5.10 图上的傅里叶变换和逆变换

Posted 炫云云

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了5.10 图上的傅里叶变换和逆变换相关的知识,希望对你有一定的参考价值。


把传统的傅里叶变换以及卷积迁移到Graph上来,核心工作其实就是把拉普拉斯算子的特征函数 e − i ω t e^{-i\\omega t} eiωt变为Graph对应的拉普拉斯矩阵的特征向量。

(1)傅里叶变换

5.1傅里叶展开,傅里叶级数推导–非常棒

5.3傅立叶变换意境级讲解_炫云云-CSDN博客

(2)Graph上的傅里叶变换

传统的傅里叶变换定义为:
F ( ω ) = F [ f ( t ) ] = ∫ f ( t ) e − i ω t d t (1) F(\\omega)=\\mathcal{F}[f(t)]=\\int_{}^{}f(t)e^{-i\\omega t} dt\\tag1 F(ω)=F[f(t)]=f(t)eiωtdt(1)

公式 (1) 表示的意义是傅立叶变换是时域信号 f ( t ) f(t) f(t) 与基函数 e − i ω t e^{-i \\omega t} \\quad eiωt (拉普拉斯算子特征函数)的积分,那么为什么要找 e − i ω t e^{-i \\omega t} eiωt 作为基函数呢?

  1. e − i ω t e^{-i \\omega t} eiωt 是正交函数系。
  2. 从数学上看, e − i ω t e^{-i \\omega t} eiωt 是拉普拉斯算子 Δ \\Delta Δ特征函数 (满足特征方程) , ω \\omega ω 就和特征值有关。

至于 e − i w t e^{-i w t} eiwt 由何种推导得来的请参考:傅里叶变换的全面理解

拉普拉斯算子Δ的定义:

5.8 拉普拉斯算子和拉普拉斯矩阵,图拉普拉斯算子推导_炫云云

其数学定义为: Δ = ∑ i = 1 n ∂ 2 ∂ 2 x i ( 2 ) \\Delta=\\sum_{i=1}^n\\frac{\\partial^2}{\\partial{^2x_{i}}} \\quad\\quad\\quad(2) Δ=i=1n2xi2(2)

e − i ω t e^{-i\\omega t} eiωt为何是拉普拉斯算子 Δ \\Delta Δ的特征函数?理解如下

广义的特征方程定义为:
A V = λ V (3) A V=\\lambda V \\tag{3} AV=λV(3)

其中 A A A一种变换(例如:拉普拉斯), V V V特征向量或者特征函数 (无限维的特征向量), λ \\lambda λ特征值

带入函数 e − i ω t e^{-i \\omega t} eiωt 满足:
Δ e − i w t = ∂ 2 ∂ 2 x i e − i w t = ∂ 2 ∂ 2 t e − i w t = − w 2 e − i w t (4) \\Delta e^{-iwt}=\\frac{\\partial ^2}{\\partial^2 x_i}e^{-iwt}=\\frac{\\partial ^2}{\\partial^2 t}e^{-iwt}=-w^2e^{-iwt} \\tag4 Δeiwt=2xi2eiwt=2t2eiwt=w2eiwt(4)

当然 e − i ω t e^{-i \\omega t} eiωt 就是变换 Δ \\Delta Δ特征函数, ω \\omega ω特征值密切相关。

由上述证明可得结论:傅立叶变换是时域信号与拉普拉斯算子特征函数的积分。

从整体推特殊,将以上的结论推广到(离散)图中可知:图上的傅立叶变换就是时域信号与图拉普拉斯算子特征函数的求和!

那么,处理Graph问题的时候,用到拉普拉斯矩阵(拉普拉斯矩阵就是离散拉普拉斯算子),自然就去找拉普拉斯矩阵的特征向量了。

L L L 是拉普拉斯矩阵, V V V 是其特征向量,自然满足下式

L V = λ V LV=\\lambda V LV=λV
对于傅里叶变换式(1),将特征函数转换为特征向量,离散积分就是一种内积形式,将积分转换为求和,那么N个节点图上的傅立叶变化表达式为:
F ( x ) = F ( λ l ) = ∑ i = 1 N x i ∗ u l ∗ ( i ) (5) \\mathscr{F}(x)=F(\\lambda_l)=\\sum_{i=1}^N x_i*u_l^*(i) \\tag 5 F(x)=F(λl)=i=1Nxiul(i)(5)
图信号 x i x_i xi (时域)与图的节点一一对应 ,经过图上的傅立叶变化得到 F ( λ l ) F\\left(\\lambda_{l}\\right) F(λl) 是图上的 N N N维向量(频谱域), u l ( i ) u_{l}(i) ul(i) 表示第 l l l个特征向量的 i i i个分量 λ l \\lambda_{l} λl 为图拉普拉斯算子第 l l l 个特征值,

注:上述的内积运算是在复数空间中定义的, 所以采用了 u l ∗ ( i ) u_{l}^{*}(i) ul(i), 也就是特征向量 u l u_{l} ul共轭。

利用矩阵乘法将图上的傅里叶变换推广到矩阵形式:
( F ( λ 1 ) F ( λ 2 ) ⋮ F ( λ N ) ) = (   u 1 ( 1 ) u 1 ( 2 ) … u 1 ( N ) u 2 ( 1 ) u 2 ( 2 ) … u 2 ( N ) ⋮ ⋮ ⋱ ⋮ u N ( 1 ) u N ( 2 ) … u N ( N ) ) ( x 1 x 2 ⋮ x N ) \\left(\\begin{matrix} F(\\lambda_1)\\\\ F(\\lambda_2) \\\\ \\vdots \\\\ F(\\lambda_N) \\end{matrix}\\right)= \\left(\\begin{matrix}\\ u_1(1) &u_1(2)& \\dots &u_1(N) \\\\u_2(1) &u_2(2)& \\dots &u_2(N)\\\\ \\vdots &\\vdots &\\ddots & \\vdots\\\\ u_N(1) &u_N(2)& \\dots &u_N(N) \\end{matrix}\\right) \\left(\\begin{matrix}x_1\\\\ x_2 \\\\ \\vdots \\\\x_N \\end{matrix}\\right) F(λ1以上是关于5.10 图上的傅里叶变换和逆变换的主要内容,如果未能解决你的问题,请参考以下文章

傅里叶变换简介

语音信号的短时傅里叶变换 怎样看懂语谱图

数字信号处理序列傅里叶变换 ( 基本序列的傅里叶变换 | 求 1 的傅里叶变换 )

OpenCV C++(十)----傅里叶变换

数字信号处理序列傅里叶变换 ( 基本序列的傅里叶变换 | 求 1 的傅里叶变换 )

数字信号处理序列傅里叶变换 ( 基本序列的傅里叶变换 | e^jωn 的傅里叶变换 )