[论文解读] Approximating with Gaussians

Craig Calcaterra, Axel Boldt|ArXiv.org|May 25, 2008

Digital Filter Design and Implementation参考文献 10被引用 6

一句话总结

本文证明了固定方差的平移高斯函数的线性组合在 $L^2(\mathbb{R})$ 中是稠密的，从而仅通过 $e^{-x^2}$ 的平移副本即可实现对任意 $L^2$ 函数的任意 $L^2$-逼近。本文提供了两种系数计算方法——基于正交厄米特函数和最小二乘法——并通过傅里叶变换表明，低频三角级数在加权 $L^2(\mathbb{R})$ 中是稠密的。

ABSTRACT

Linear combinations of translations of a single Gaussian, e^{-x^2}, are shown to be dense in L^2(R). Two algorithms for determining the coefficients for the approximations are given, using orthogonal Hermite functions and least squares. Taking the Fourier transform of this result shows low-frequency trigonometric series are dense in L^2 with Gaussian weight function.

研究动机与目标

• 建立单一高斯函数 $e^{-x^2}$ 的平移函数的线性组合在 $L^2(\mathbb{R})$ 中是稠密的。
• 提供在该类逼近中计算系数的显式算法，方法包括厄米特函数和最小二乘法。
• 分析由高阶导数逼近引发的数值稳定性和条件数问题。
• 通过傅里叶变换推导出一个新推论：低频三角级数在加权 $L^2(\mathbb{R})$ 中是稠密的。
• 解决实际挑战，如系数计算中的舍入误差和病态性问题。

提出的方法

• 利用 $L^2(\mathbb{R})$ 中厄米特函数的稠密性，通过 $e^{-x^2}$ 的有限阶导数和来逼近任意 $f \in L^2(\mathbb{R})$。
• 应用有限后向差分法，利用 $x - nt$ 处的取值近似 $e^{-x^2}$ 的导数，从而得到求和式 $\sum a_n e^{-(x - nt)^2}$ 中的系数 $a_n$。
• 通过正交投影到厄米特函数上，推导出系数 $a_n$ 的显式公式，其中 $b_n = \frac{1}{n!2^n\sqrt{\pi}} \int f(x) e^{x^2} \frac{d^n}{dx^n}(e^{-x^2}) dx$。
• 引入广义 $n$-点差分公式，利用泰勒展开和范德蒙德矩阵求逆来求解系数 $c_i$。
• 对主要结果应用傅里叶变换，表明低频三角级数在加权 $L^2(\mathbb{R})$ 中是稠密的。
• 提出复步有限差分法，通过在复平面零点附近更密集地布置节点，以减少舍入误差。

实验结果

研究问题

• RQ1 能否用 $e^{-x^2}$ 的有限个平移函数的线性组合，以任意精度逼近任意 $f \in L^2(\mathbb{R})$？
• RQ2 是否存在一种有效且稳定的系数计算方法？
• RQ3 使用有限差分法近似 $e^{-x^2}$ 的导数，如何影响逼近的精度和条件数？
• RQ4 高斯逼近结果的傅里叶变换对加权 $L^2$ 空间有何影响？
• RQ5 复步有限差分法能否改善系数计算中的数值稳定性？

主要发现

• 平移高斯函数 $e^{-x^2}$ 的线性组合在 $L^2(\mathbb{R})$ 中是稠密的，意味着任意平方可积函数均可在 $L^2$-范数下以任意精度逼近。
• 逼近式 $f \approx \sum_{n=0}^N a_n e^{-(x - nt)^2}$ 中的系数 $a_n$ 可通过正交投影到厄米特函数上显式计算。
• 使用最小二乘法计算系数会导致病态矩阵，表明存在数值不稳定性。
• 定理3中提供了更高效的系数计算公式，避免了直接的矩阵求逆。
• 有限差分法对导数逼近的截断误差受 $O(t^{n+1})$ 限制，且可通过增加 $n$ 而不减小 $t$ 来减小误差。
• 对主要结果应用傅里叶变换表明，低频三角级数在加权 $L^2(\mathbb{R})$ 中是稠密的，权重为 $e^{-x^2}$。