Coefficient-of-Determination Fourier Transform

技術的概要：決定係数フーリエ変換（CFT）

問題提起
本論文は、解像度が限られた時間データに適用される際の、従来の離散フーリエ変換（DFT）および高速フーリエ変換（FFT）手法の限界に取り組んでいる。標準的な DFT/FFT 実装において、スペクトル分解能は時間サンプリングレートに厳密に比例する。したがって、時間データが疎であるか、サンプリングレートが低い場合、得られるスペクトル領域はナイキスト周波数より高い周波数を分解できず、同じ離散点にエイリアシングする周波数（例えば、特定の $\delta t$ において同一に見える $f=1$ と $f=9$ の周波数）を区別することもできない。非一様離散フーリエ変換（NDFT）のような手法が特定のサンプリング問題に対処するために存在するが、著者は、これらのスペクトル表現から元の時間関数を復元するには、可能であったとしても、計算集約的な行列解析が必要であると指摘している。

手法
著者は、「決定係数フーリエ変換（CFT）」と呼ばれる数値アルゴリズムを提案する。関数を複素指数関数に対して積分する解析的フーリエ変換とは異なり、CFT は入力時間データと、ユーザーが定義した人工的な正弦波関数の系列との間の統計的相関を計算することによって動作する。

アルゴリズムは以下の手順で進行する：

1. 振幅の定義：アルゴリズムは、入力時間データのピーク・ツー・ピーク範囲を決定し、スペクトル系列の基準振幅（$A$）を確立する。
2. 正弦波の生成：ユーザーが所望のスペクトル領域内で定義するすべての周波数（$\omega_k$）に対して、アルゴリズムは 2 つの参照関数を生成する。余弦関数（$\Phi_k$）と正弦関数（$\hat{\Phi}_k$）である。
3. 決定係数（CoD）の計算：アルゴリズムは、入力データと正弦および余弦の参照関数の両者との間の決定係数（$R^2$）を計算する。
   • 決定係数は相関係数（$R$）から導出され、$R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$ である。
   • 実スペクトル成分は余弦マッチの $R^2$ に対応し、虚スペクトル成分は正弦マッチの $R^2$ に対応する。
4. 正規化：得られたスペクトル値は、それらの絶対値の和に対して正規化され、基準振幅 $A$ によってスケーリングされる。
5. 逆変換：CFT の定義的な特徴はその可逆性にある。時間関数は、計算された実スペクトル成分と虚スペクトル成分で重み付けされた正弦波の系列を合計することで再構成される：
   $$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$$

主な貢献

• ユーザー定義の分解能：主な貢献は、スペクトル分解能を時間サンプリングレートから切り離すことである。ユーザーは入力データの時間密度に関係なく、任意の周波数範囲と分解能（例えば、1 mHz ステップ）を定義できる。
• 低解像度データによる可逆性：本論文は、CFT が低解像度の時間データを高解像度のスペクトル領域に変換でき、かつ決定的なことに、それを時間領域へ高い忠実度（$R^2 > 0.99$）で逆変換できることを示している。この能力は、著者が主張するところによれば、過剰な計算コストなしに標準的な NDFT で達成することは困難である。
• 位相と振幅の復元：この手法は、ランダムなノイズや位相シフトが存在する場合でも、スペクトル振幅と位相情報の両方を正確に捉える。

結果
本論文は、3 つの明確な検証段階を提示する：

1. エイリアシングの証明：$f=1$ と $f=9$ の周波数を持つ関数を $\delta t = 0.1$ でサンプリングして使用したところ、CFT は 2 つの周波数とその位相シフトを正常に区別したが、NDFT は逆変換の一貫したマッチを提供できなかった。CFT の逆変換は、すべてのテストケースで 0.996 を超える $R^2$ 値をもたらした。
2. ピーク周波数の精度：4 つの正弦波成分（20.80 Hz、38.38 Hz、61.38 Hz、77.55 Hz）を 50 Hz（高周波数成分に対するナイキストレート未満）でサンプリングするテストにおいて、CFT は従来の FFT および NDFT よりもはるかに高い精度でピーク周波数を同定した。例えば、77.55 Hz の成分について、CFT は 77.58 Hz を同定したが、FFT は 50 Hz に制限され、NDFT は 78.37 Hz を同定した。CFT データの逆変換は、元の関数と $R^2 = 0.99999$ で一致した。
3. パラメトリック研究：ランダムな位相、振幅、ノイズを持つ 15 のランダムな周波数（2〜17 サイクル）を含む研究により、CFT がピーク周波数を数十 mHz の精度で予測できることが示された。元の関数と再構成された関数の間の相関は、一貫して $R^2 \geq 0.92$ を示した。

意義と主張
著者は、CFT が限られた解像度の時間入力から高解像度のスペクトルデータを取得するための、実用的で機能し、可逆的な手法であると主張している。本論文は明示的に、CFT は（式 1 の積分として定義される）「真の」解析的フーリエ変換ではないと述べている。むしろ、それはデータと正弦波基底との間の相関係数（$R^2$）に基づいたスペクトル振幅の表現である。

その意義は、アルゴリズムが以下の能力を持つ点にある：

• 疎なデータにおける周波数同定のためのナイキスト限界の克服。
• 計算リソースによってのみ制限される任意のスペクトル分解能の提供。
• スペクトル領域内での可変分解能の許可（コストを全体的に増やすことなくピークに焦点を当てる）。
• 入力データがノイズを含んでいるか低解像度であっても、元の時間的な形状、振幅、位相を復元する堅牢な逆変換の実現。

本論文は結論として、CFT は従来の DFT や NDFT よりも計算コストが高いものの、ピーク周波数と位相を高い精度で特徴づける能力と、固有の可逆性により、限られた時間データを扱う特定の工学応用においては優れたツールであると述べている。