Convolution and Correlation Theorems Associated with the Linear Canonical Empirical Wavelet Transform and Their Applications
本文为一种固定划分线性正则经验小波变换建立了严谨的卷积-相关演算，证明了精确表示定理、框架界限及稳定性结果，同时论证了合成恒等式在对偶选择下的不变性，并通过可复现的计算验证了这些发现。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现实世界中的信号很少是简单的、稳定的单音。它们是复杂的、变化的模式——就像喷气发动机在经过时改变音调，或者运动过程中心跳节奏的变化。为了理解这些信号，科学家们将其分解为由其组成的各种频率，就像棱镜将白光分解成彩虹一样。然而，用于这项任务的标准工具通常假设信号的结构是固定且可预测的。当信号随时间改变其性质，或遵循一条弯曲的、加速的路径时，这些传统方法往往难以跟上。为了处理这种复杂性，研究人员开发了更灵活的数学框架，能够适应信号特定的几何结构。其中一个框架是线性正则变换（linear canonical transform），它是一种强大的工具，可以分析沿弯曲轨迹运动的信号，而标准的频率分析则无法做到这一点。另一个是经验小波变换（empirical wavelet transform），这是一种能够自动检测信号频率内容变化，并构建自定义滤波器组以隔离这些部分的方法。
当这两种先进工具结合使用时，挑战便随之而来。虽然每种工具在单独使用时表现良好，但将它们合并会产生一个数学难题：如果两个信号通过两套不同的、独立生成的滤波器进行分析，你该如何执行诸如混合两个信号或比较它们之类的操作？如果这些滤波器没有完美对齐，常规的组合规则就会失效。这正是 Owais Ahmad 和 Aamir Ayoub Mir 在他们最近的研究中所解决的具体问题。他们试图建立一套严谨的规则，使得通过不同自适应滤波器分析的两个信号能够以数学上的精确度进行组合或比较。他们的目标不仅是寻找一种权宜之计，而且是要证明，即使用于检测这些信号的滤波器是不同的，在这些经过不同分析的信号之间也存在着一种稳定且精确的关系。
研究人员首先将信号边界的检测视为与实际分析相分离的一个步骤。一旦检测到边界并设置好滤波器，这些滤波器就会被“冻结”成一个固定的排列。这使得团队可以将系统视为一个稳定的数学结构，而非一个移动的目标。随后，他们证明了当你取两组不同的这类滤波器并将它们相乘时，结果会产生一组新的、更精细的滤波器，这组滤波器覆盖了相同的范围，但精度更高。这组新滤波器充当了一个共同基础，即“共同细化”（common refinement），使得来自两个原始系统的信息可以在此安全地组合。他们证明了这种组合系统具有特定的数学极限，能够保证分析过程保持稳定，并且原始信号可以从这些碎片中完美重建。
该研究的一个关键发现是发现了一种独特的、最优的逆向过程方法。在将信号分解成碎片时，通常存在许多种重新组合的方法。作者证明了存在一种特定的方法——“正则对偶”（canonical dual）——在数学上是最有效且最稳定的信号重建方式。他们表明，这种方法之所以独特，是因为它在每一个点上都使误差最小化。此外，他们还确定了组合两个信号的最终结果并不取决于选择哪种具体的重建方法，只要该方法是有效的即可。这意味着从信号中提取的核心信息是本质的且可靠的，无论使用哪种数学“坐标系”来观察它。
为了确保这些发现不仅仅是理论性的，团队利用紧凑且定义明确的窗口进行了计算机模拟测试。他们创建了两套不同的滤波器，具有不同的中心点，并测试了是否可以正确地组合和比较这些信号。结果非常精确：预测结果与实际计算机计算之间的差异极小，几乎可以忽略不计，卷积的误差约为 1.97 × 10⁻¹⁶，相关性的误差约为 1.98 × 10⁻¹⁶。这些数字如此接近于零，以至于代表了计算机计算能力的极限，从而证实了数学规则在实践中是成立的。他们还测试了系统对微小误差的敏感程度。当他们稍微移动滤波器的位置时，输出的变化与偏移的大小成正比，这证明了系统是稳定的，不会将微小的错误放大为巨大的误差。
这项工作还阐明了这些新规则如何与旧的、更简单的算法相联系。研究人员表明，如果将他们系统中复杂的、弯曲的几何结构简化为一条直线，他们的新规则会自然地退化为基础信号处理中使用的标准、广为人知的规则。这证实了他们先进的框架是现有知识的一种真正的推广，能够在处理现实世界信号的复杂、弯曲路径的同时，仍与已建立的理论保持一致。通过将信号边界的自适应检测与随后的刚性数学运算相分离，作者为分析复杂的非平稳信号开辟了一条清晰的路径。他们的工作为未来应用中处理快速变化或遵循不可预测路径的信号提供了坚实的理论基础，确保了用于理解这些信号的工具既具有灵活性，又具备数学上的严密性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。