Coefficient-of-Determination Fourier Transform

Riepilogo Tecnico: Trasformata di Fourier del Coefficiente di Determinazione (CFT)

Enunciato del Problema
Il documento affronta le limitazioni dei metodi tradizionali di Trasformata di Fourier Discreta (DFT) e Trasformata di Fourier Veloce (FFT) quando applicati a dati temporali con risoluzione limitata. Nelle implementazioni standard di DFT/FFT, la risoluzione spettrale è strettamente proporzionale alla frequenza di campionamento temporale. Di conseguenza, se i dati temporali sono sparsi o presentano una bassa frequenza di campionamento, il dominio spettrale risultante non può risolvere frequenze superiori alla frequenza di Nyquist, né può distinguere tra frequenze che si aliasano sugli stessi punti discreti (ad esempio, frequenze $f=1$ e $f=9$ che appaiono identiche a un specifico $\delta t$). Sebbene esistano metodi come le Trasformate di Fourier Discrete Non Uniformi (NDFT) per gestire problemi specifici di campionamento, l'autore nota che il recupero della funzione temporale originale da queste rappresentazioni spettrali richiede spesso un'analisi matriciale computazionalmente intensiva, se possibile.

Metodologia
L'autore propone un algoritmo numerico denominato Trasformata di Fourier del Coefficiente di Determinazione (CFT). A differenza della Trasformata di Fourier analitica, che integra una funzione contro esponenziali complessi, la CFT opera calcolando la correlazione statistica tra i dati temporali in ingresso e una serie di funzioni sinusoidali artificiali definite dall'utente.

L'algoritmo procede come segue:

1. Definizione dell'Ampiezza: L'algoritmo determina l'intervallo picco-picco dei dati temporali in ingresso per stabilire un'ampiezza di base ($A$) per la serie spettrale.
2. Generazione Sinusoidale: Per ogni frequenza ($\omega_k$) definita dall'utente all'interno di un dominio spettrale desiderato, l'algoritmo genera due funzioni di riferimento: una funzione coseno ($\Phi_k$) e una funzione seno ($\hat{\Phi}_k$).
3. Calcolo del Coefficiente di Determinazione (CoD): L'algoritmo calcola il Coefficiente di Determinazione ($R^2$) tra i dati in ingresso e entrambe le funzioni di riferimento seno e coseno.
   • Il CoD è derivato dal coefficiente di correlazione ($R$), dove $R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$.
   • La componente spettrale reale corrisponde all'$R^2$ dell'adattamento del coseno, mentre la componente immaginaria corrisponde all'$R^2$ dell'adattamento del seno.
4. Normalizzazione: I valori spettrali risultanti sono normalizzati rispetto alla somma dei loro valori assoluti e scalati per l'ampiezza di base $A$.
5. Trasformata Inversa: Una caratteristica definitoria della CFT è la sua invertibilità. La funzione temporale viene ricostruita sommando la serie di onde sinusoidali ponderate dalle componenti spettrali reali e immaginarie calcolate:
   $$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$$

Contributi Chiave

• Risoluzione Definita dall'Utente: Il contributo principale è il disaccoppiamento della risoluzione spettrale dalla frequenza di campionamento temporale. L'utente può definire qualsiasi intervallo e risoluzione di frequenza (ad esempio, passi di 1 mHz) indipendentemente dalla densità temporale dei dati in ingresso.
• Invertibilità con Dati a Bassa Risoluzione: Il documento dimostra che la CFT può trasformare dati temporali a risoluzione limitata in un dominio spettrale ad alta risoluzione e, crucialmente, trasformarli nuovamente nel dominio temporale con alta fedeltà ($R^2 > 0.99$), una capacità che l'autore afferma essere difficile da ottenere con la NDFT standard senza costi computazionali eccessivi.
• Recupero di Fase e Magnitudine: Il metodo cattura con successo sia l'informazione sulla magnitudine spettrale che sulla fase, anche in presenza di rumore casuale e sfasamenti.

Risultati
Il documento presenta tre distinte fasi di validazione:

1. Dimostrazione dell'Aliasing: Utilizzando funzioni con frequenze $f=1$ e $f=9$ campionate a $\delta t = 0.1$, la CFT ha distinto con successo le due frequenze e i loro sfasamenti, mentre la NDFT non ha fornito un adattamento coerente per la trasformata inversa. La trasformata inversa della CFT ha prodotto valori $R^2$ superiori a 0.996 per tutti i casi di test.
2. Accuratezza della Frequenza di Picco: In un test che coinvolgeva quattro componenti sinusoidali (20.80 Hz, 38.38 Hz, 61.38 Hz, 77.55 Hz) campionate a 50 Hz (sotto la frequenza di Nyquist per le frequenze più alte), la CFT ha identificato le frequenze di picco con un'accuratezza significativamente superiore sia alla FFT tradizionale che alla NDFT. Ad esempio, per la componente da 77.55 Hz, la CFT ha identificato 77.58 Hz, mentre la FFT era limitata a 50 Hz e la NDFT ha identificato 78.37 Hz. La trasformata inversa dei dati CFT ha corrisposto alla funzione originale con $R^2 = 0.99999$.
3. Studio Parametrico: Uno studio che coinvolgeva 15 frequenze casuali (2–17 cicli) con fasi, magnitudini e rumore casuali ha mostrato che la CFT poteva prevedere le frequenze di picco con un'accuratezza fino a decine di mHz. La correlazione tra le funzioni originali e ricostruite ha costantemente prodotto $R^2 \geq 0.92$.

Significato e Affermazioni
L'autore afferma che la CFT offre un metodo pratico, funzionante e invertibile per ottenere dati spettrali ad alta risoluzione da input temporali a risoluzione limitata. Il documento afferma esplicitamente che la CFT non è una "vera" Trasformata di Fourier analitica (come definita dall'integrale nell'Equazione 1); piuttosto, è una rappresentazione delle magnitudini spettrali basata sul coefficiente di correlazione ($R^2$) tra i dati e le basi sinusoidali.

Il significato risiede nella capacità dell'algoritmo di:

• Superare il limite di Nyquist per l'identificazione delle frequenze in dati sparsi.
• Fornire una risoluzione spettrale arbitraria limitata solo dalle risorse computazionali.
• Consentire una risoluzione variabile all'interno del dominio spettrale (focalizzandosi sui picchi senza aumentare i costi globalmente).
• Abilitare una trasformata inversa robusta che recupera la forma temporale originale, la magnitudine e la fase, anche quando i dati in ingresso sono rumorosi o a bassa risoluzione.

Il documento conclude che, sebbene la CFT sia computazionalmente più costosa della DFT o NDFT tradizionale, la sua capacità di caratterizzare frequenze di picco e fasi con alta accuratezza, e la sua unica invertibilità, la rendono uno strumento superiore per specifiche applicazioni ingegneristiche che coinvolgono dati temporali limitati.