[论文解读] Adaptive orthonormal systems for matrix-valued functions

Daniel Alpay, Fabrizio Colombo+2 more|arXiv (Cornell University)|Nov 24, 2015

Mathematical Analysis and Transform Methods参考文献 24被引用 3

一句话总结

本文通过使用广义最大选择原则，将自适应傅里叶分解（AFD）扩展到 Hardy 空间 $\mathbf{H}_2^{p\times q}$ 中的矩阵值函数，该原则自适应地选择单位圆内的点并结合正交投影，构建了矩阵值 Blaschke 乘积的正交系。该方法确保了快速收敛，并保持了非负解析瞬时频率的性质，从而实现了矩阵信号的高效有理逼近与插值。

ABSTRACT

In this paper we consider functions in the Hardy space $\mathbf{H}_2^{p imes q}$ defined in the unit disc of matrix-valued. We show that it is possible, as in the scalar case, to decompose those functions as linear combinations of suitably modified matrix-valued Blaschke product, in an adaptive way. The procedure is based on a generalization to the matrix-valued case of the maximum selection principle which involves not only selections of suitable points in the unit disc but also suitable orthogonal projections. We show that the maximum selection principle gives rise to a convergent algorithm. Finally, we discuss the case of real-valued signals.

研究动机与目标

• 将自适应傅里叶分解（AFD）从标量函数推广到 Hardy 空间 $\mathbf{H}_2^{p\times q}$ 中的矩阵值函数。
• 基于矩阵值最大选择原则的扩展，开发一种结合点选择与正交投影的自适应算法。
• 确保分解过程收敛到目标矩阵值函数，同时保持非负解析瞬时频率的性质。
• 通过利用傅里叶系数中的对称性与共轭对称性，将理论扩展至实值矩阵信号。
• 提供一种基于由 Blaschke 乘积导出的正交系的矩阵值函数有理逼近与插值框架。

提出的方法

• 通过广义最大选择原则自适应选择矩阵值 Blaschke 因子 $B_k(z)$，该原则在 $a_k \in \mathbb{D}$ 上最大化 $|\langle f_k, e_{a_k} \rangle|^2 = (1 - |a_k|^2) \|f_k(a_k)\|^2$。
• 通过广义反向移位运算定义第 $k$ 个余项 $f_k(z)$：$f_k(z) = \frac{f_{k-1}(z) - \langle f_{k-1}, e_{a_{k-1}} \rangle e_{a_{k-1}}(z)}{\frac{z - a_{k-1}}{1 - z\overline{a_{k-1}}}}$。
• 构建在单位圆上模为 1 且在 $\mathbf{H}_2^{p\times q}$ 中正交的矩阵值 Blaschke 乘积的正交系。
• 利用 Beurling-Lax 定理将反向移位不变子空间表征为 $\mathcal{B} \mathbf{H}_2^{p\times q}$，其中 $\mathcal{B}$ 是一个矩阵值 Blaschke 乘积。
• 应用 Leech 的因子分解定理，证明若函数 $F$ 与 Blaschke 乘积 $\mathcal{B}$ 的值域正交，则 $\mathcal{B} = \Theta \Theta_1$，其中 $\Theta_1$ 为收缩的，且 $\ell = p$。
• 对于实矩阵信号，利用共轭对称性 $F_{-n} = \overline{F_n}$ 将其表示为 $F(e^{it}) = F_+(e^{it}) + \overline{F_+(e^{it})} - F_0$，从而可在解析部分 $F_+$ 上应用 AFD 算法。

实验结果

研究问题

• RQ1 能否通过包含正交投影的最大选择原则，将自适应傅里叶分解（AFD）推广到 $\mathbf{H}_2^{p\times q}$ 中的矩阵值函数？
• RQ2 由此产生的矩阵值 Blaschke 乘积正交系是否收敛到目标函数？其收敛速度在何种条件下较快？
• RQ3 在矩阵值情况下，如何保持非负解析瞬时频率的性质？这对信号分解有何意义？
• RQ4 矩阵值 Hardy 空间中反向移位不变子空间的结构是什么？它与矩阵值 Blaschke 乘积值域有何关系？
• RQ5 如何通过利用傅里叶系数中的共轭对称性，将 AFD 算法适配于实值矩阵信号？

主要发现

• 广义最大选择原则确保算法在 $\mathbf{H}_2^{p\times q}$ 中收敛到目标矩阵值函数 $f$，且满足 $\|f_{n+1}\| \to 0$ 当 $n \to \infty$。
• 分解式 $f(z) = \sum_{k=1}^\infty \langle f_k, e_{a_k} \rangle B_k(z)$ 成立，其中每个 $B_k$ 为矩阵值 Blaschke 乘积，且该系在 $\mathbf{H}_2^{p\times q}$ 中正交。
• 该方法保持了每个分量 $B_k$ 的非负解析瞬时频率性质，确保每个项在矩阵值意义上为单分量。
• 由算法生成的反向移位不变子空间形式为 $\mathcal{B} \mathbf{H}_2^{p\times q}$，其中 $\mathcal{B}$ 是由所选点 $a_k$ 和投影构造的矩阵值 Blaschke 乘积。
• 对于实矩阵信号，解析部分 $F_+$ 属于 $\mathbf{H}_2^{p\times q}$，且可通过 $F(e^{it}) = F_+(e^{it}) + \overline{F_+(e^{it})} - F_0$ 重构完整信号，从而可在 $F_+$ 上应用 AFD 算法。
• Levy 因子分解定理的应用表明，若 $F$ 与 $\mathcal{B} \mathbf{H}_2^{p\times q}$ 正交，则 $\mathcal{B} = \Theta \Theta_1$，其中 $\Theta_1$ 为解析且收缩的，且 $\ell = p$。