SlideShare ist ein Scribd-Unternehmen logo
1 von 17
Downloaden Sie, um offline zu lesen
社内教育用 鈴木幸一郎
ON THE EIGEN-STRUCTURE OF DFT
MATRICES BY
やること
• 元ネタ
• Mar 2011のSignal Prcessing Magazine内
記事
• DFT行列と遊んでみよう
DFT行列
• (Discrete) Fourier Transformとは
• 時間領域から周波数領域への直交変換
exp( 2 ) ( )fX i ft x t dtπ= − [ ] exp( 2 ) [ ]
H
f
X f i fn x nπ= −
=

a x有限・離散化
[exp( 2 0),...,exp( 2 ( 1))]
2 {0,2 / , ,2 ( 1) / }
f N i f i f N
f N N N
π π
π π π
= −
= … −
a 
周波数ベクトル
まとめて
0 ( 1)/, ,...,H
N N−
 = =  X F x F a a
DFT行列
要素で書くと
k, n = {0, …, N-1}
• まず、Fはunitaryなので、FHF=I, Fの全ての
固有値の絶対値は必ず1でなければならない。
Fの固有値
Fの固有値
• J=F2を考える
• これはpermutation matrix(というか、要素
をひっくり返す行列) x[n] -> x[(-n)N]
• であるので、JJは、 (-(-n)N )N=nなので、
JJ=I
(・)Nはmod(・, N)
Fの固有値
• Fの固有ベクトルの一つをekとおくと、
2 4 4
4
, ( ) ,
1
{1, 1, , }
k k k k k k k k k k k
k
k i i
λ λ λ λ
λ
λ
= = = = =
=
= − −
kFe e FFe F e e F e e e であるので
こうなって
Fの固有値はNがどれだけ増えようともこの4つだけ!
でもそう言われればそんな気もする
なんとなくだけど。。。
それぞれの固有値がSPANする空間
を考えよう
• Fをスペクトル展開
• 固有値別に分類。E1, E2,E3,E4
• それぞれへの射影行列はPi=EiEi
H、だけどこい
つはそれぞれのiで直交しない。。。Fは正値
対称じゃないから。。。
• 気持ちわるいので別の方法を考える。
ケイリー・ハミルトン的な展開
4
1 1
1 0
( 1)( 1)( )( ) 0
k
i ii i
λ
λ λ λ λ− −
− =
− + − + =
前掲の特性多項式=0
1( )p λ なる多項式として、 1( ) ( 1)( )( ) / 4p i iλ λ λ λ= + − + を考える
1
3 2
( 1)( )( ) / 4
( ) / 4
i i= + − +
= + + +
P F F F
F F F I
λをFに置き替えて
・P1は1以外の固有値を持つ固有ベクトルと直交する!
・P1=P1
H, P1P1=P1
・∀e1:Fe1=e1にて、P1e1=e1 P1はE1への射影行列!
スペクトル展開なしでできた!
林修に似とるな。。
他の固有値についても
とできる
4
1 1
1 0
( 1)( 1)( )( ) 0
k
i ii i
λ
λ λ λ λ− −
− =
− + − + =
← これを使うと
その性質(ざっと)
■ さっきやった
■ これも
■ Fが直交変換であることを考えると、
まーそりゃそーだろう
■ 固有ベクトルにバラして考えると、
そりゃそうなるわな
■ P1とP-1でローパス(正解じゃないが)!
確かに!!
■ PiとP-iでハイパス(正解じゃないが) !
なるほど!!
さらにまとめると
任意N次ベクトル x
Forward と backwardで引き算
Forward と backwardで足し算
こんな風にそれぞれの固有値の張る空間へ射影されます
BCの行列もこんな風にまとめられる、、、と面白いな。。。
x Jx
固有ベクトルの本数は?
• {1,-1,i,-i}な固有値があることはわかったけど、
じゃあそれぞれ何本あるの?
• DFT matrix って別に次元は任意だし。。。
• 2nな必要ないし。。。
天下り的ですが、こうなる
※これからdet(F)もわかります
固有ベクトルは?
• Fからは直で正規直交な固有ベクトルを求め
るのは難しい
• projection matrix Pkを直交化する
EiはP1内で正規直交で、Ei≠i
HEi=0!
CONVENTIONAL DFT からの拡張
• Offset DFT
• 特別なケースのみ固有値についてよく知ら
れている
• 多次元の場合
• 個別にやっておk
他の変換との関係
• Hartley transform
• Fractional Fourier Transform (Fのsqrt)
• F1/2=P1+iP2+(1+i)/2Pi+(1-i)/2P-i とすると、
F1/2F1/2=F
フーリエ
Hartley
恒等
flipud
まとめ
• DFT行列の性質
• 単なる直交変換と思いきや、興味深い幾何学的な
性質を持つ
• 興味深すぎてついていけない。。。
• DFTライクな変換はDFT行列のprojection
matricesに帰着することで変換の直感的な理解を
与えることができる(ことがある)。
• Hadamard変換もきっとできる、、、か?
• いやちょっとムリかもな。。

Weitere ähnliche Inhalte

Andere mochten auch

Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
 
Stochastic Process Overview (hypothesis)
Stochastic Process Overview (hypothesis)Stochastic Process Overview (hypothesis)
Stochastic Process Overview (hypothesis)
Yoshiaki Sakakura
 
Hpc server講習会第3回応用編
Hpc server講習会第3回応用編Hpc server講習会第3回応用編
Hpc server講習会第3回応用編
Osamu Masutani
 

Andere mochten auch (20)

FLAT CAM: Replacing Lenses with Masks and Computationの解説
FLAT CAM: Replacing Lenses with Masks and Computationの解説FLAT CAM: Replacing Lenses with Masks and Computationの解説
FLAT CAM: Replacing Lenses with Masks and Computationの解説
 
Deep Learning Chapter12
Deep Learning Chapter12Deep Learning Chapter12
Deep Learning Chapter12
 
Variational Kalman Filter
Variational Kalman FilterVariational Kalman Filter
Variational Kalman Filter
 
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
 
マーク付き点過程
マーク付き点過程マーク付き点過程
マーク付き点過程
 
Holonomic Gradient Descent
Holonomic Gradient DescentHolonomic Gradient Descent
Holonomic Gradient Descent
 
Halide, Darkroom - 並列化のためのソフトウェア・研究
Halide, Darkroom - 並列化のためのソフトウェア・研究Halide, Darkroom - 並列化のためのソフトウェア・研究
Halide, Darkroom - 並列化のためのソフトウェア・研究
 
Stochastic Process Overview (hypothesis)
Stochastic Process Overview (hypothesis)Stochastic Process Overview (hypothesis)
Stochastic Process Overview (hypothesis)
 
Hpc server講習会第3回応用編
Hpc server講習会第3回応用編Hpc server講習会第3回応用編
Hpc server講習会第3回応用編
 
DSIRNLP06 Nested Pitman-Yor Language Model
DSIRNLP06 Nested Pitman-Yor Language ModelDSIRNLP06 Nested Pitman-Yor Language Model
DSIRNLP06 Nested Pitman-Yor Language Model
 
Swift 2 (& lldb) シンポジウム
Swift 2 (& lldb) シンポジウムSwift 2 (& lldb) シンポジウム
Swift 2 (& lldb) シンポジウム
 
Kernel entropy component analysis
Kernel entropy component analysisKernel entropy component analysis
Kernel entropy component analysis
 
Dsirnlp#7
Dsirnlp#7Dsirnlp#7
Dsirnlp#7
 
Gamglm
GamglmGamglm
Gamglm
 
Extreme Learning Machine
Extreme Learning MachineExtreme Learning Machine
Extreme Learning Machine
 
情報検索における評価指標の最新動向と新たな提案
情報検索における評価指標の最新動向と新たな提案情報検索における評価指標の最新動向と新たな提案
情報検索における評価指標の最新動向と新たな提案
 
論文紹介:Practical bayesian optimization of machine learning algorithms(nips2012)
論文紹介:Practical bayesian optimization of machine learning algorithms(nips2012)論文紹介:Practical bayesian optimization of machine learning algorithms(nips2012)
論文紹介:Practical bayesian optimization of machine learning algorithms(nips2012)
 
CNNチュートリアル
CNNチュートリアルCNNチュートリアル
CNNチュートリアル
 
Nl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov ModelNl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov Model
 
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けてディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
 

On the eigenstructure of dft matrices(in japanese only)