[论文解读] Fast and Accurate Linear Fitting for Incompletely Sampled Gaussian Function With a Long Tail

Kai Wu, J. Andrew Zhang+1 more|arXiv (Cornell University)|Mar 15, 2022

Spectroscopy Techniques in Biomedical and Chemical Research被引用 2

一句话总结

本文提出了一种高精度、快速收敛的初始化方法，用于迭代加权最小二乘法（WLS）线性高斯拟合，特别适用于不完全采样、含噪声且具有长尾的高斯函数。通过利用信号处理技巧——局部平均法进行峰值位置估计、积分近似法进行宽度估计，以及最小化均方误差（MSE）的振幅拟合——该方法在收敛速度和精度方面均优于当前最先进的方法，尤其在低信噪比和不完全采样等挑战性场景下表现更优。

ABSTRACT

Fitting experiment data onto a curve is a common signal processing technique to extract data features and establish the relationship between variables. Often, we expect the curve to comply with some analytical function and then turn data fitting into estimating the unknown parameters of a function. Among analytical functions for data fitting, Gaussian function is the most widely used one due to its extensive applications in numerous science and engineering fields. To name just a few, Gaussian function is highly popular in statistical signal processing and analysis, thanks to the central limit theorem [1]; Gaussian function frequently appears in the quantum harmonic oscillator, quantum field theory, optics, lasers, and many other theories and models in Physics [2]; moreover, Gaussian function is widely applied in chemistry for depicting molecular orbitals, in computer science for imaging processing and in artificial intelligence for defining neural networks.

研究动机与目标

• 解决将迭代WLS拟合应用于不完全采样、含噪声且具有长尾的高斯函数时，收敛性差和精度低的问题。
• 开发一种高质量的初始化方法，以减少迭代次数并提升拟合性能。
• 通过利用信号处理洞察，克服标准最小二乘法和朴素WLS方法的局限，实现鲁棒的参数估计。
• 通过合理的初始化技术，显著提升迭代WLS拟合的效率与精度。

提出的方法

• 引入局部平均技术，以降低噪声对峰值位置（μ）估计的影响。
• 利用采样高斯值的精确积分近似，推导出宽度（σ）的两个独立估计值。
• 建立两个σ估计值之间的线性关系，并设计渐近最优的加权组合，以最小化方差。
• 采用最小均方误差（MSE）策略，提升初始振幅（A）估计的精度。
• 将上述各估计器整合为一个鲁棒的初始参数向量，用于迭代WLS拟合。
• 将所得初始化结果应用于迭代WLS过程，显著加速收敛并提升稳定性，从而大幅提升收敛速度与最终拟合精度。

实验结果

研究问题

• RQ1 高质量初始化在不完全采样且含噪声的数据中，如何提升迭代WLS拟合高斯函数的收敛速度与精度？
• RQ2 在信噪比低且采样不完全的条件下，可采用哪些信号处理技术实现对高斯参数（A, μ, σ）的鲁棒估计？
• RQ3 结合多个σ估计值是否能获得比单一方法更准确、更稳定的宽度估计？
• RQ4 与现有方法相比，所提出的初始化方法在收敛速度与最终拟合误差方面表现如何？
• RQ5 在稀疏采样条件下，该方法在长尾高斯函数上的性能提升程度如何？

主要发现

• 所提出的初始化方法（M3）在所有测试场景中均显著优于当前最先进的方法（M1），尤其在高噪声和不完全采样条件下表现更优。
• 使用所提出初始化的M4仅需约两次迭代即可收敛，而M2和M5则需超过12次迭代才能达到相近性能。
• 在长尾、含噪声的情况下，与基线方法相比，该方法将参数估计的均方误差（MSE）降低了高达50%。
• 采用局部平均峰值位置估计器可有效降低噪声引起的偏差，提升μ估计的准确性。
• σ估计值的渐近最优组合具有比单个估计器更低的方差，显著增强了鲁棒性。
• 整体拟合效率与精度得到显著提升，即使在挑战性条件下，也能实现更快收敛与更优的最终拟合质量。