[논문 리뷰] Closed-Form Projection Method for Regularizing a Function Defined by a Discrete Set of Noisy Data and for Estimating its Derivative and Fractional Derivative

Timothy J. Burns, Bert W. Rust|arXiv (Cornell University)|2018. 01. 01.

Scientific Measurement and Uncertainty Evaluation참고 문헌 1인용 수 2

한 줄 요약

이 논문은 힐버트 공간에서 적분 및 분수적 적분 연산자의 알려진 특이값 분해(SVD)를 활용하여, 저차수 삼각함수 또는 자코비 다항식을 사용해 노이즈가 있는 이산 데이터를 정규화하는 폐쇄형 투영 방법을 제시한다. 이 방법은 최소한의 계산 비용으로 SVD 기반의 성분 선택을 통해 신호와 노이즈를 분리함으로써, 매우 노이즈가 많은 데이터로부터도 정확하고 해석적으로 함수, 도함수, 분수 도함수를 추정할 수 있다.

ABSTRACT

We present a closed-form finite-dimensional projection method for regularizing a function defined by a discrete set of measurement data, which have been contaminated by random, zero mean errors, and for estimating the derivative and fractional derivative of this function by linear combinations of a few low degree trigonometric or Jacobi polynomials. Our method takes advantage of the fact that there are known infinite-dimensional singular value decompositions of the operators of integration and fractional integration.

연구 동기 및 목표

• 노이즈가 있는 이산 측정값으로부터 부드러운 함수를 복원하는 불안정한 역문제를 해결하기 위해.
• 제로 평균 랜덤 오차에 의해 오염된 데이터에서 고주파 수준의 노이즈와 신호를 분리하는 정규화 기법을 개발하기 위해.
• 저차수의 직교 다항식을 사용하여 원래 함수, 도함수, 분수 도함수에 대한 폐쇄형 유한차원 근사식을 제공하기 위해.
• 기존의 무한차원 SVD를 활용하여 아벨 및 볼테라 적분 방정식과 같은 적분 연산자로의 통계적 신호 분리 방법을 확장하기 위해.
• 반복적 해법이나 메esh 정밀도 조정 없이도 도함수 및 분수 도함수를 정확하고 계산 효율적으로 추정할 수 있도록 하기 위해.

제안 방법

• 이 방법은 힐버트 공간에서 적분 및 분수적 적분 연산자의 알려진 폐쇄형 특이값 분해(SVD)를 사용한다.
• 노이즈가 있는 데이터를 SVD 분 析를 통해 선택된 저차수 삼각함수 또는 자코비 다항식에 의해 생성되는 유한차원 부분공간에 투영한다.
• SVD 기저에서 회전된 데이터 벡터를 분석하여 신호 성분을 식별하며, 신호와 노이즈 성분을 구분하기 위한 진단 규칙을 적용한다.
• 신뢰성 있는 노이즈에 대한 저항성을 확보하면서도 신호의 정밀도를 유지하기 위해, 절단 임계값 τ = 3을 적용하여 유의미한 SVD 성분을 선별한다.
• 정규화된 함수 및 그 도함수는 선택된 기저 함수들의 폐쇄형 선형 조합으로 표현된다.
• 분수 도함수의 경우, 분수 적분 연산자의 알려진 SVD의 역행렬을 적용함으로써 직접적인 해석적 추정이 가능해진다.

실험 결과

연구 질문

• RQ1 노이즈가 있는 이산 데이터로부터 정규화된 함수를 폐쇄형, 유한차원 투영 방법으로 정확하게 추정할 수 있으며, 도함수 추정의 정확성도 유지할 수 있는가?
• RQ2 적분 및 분수적 적분 연산자의 특이값 분해(SVD)는 불안정한 역문제에서 신호와 노이즈를 어떻게 분리하는 데 활용될 수 있는가?
• RQ3 반복적 또는 수치 최적화 기법에 의존하지 않고 노이즈가 있는 데이터에서 유의미한 SVD 성분을 최적의 방식으로 선택하는 방법은 무엇인가?
• RQ4 몇 개의 저차수 직교 다항식만을 사용하여 함수, 도함수, 분수 도함수에 대한 폐쇄형 근사식을 얼마나 정확하게 구성할 수 있는가?
• RQ5 정면 문제는 안정하나 역문제가 매우 불안정한 경우, 특히 고주파 수준의 노이즈에 의해 영향을 받는 데이터에서 이 방법의 성능은 어떠한가?

주요 결과

• 이 방법은 250개의 노이즈가 있는 데이터 포인트를 가진 삼차함수를 성공적으로 정규화하였으며, SVD 진단을 통해 인덱스 1, 2, 3 및 87에 해당하는 신호 성분을 식별하였다.
• 예제(5.8)–(5.9)에서 아벨 방정식의 경우 첫 네 개의 SVD 항목이 g와 f의 근사값을 정확한 해와 거의 구분되지 않도록 제공하였다.
• 3항의 레지온다 다항식 근사식은 데이터 및 원천 함수 추정에서 높은 정확도를 달성하였으며, 잔차 진단 플롯을 통해 효과적인 노이즈 억제가 이루어졌음을 확인하였다.
• 투영 행렬 P의 조건수(Condition Number)가 90을 초과할 경우, P의 첫 90개 열만을 사용하는 대체 방법을 통해 안정적인 QR 분해와 신뢰할 수 있는 신호 식별이 가능했다.
• 이 방법은 f 및 그 도함수에 대해 폐쇄형 표현식을 생성하여 반복적 알고리즘을 피하고, 임의의 메쉬에서 빠르고 정확하게 평가할 수 있도록 하였다.
• 이 방법은 소규모 진폭의 고주파 수준 노이즈에 대해 뛰어난 내성성을 보였으며, 신호와 노이즈 성분이 최소한의 오차 증폭으로 효과적으로 분리되었다.