[论文解读] Adaptive sub-linear Fourier algorithms

Debbie A. Lawlor, Yan Wang+1 more|arXiv (Cornell University)|Jul 26, 2012

Sparse and Compressive Sensing Techniques参考文献 25被引用 15

一句话总结

本文提出了一种确定性、自适应的亚线性傅里叶算法，实现显著频率数 $k$ 的线性缩放，优于以往具有 $O(k^2)$ 复杂度的确定性方法。通过利用时移 DFT 中的相位关系，该算法检测混叠并恢复未混叠的频率，从而在平均情况下实现相较于现有方法的数个数量级提速。

ABSTRACT

We present a new deterministic algorithm for the sparse Fourier transform problem, in which we seek to identify k << N significant Fourier coefficients from a signal of bandwidth N. Previous deterministic algorithms exhibit quadratic runtime scaling, while our algorithm scales linearly with k in the average case. Underlying our algorithm are a few simple observations relating the Fourier coefficients of time-shifted samples to unshifted samples of the input function. This allows us to detect when aliasing between two or more frequencies has occurred, as well as to determine the value of unaliased frequencies. We show that empirically our algorithm is orders of magnitude faster than competing algorithms.

研究动机与目标

• 解决仅 $k \ll N$ 个傅里叶系数显著的稀疏傅里叶变换问题，旨在突破标准 FFT 的 $\Omega(N)$ 障壁。
• 开发一种相比现有亚线性方法具有更优平均时间复杂度和采样复杂度的确定性算法。
• 通过引入使用递增位移大小 $\varepsilon_j$ 的多分辨率方法，实现在噪声环境下的鲁棒频率估计。
• 将稀疏傅里叶变换的适用性扩展至非整数频率，这是该背景下的一项新贡献。
• 使用带有自定义代价函数的地球移动者距离（EMD）度量评估近似质量，尤其关注频率定位和系数保真度。

提出的方法

• 利用时移样本，将时移信号的傅里叶系数与原始信号关联，实现混叠检测和未混叠频率的恢复。
• 对互质长度的短 DFT 应用中国剩余定理，从不同长度的模值中重构主频率。
• 基于多组位移下的相位一致性，应用一种基于四舍五入的程序，逐步提高频率分量的估计精度。
• 引入一种多分辨率策略，其中位移大小 $\varepsilon_j$ 逐步增加，以逐比特（从最高位到最低位）提取频率分量。
• 使用地球移动者距离（EMD）结合代价函数 $d_1(\omega, \tilde{\omega}) = \frac{|\omega - \tilde{\omega}|}{N} + |c\_\omega - c extsubscript{\tilde{\omega}}|$ 评估近似质量，平衡频率和振幅精度。
• 设计一种拉斯维加斯风格的算法，保证正确性但具有随机运行时间，通过自适应采样和基于相位的滤波优化性能。

实验结果

研究问题

• RQ1 能否设计一种确定性算法，在稀疏傅里叶变换问题中实现 $k$ 的亚二次时间复杂度缩放，优于现有方法的 $O(k^2)$ 边界？
• RQ2 如何利用时移 DFT 中的相位信息检测混叠并恢复未混叠频率？
• RQ3 在噪声环境下，使用递增位移大小 $\varepsilon_j$ 的多分辨率方法能在多大程度上提升频率估计精度？
• RQ4 与基于 $\ell_2$ 的误差度量相比，使用混合频率-振幅代价函数的地球移动者距离（EMD）度量在评估稀疏傅里叶近似质量方面表现如何？
• RQ5 该算法能否扩展以处理非整数频率，从而适用于非周期性信号？

主要发现

• 所提算法在平均情况下实现 $k$ 的线性缩放，相较于以往具有 $O(k^2)$ 复杂度的确定性算法有显著改进。
• 实验结果表明，该算法在 $k \ll N$ 的稀疏度水平下，相比竞争算法（包括 FFTW）快数个数量级。
• 在无噪声情况下，参数 $c_1 = 5$ 即足以实现准确的频率恢复；但在噪声条件下，需 $c_1 \approx 256$ 才能维持低 EMD(1) 误差。
• EMD(1) 误差随噪声水平 $\sigma$ 线性增加，表明对输入噪声具有鲁棒性。
• 使用递增位移大小 $\varepsilon_j$ 的多分辨率方法可实现逐比特频率估计，提升噪声环境下的精度。
• 该算法通过时移间相位一致性检测混叠的能力，使其能从更少的样本中提取更多信息，优于以往方法。