Coefficient-of-Determination Fourier Transform

기술 요약: 결정계수 푸리에 변환 (CFT)

문제 제기
본 논문은 제한된 해상도를 가진 시간 데이터에 적용될 때 전통적인 이산 푸리에 변환 (DFT) 과 고속 푸리에 변환 (FFT) 방법의 한계를 다룹니다. 표준 DFT/FFT 구현에서 주파수 해상도는 시간 샘플링 속도에 엄격하게 비례합니다. 따라서 시간 데이터가 희소하거나 샘플링 속도가 낮으면, 결과적인 주파수 영역은 나이퀴스트 (Nyquist) 주파수보다 높은 주파수를 분해할 수 없을 뿐만 아니라, 동일한 이산 점에 앨리어싱 (aliasing) 되는 주파수들 (예: 특정 $\delta t$에서 동일하게 나타나는 $f=1$과 $f=9$ 주파수) 을 구별할 수 없습니다. 비균일 이산 푸리에 변환 (NDFT) 과 같은 방법들이 특정 샘플링 문제를 처리하기 위해 존재하지만, 저자는 이러한 주파수 표현으로부터 원래 시간 함수를 복원하는 것이 가능하더라도 종종 계산 집약적인 행렬 분석을 필요로 한다고 지적합니다.

방법론
저자는 결정계수 푸리에 변환 (Coefficient-of-Determination Fourier Transform, CFT) 이라는 수치 알고리즘을 제안합니다. 함수를 복소 지수함수와 적분하는 분석적 푸리에 변환과 달리, CFT 는 입력 시간 데이터와 일련의 사용자가 정의한 인공 정현파 함수 간의 통계적 상관관계를 계산하여 작동합니다.

알고리즘은 다음과 같이 진행됩니다:

1. 진폭 정의: 알고리즘은 입력 시간 데이터의 피크 - 투 - 피크 (peak-to-peak) 범위를 결정하여 주파수 시리즈의 기준 진폭 ($A$) 을 설정합니다.
2. 정현파 생성: 사용자가 원하는 주파수 영역 내에서 정의한 모든 주파수 ($\omega_k$) 에 대해, 알고리즘은 두 가지 기준 함수를 생성합니다: 코사인 함수 ($\Phi_k$) 와 사인 함수 ($\hat{\Phi}_k$).
3. 결정계수 (CoD) 계산: 알고리즘은 입력 데이터와 사인 및 코사인 기준 함수 모두 간의 결정계수 ($R^2$) 를 계산합니다.
   • 결정계수는 상관계수 ($R$) 에서 유도되며, 여기서 $R = \frac{S_{St}}{\sqrt{SS_1 \cdot SS_2}}$입니다.
   • 실수 주파수 성분은 코사인 매칭의 $R^2$에 해당하고, 허수 주파수 성분은 사인 매칭의 $R^2$에 해당합니다.
4. 정규화: 결과적인 주파수 값은 절대값의 합에 대해 정규화되고 기준 진폭 $A$로 스케일링됩니다.
5. 역변환: CFT 의 정의상 특징은 가역성입니다. 시간 함수는 계산된 실수 및 허수 주파수 성분으로 가중치를 둔 정현파 시리즈를 합산하여 재구성됩니다:
   $$f(t) = \sum_{k=1}^{N} \{ \text{real}(F(\omega_k)) \cdot \cos(\omega_k \cdot t) \} + \{ \text{imag}(F(\omega_k)) \cdot \sin(\omega_k \cdot t) \}$$

주요 기여

• 사용자 정의 해상도: 주요 기여는 주파수 해상도를 시간 샘플링 속도로부터 분리하는 것입니다. 사용자는 입력 데이터의 시간 밀도와 관계없이 임의의 주파수 범위와 해상도 (예: 1 mHz 단계) 를 정의할 수 있습니다.
• 저해상도 데이터에서의 가역성: 논문은 CFT 가 제한된 해상도의 시간 데이터를 고해상도 주파수 영역으로 변환할 수 있으며, 결정적으로 이를 다시 시간 영역으로 높은 충실도 ($R^2 > 0.99$) 로 변환할 수 있음을 보여줍니다. 저자는 이 능력이 과도한 계산 비용 없이 표준 NDFT 로 달성하기 어렵다고 주장합니다.
• 위상 및 진폭 복원: 이 방법은 무작위 잡음과 위상 이동이 존재할 때도 주파수 진폭과 위상 정보를 모두 성공적으로 포착합니다.

결과
논문은 세 가지 명확한 검증 단계를 제시합니다:

1. 앨리어싱 시연: $\delta t = 0.1$로 샘플링된 $f=1$과 $f=9$ 주파수를 가진 함수를 사용하여, CFT 는 두 주파수와 그 위상 이동을 성공적으로 구별한 반면, NDFT 는 역변환을 위한 일관된 매칭을 제공하지 못했습니다. CFT 역변환은 모든 테스트 사례에서 0.996 을 초과하는 $R^2$ 값을 산출했습니다.
2. 피크 주파수 정확도: 50 Hz 로 샘플링된 네 개의 정현파 성분 (20.80 Hz, 38.38 Hz, 61.38 Hz, 77.55 Hz) 을 포함하는 테스트에서 (높은 주파수들의 경우 나이퀴스트 속도 미만), CFT 는 기존 FFT 와 NDFT 보다 훨씬 높은 정확도로 피크 주파수를 식별했습니다. 예를 들어, 77.55 Hz 성분의 경우 CFT 는 77.58 Hz 를 식별한 반면, FFT 는 50 Hz 로 제한되었고 NDFT 는 78.37 Hz 를 식별했습니다. CFT 데이터의 역변환은 원래 함수와 $R^2 = 0.99999$로 일치했습니다.
3. 모수 연구: 무작위 위상, 진폭, 잡음을 가진 15 개의 무작위 주파수 (2~17 주기) 를 포함하는 연구는 CFT 가 수십 mHz 까지 정밀한 피크 주파수를 예측할 수 있음을 보여주었습니다. 원래 함수와 재구성된 함수 간의 상관관계는 일관되게 $R^2 \geq 0.92$를 산출했습니다.

의의 및 주장
저자는 CFT 가 제한된 해상도의 시간 입력으로부터 고해상도 주파수 데이터를 얻기 위한 실용적이고 작동 가능하며 가역적인 방법을 제공한다고 주장합니다. 논문은 CFT 가 식 1 의 적분으로 정의된 "진정한" 분석적 푸리에 변환이 아니라고 명시적으로 밝히고 있습니다. 대신, 이는 데이터와 정현파 기저 간의 상관계수 ($R^2$) 에 기반한 주파수 진폭의 표현입니다.

의의는 알고리즘이 다음을 수행할 수 있는 능력에 있습니다:

• 희소 데이터에서 주파수 식별을 위한 나이퀴스트 한계를 극복합니다.
• 계산 자원에 의해서만 제한되는 임의의 주파수 해상도를 제공합니다.
• 전역적으로 비용을 증가시키지 않고 피크에 초점을 맞출 수 있도록 주파수 영역 내에서 가변 해상도를 허용합니다.
• 입력 데이터에 잡음이 있거나 저해상도일지라도 원래 시간 형태, 진폭, 위상을 복원하는 견고한 역변환을 가능하게 합니다.

논문은 CFT 가 전통적인 DFT 나 NDFT 보다 계산적으로 더 비용이 많이 들지만, 높은 정확도로 피크 주파수와 위상을 특성화할 수 있는 능력과 고유한 가역성으로 인해 제한된 시간 데이터를 포함하는 특정 공학 응용 분야에서 더 우수한 도구라고 결론 내립니다.