[论文解读] 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)|Jan 1, 2018

Scientific Measurement and Uncertainty Evaluation参考文献 1被引用 2

一句话总结

本文提出了一种闭式投影方法，利用低阶三角函数或雅可比多项式对噪声离散数据进行正则化，借助积分算子和分数阶积分算子的已知奇异值分解（SVD）。该方法通过基于SVD的分量选择，以极低计算成本将信号与噪声分离，从而即使在高度噪声数据下，也能实现函数、其导数及分数阶导数的精确、解析估计。

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.

研究动机与目标

• 解决从噪声离散测量中恢复平滑函数的不适定逆问题。
• 开发一种正则化技术，以分离被零均值随机误差污染的数据中的信号与高频噪声。
• 使用低阶正交多项式，提供原函数、其导数及分数阶导数的闭式、有限维近似。
• 通过已知的无限维SVD，将统计信号分离方法扩展至阿贝尔和伏尔泰拉方程等积分算子。
• 在无需迭代求解器或网格细化的情况下，实现导数与分数阶导数的精确、计算高效估计。

提出的方法

• 该方法利用希尔伯特空间中积分算子和分数阶积分算子的已知闭式奇异值分解（SVD）。
• 将噪声数据投影到由低阶三角函数或雅可比多项式张成的有限维子空间上，基函数的选择基于SVD分析。
• 通过在SVD基中检查旋转后的数据向量，利用诊断规则区分信号分量与噪声分量。
• 应用截断阈值 τ = 3 以选择显著的SVD分量，确保对噪声的鲁棒性，同时保持信号保真度。
• 正则化函数及其导数表示为所选基函数的闭式线性组合。
• 对于分数阶导数，该方法应用已知分数积分算子SVD的逆，实现直接的解析估计。

实验结果

研究问题

• RQ1 是否能够通过闭式、有限维投影方法，从噪声离散数据中正则化函数，同时保持导数估计的准确性？
• RQ2 如何利用积分与分数阶积分算子的奇异值分解，分离不适定逆问题中的信号与噪声？
• RQ3 在不依赖迭代或数值优化的情况下，选择显著SVD分量的最优方法是什么？
• RQ4 在仅使用少数低阶正交多项式的情况下，原函数、其导数及分数阶导数的闭式近似能达到多大程度的构造精度？
• RQ5 当数据受高频噪声扰动时，该方法在前向问题稳定但反向问题高度不适定的情况下表现如何？

主要发现

• 该方法成功正则化了含250个噪声点的三次函数，通过SVD诊断识别出索引为1、2、3和87的信号分量。
• 在阿贝尔方程示例（5.8）–（5.9）中，前四项SVD分量提供的g和f近似与精确解几乎无法区分。
• 三系数勒让德多项式近似在数据与源函数估计中均达到高精度，残差诊断图证实了有效的噪声抑制。
• 当投影矩阵P的条件数超过90时，仅使用P的前90列的替代方案实现了稳定的QR分解，并确保了可靠的信号识别。
• 该方法生成了f及其导数的闭式表达式，避免了迭代方法，实现了在任意网格上的快速、精确求值。
• 该方法对小振幅、高频噪声表现出鲁棒性，信号与噪声分量被有效分离，且误差放大极小。