ट्रल डोमेन के भीतर परिवर्तनशील रिज़ॉल्यूशन की अनुमति देना (वैश्विक लागत बढ़ाए बिना चोटियों/peaks पर ध्यान केंद्रित करना)।
एक मजबूत इनवर्स ट्रांसफॉर्म को सक्षम करना जो मूल आकार, परिमाण और फेज को पुनः प्राप्त करता है, भले ही इनपुट डेटा शोर युक्त या कम-रिज़ॉल्यूशन वाला हो।

शोध पत्र निष्कर्ष निकालता है कि हालांकि CFT पारंपरिक DFT या NDFT की तुलना में कम्प्यूटेशनल रूप से अधिक महंगा है, लेकिन पीक फ्रीक्वेंसी और फेज को उच्च सटीकता के साथ चरित्रित करने की इसकी क्षमता, और इसकी अद्वितीय व्युत्क्रमणीयता, इसे सीमित टेम्पोरल डेटा से जुड़े विशिष्ट इंजीनियरिंग अनुप्रयोगों के लिए एक बेहतर उपकरण बनाती है।