技术摘要：从非等距离散样本近似傅里叶变换

问题陈述

本文研究了利用有限数量的样本对连续傅里叶变换 $\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x)e^{-2\pi i x \xi} dx$ 进行数值近似的问题。经典的近似方法依赖于在截断定义域上的等距采样（通常结合 sinc 插值或快速傅里叶变换），但这些方法存在内在局限性。具体而言，等距网格要求对无限空间定义域进行截断，这引入了截断误差，并导致在原点附近的空域分辨率与对渐近尾部的覆盖范围之间必须进行权衡。对于具有代数衰减或重尾特性的函数，这种权衡往往会导致高频成分出现严重的相位混叠，并产生较大的前渐近误差常数。

现有文献（如 [4]）已经通过建立采样间隔、网格大小与样本数量之间的关系，确定了等距采样的最优误差率。然而，作者研究了非等距采样策略是否能够优于这些经典方法，特别是通过使采样分布适应函数 $f$ 及其傅里叶变换 $\hat{f}$ 的特定衰减特性。

方法论

所提出的方法使用由概率密度函数 $\mu$ 驱动的确定性非等距采样方案取代了标准的等距网格。其核心方法包括以下步骤：

1. 变量代换： 作者利用选定概率密度 $\mu$ 的逆累积分布函数（CDF）$\Psi^{-1}$，将单位区间 $[0, 1]$ 上的等距点 $y_j = \frac{2j-1}{2M}$ 映射到实数轴 $\mathbb{R}$ 上。采样节点定义为 $x_j = \Psi^{-1}(y_j)$。
2. 变换求积： 这种变换将无限定义域 $\mathbb{R}$ 紧致化到 $[0, 1]$ 上，从而消除了显式空间截断的需要。傅里叶变换通过一个加权指数和（即变换域上的黎曼和）来近似：
   $$\hat{f}(\xi) \approx \tilde{f}(\xi) = \frac{1}{M} \sum_{j=1}^{M} \frac{f(x_j)}{\mu(x_j)} e^{-2\pi i x_j \xi}.$$
   该求和可以通过非等距快速傅里叶变换（NNFFT）在任意频率处进行评估。
3. 误差分析框架： 误差分析结合了两个主要的理论工具：
   • 混叠恒等式： 中点规则的一个精确恒等式（定理 2.1）将求积误差与变换后的被积函数 $g(y) = f(\Psi^{-1}(y)) \mu(\Psi^{-1}(y))^{-1} e^{-2\pi i \Psi^{-1}(y) \xi}$ 的傅里叶系数的衰减联系起来。
   • 驻相估计： 利用 van der Corput 引理（引理 3.1）和驻相理论来分析这些傅里叶系数的衰减。分析区分了共振情况（相位导数为零）和非共振情况。

作者研究了两类特定的权重函数，以定义 $f$ 和 $\hat{f}$ 的衰减：

• 多项式衰减： $v(x) = (1+x^2)^{a/2}$ 和 $w(\xi) = (1+\xi^2)^{b/2}$。
• (亚)指数衰减： $v(x) = e^{r|x|^a}$ 和 $w(\xi) = e^{s|\xi|^b}$。

对于多项式衰减，采样密度 $\mu$ 被选择为多项式分布（与 Student-t 分布相关）：
$$\mu(x) = C_{\alpha, \sigma} \left(1 + \frac{x^2}{\sigma^2}\right)^{-\alpha/2}.$$
该密度引入了两个可调参数：尾部指数 $\alpha$ 和方差 $\sigma$。

核心贡献

1. 确定性非等距求积

本文引入了一种用于傅里叶变换的确定性求积规则，避免了随机采样（不同于随机傅里叶特征）。通过由 $\Psi^{-1}$ 映射等距点，该方法保证了确定性的误差界限，而非概率性估计。该变换自然地处理了无限定义域，无需进行空间截断。

2. 全面的误差估计

作者为每个频率 $\xi \in \mathbb{R}$ 以及所有 $p \geq 1$ 的 $L^p(\mathbb{R})$ 范数推导了误差界限。不同于以往仅限于等距频率的工作，该框架提供了全局误差控制。误差被分解为频率域的截断误差和离散/混叠误差。

3. 采样参数的优化

• 多项式衰减： 对于具有多项式衰减的函数，作者通过优化采样密度的尾部指数 $\alpha$ 来平衡误差项。他们证明了在最优 $\alpha$ 下，该方法可以恢复等距采样的渐近收敛速率 $O(M^{-(a-1/2)(b-1/2)/(a+b-1)})$。至关重要的是，研究表明方差参数 $\sigma$ 可以显著降低前渐近误差常数，而不改变渐近速率。
• (亚)指数衰减： 对于具有指数衰减的函数，论文表明使用多项式密度（而非指数密度）可以获得（亚）指数级的误差衰减率。这是因为指数密度可能会在变换后的被积函数中引入非光滑性，而多项式密度则能保持高阶收敛所需的必要光滑性。

4. 数值验证

数值实验证实了理论发现。结果表明，所提出的非等距方法在达到与 [4] 中最优等距采样相同的渐近收敛速率的同时，其前渐近误差明显更小。该方法对于具有尖锐峰值或重尾特性的函数特别有效，而这类函数在等距网格下表现不佳。

结果

• 多项式衰减区间： 论文确立了映射求积方案可以达到与等距采样相同的最优渐近误差率。然而，通过调节方差 $\sigma$，该方法可以降低前渐近误差常数。在无法实现最优平衡的“重尾”区间（由于 $\alpha$ 的积分约束），该方法仍能恢复等距采样的极限速率。
• 指数衰减区间： 该方法实现了与解析函数类似的根指数或亚指数误差衰减率。使用带有调优方差 $\sigma$ 的多项式密度，可以在实践中减少近似误差，即使其理论指数与理想的等距情况相比略显保守。
• 前渐近性能： 在所有测试场景中，由于消除了空间截断并实现了节点的自适应聚类，该非等距方法在固定样本量 $M$ 的情况下，在绝对误差方面优于等距基准（使用 sinc 插值）。

意义与主张

本文声称，其提出的方法为傅里叶变换近似提供了一个稳健的替代方案，以应对传统的等距采样。其主要意义在于消除了空间截断，这在结构上捕捉了整个实数轴，并在保持原点附近高分辨率的同时，将尾部积分至无穷远。

作者强调，虽然对于多项式衰减，其渐近收敛速率与 [4] 中确立的等距采样速率一致，但通过优化方差参数 $\sigma$，前渐近误差常数得到了大幅降低。这使得该方法在实际计算的有限样本 $M$ 阶段更加高效。

此外，论文指出，对于具有指数衰减的函数，使用多项式密度优于指数密度，因为它确保了变换后被积函数所需的高阶收敛的光滑性。这项工作提供了一个确定性框架，补充了现有的等距理论，并提供了一种统一的方法，通过定制化的采样分布来处理代数衰减和指数衰减。