【小波分析】六、小波分析与非线性逼近(上)
神经网络与小波分析相结合, 分形几何与小波分析相结合是国际上研究的热点之一。基于神经网络的智能处理技术, 模糊计算、进化计算与神经网络结合的研究, 没有小波理论的嵌人很难取得突破。非线性科学的研究正呼唤小波分析, 也许非线性小波分析是解决非线性科学问题的理想工具。
对偶
回忆一下,在线性代数中,如果给定
R
n
\mathbb{R}^n
Rn 空间的一组基,不妨设为
e
k
\mathbf {e}_k
ek,每个
k
k
k 对应于一个
n
n
n 维的列向量,它们不必是单位向量,也不必是正交的。那么,给定空间的一个向量
v
\mathbf v
v,它在每个
e
k
\mathbf{e}_k
ek 上的系数,就等于
v
\mathbf{v}
v 和
e
k
\mathbf{e}_k
ek 对偶上的内积。即
v
=
∑
k
=
1
n
(
v
,
e
~
k
)
e
k
\mathbf{v} = \sum_{k=1}^{n} (\mathbf{v},\mathbf {\tilde {e}}_k) \mathbf{e}_k
v=k=1∑n(v,e~k)ek
其中,
(
⋅
,
⋅
)
(\cdot,\cdot)
(⋅,⋅) 表示向量内积。
e
~
k
\mathbf {\tilde {e}}_k
e~k 表示
e
k
\mathbf{e}_k
ek 的对偶(在这组基的意义下),即
(
e
j
,
e
~
k
)
=
δ
j
,
k
.
(\mathbf{e}_j,\mathbf {\tilde {e}}_k) = \delta_{j,k}.
(ej,e~k)=δj,k.
δ \delta δ 表示 Kronecker delta 函数, j = k j=k j=k 为 1, j ≠ k j\neq k j=k 为零。
理解一下,我们要找一个向量在一组基下的表示,无非就是要找到这组基张成的矩阵的逆,所谓的对偶,其实本质上反映的就是基向量张成的空间的逆。当基函数是标准正交基的时候,它张成的矩阵是个酉矩阵,那么它的逆本质上就等同于自身,此时, e ~ k = e k \mathbf {\tilde {e}}_k=\mathbf{e}_k e~k=ek。
把它推广到函数空间,也是一样的。在 L 2 ( R ) L^2(\mathbb{R}) L2(R) 空间中定义对偶 φ ~ k \tilde{\varphi}_k φ~k,
< φ j , φ ~ k > : = ∫ R φ j φ ~ k d x = δ j k <\varphi_j, \tilde{\varphi}_k> := \int_{\mathbb{R}} \varphi_j \tilde{\varphi}_k \mathrm{d} x=\delta_{j k} <φj,φ~k>:=∫Rφjφ~kdx=δjk
那么,任意的 f ∈ L 2 ( R ) f \in L^2(\mathbb{R}) f∈L2(R),我们有
f = ∑ k = 1 n < f , φ ~ k > φ k . f = \sum_{k=1}^{n} <f, \tilde{\varphi}_k> \varphi_k. f=k=1∑n<f,φ~k>φk.
非常干净,非常简洁的表示。在理论分析上很有用。
插值空间
这里直接给出插值空间
(
X
,
Y
)
θ
,
q
(X, Y)_{\theta, q}
(X,Y)θ,q 的定义,它是满足以下半范有限的所有的
f
f
f 的集合:
∣
f
∣
(
X
,
Y
)
θ
,
q
:
=
{
(
∫
0
∞
[
t
−
θ
K
(
f
,
t
)
]
q
d
t
t
)
1
/
q
,
0
<
q
<
∞
sup
t
>
0
t
−
θ
K
(
f
,
t
)
,
q
=
∞
|f|_{(X, Y)_{\theta, q}}:=\left\{\begin{array}{ll} \left(\int_{0}^{\infty}\left[t^{-\theta} K(f, t)\right]^{q} \frac{\mathrm{d} t}{t}\right)^{1 / q}, & 0<q<\infty \\ \sup _{t>0} t^{-\theta} K(f, t), & q=\infty \end{array}\right.
∣f∣(X,Y)θ,q:={(∫0∞[t−θK(f,t)]qtdt)1/q,supt>0t−θK(f,t),0<q<∞q=∞
这里的
K
K
K 泛函定义为,
K
(
f
,
t
)
:
=
K
(
f
,
t
;
X
,
Y
)
:
=
inf
g
∈
Y
∥
f
−
g
∥
X
+
t
∣
g
∣
Y
K(f, t):=K(f, t ; X, Y):=\inf _{g \in Y}\|f-g\|_{X}+t|g|_{Y}
K(f,t):=K(f,t;X,Y):=g∈Yinf∥f−g∥X+t∣g∣Y
这里的
Y
Y
Y 是连续地嵌入到
X
X
X 里面,即
Y
⊂
X
且
∥
⋅
∥
X
≤
C
∥
⋅
∥
Y
Y \subset X \text { 且}\|\cdot\|_{X} \leq C\|\cdot\|_{Y}
Y⊂X 且∥⋅∥X≤C∥⋅∥Y
平移不变空间
对于
L
2
(
R
d
)
L_{2}\left(\mathbb{R}^{d}\right)
L2(Rd) 上的一个紧支函数
φ
\varphi
φ ,我们可以定义其生成的 PSI(principal shift invariant) 空间
S
:
=
S
(
φ
)
\mathcal{S}:=\mathcal{S}(\varphi)
S:=S(φ),它表示
φ
\varphi
φ 的平移的所有有限线性组合构成的集合的闭包。同样地,我们定义
S
k
:
=
S
k
(
φ
)
\mathcal{S}_{k}:=\mathcal{S}_{k}(\varphi)
Sk:=Sk(φ) 为
S
(
φ
)
\mathcal{S}(\varphi)
S(φ) 的
2
k
2^k
2k 压缩。那么,我们可以定义逼近误差,
E
k
(
f
)
:
=
E
k
(
f
)
2
:
=
inf
S
∈
S
k
∥
f
−
S
∥
L
2
(
R
d
)
,
k
=
0
,
1
,
…
E_{k}(f):=E_{k}(f)_{2}:=\inf _{S \in \mathcal{S}_{k}}\|f-S\|_{L_{2}\left(\mathbb{R}^{d}\right)}, \quad k=0,1, \ldots
Ek(f):=Ek(f)2:=S∈Skinf∥f−S∥L2(Rd),k=0,1,…
定义
r
r
r 阶 Strang-Fix 条件如下,
φ
^
(
0
)
≠
0
,
and
D
j
φ
^
(
2
k
π
)
=
0
,
k
∈
Z
d
\
{
0
}
,
∣
j
∣
<
r
\hat{\varphi}(0) \neq 0, \text { and } D^{j} \hat{\varphi}(2 k \pi)=0, \quad k \in \mathbb{Z}^{d} \backslash\{0\},|j|<r
φ^(0)=0, and Djφ^(2kπ)=0,k∈Zd\{0},∣j∣<r
我们引入 Jackson 不等式,对于所有 Sobolev 空间 W r ( L 2 ( R d ) ) W^{r}\left(L_{2}\left(\mathbb{R}^{d}\right)\right) Wr(L2(Rd)) 中的函数 f f f,有
E k ( f ) ≤ C 2 − k r ∣ f ∣ W r ( L 2 ( R d ) ) , k = 0 , 1 , … E_{k}(f) \leq C 2^{-k r}|f|_{W^{r}\left(L_{2}\left(\mathbb{R}^{d}\right)\right)}, \quad k=0,1, \ldots Ek(f)≤C2−kr∣f∣Wr(L2(Rd)),k=0,1,…
相对应的 Berstein 不等式是,
∣
S
∣
W
r
(
L
2
(
R
d
)
)
≤
C
2
k
r
∥
S
∥
L
2
(
R
d
)
,
S
∈
S
k
|S|_{W^{r}\left(L_{2}\left(\mathbb{R}^{d}\right)\right)} \leq C 2^{k r}\|S\|_{L_{2}\left(\mathbb{R}^{d}\right)}, \quad S \in \mathcal{S}_{k}
∣S∣Wr(L2(Rd))≤C2kr∥S∥L2(Rd),S∈Sk
那么我们可以给出逼近空间的刻画,
A
q
α
(
L
2
(
R
d
)
)
=
B
q
α
(
L
2
(
R
d
)
)
,
0
<
α
<
r
,
0
<
q
≤
∞
\mathcal{A}_{q}^{\alpha}\left(L_{2}\left(\mathbb{R}^{d}\right)\right)=B_{q}^{\alpha}\left(L_{2}\left(\mathbb{R}^{d}\right)\right), \quad 0<\alpha<r, 0<q \leq \infty
Aqα(L2(Rd))=Bqα(L2(Rd)),0<α<r,0<q≤∞
这个的证明利用到了
r
r
r 阶光滑模量和
K
K
K 泛函的等价性可以得到。其中,
A
q
α
:
=
A
q
α
(
X
,
(
X
n
)
)
\mathcal{A}_{q}^{\alpha}:=\mathcal{A}_{q}^{\alpha}\left(X,\left(X_{n}\right)\right)
Aqα:=Aqα(X,(Xn)) (子空间序列
X
n
⊂
X
X_{n} \subset X
Xn⊂X)是所有满足如下半范数有界的
f
f
f 的集合:
∣
f
∣
A
q
α
:
=
{
(
∑
n
=
1
∞
[
n
α
E
n
(
f
)
X
]
q
1
n
)
1
/
q
,
0
<
q
<
∞
sup
n
≥
1
n
α
E
n
(
f
)
X
,
q
=
∞
|f|_{\mathcal{A}_{q}^{\alpha}}:=\left\{\begin{array}{ll} \left(\sum_{n=1}^{\infty}\left[n^{\alpha} E_{n}(f)_{X}\right]^{q} \frac{1}{n}\right)^{1 / q}, & 0<q<\infty \\ \sup _{n \geq 1} n^{\alpha} E_{n}(f)_{X}, & q=\infty \end{array}\right.
∣f∣Aqα:={(∑n=1∞[nαEn(f)X]qn1)1/q,supn≥1nαEn(f)X,0<q<∞q=∞
逼近空间范数的定义,是通过函数与一族子空间的某种距离来刻画的。若我们用函数的点点光滑性来定义范数,我们就可以得到 Besov 空间,即如下定义的半范数是有限的:
∣
f
∣
B
q
α
(
L
p
(
Ω
)
)
:
=
{
(
∫
0
∞
[
t
−
α
ω
r
(
f
,
t
)
p
]
q
d
t
t
)
1
/
q
,
0
<
q
<
∞
sup
t
>
0
t
−
α
ω
r
(
f
,
t
)
p
,
q
=
∞
|f|_{B_{q}^{\alpha}\left(L_{p}(\Omega)\right)}:=\left\{\begin{array}{ll} \left(\int_{0}^{\infty}\left[t^{-\alpha} \omega_{r}(f, t)_{p}\right]^{q} \frac{\mathrm{d} t}{t}\right)^{1 / q}, & 0<q<\infty \\ \sup _{t>0} t^{-\alpha} \omega_{r}(f, t)_{p}, & q=\infty \end{array}\right.
∣f∣Bqα(Lp(Ω)):={(∫0∞[t−αωr(f,t)p]qtdt)1/q,supt>0t−αωr(f,t)p,0<q<∞q=∞
其中,
r
r
r 阶光滑模量的定义如下,
ω
r
(
f
,
t
)
p
:
=
sup
∣
h
∣
≤
t
∥
Δ
h
r
(
f
,
⋅
)
∥
L
p
(
Ω
)
\omega_{r}(f, t)_{p}:=\sup _{|h| \leq t}\left\|\Delta_{h}^{r}(f, \cdot)\right\|_{L_{p}(\Omega)}
ωr(f,t)p:=∣h∣≤tsup∥Δhr(f,⋅)∥Lp(Ω)
而
Δ
h
r
\Delta_{h}^{r}
Δhr 是步长为
h
h
h 的
r
r
r 阶算子,
Δ h r ( f , x ) : = ∑ k = 0 r ( − 1 ) r − k ( r k ) f ( x + k h ) . \Delta_{h}^{r}(f, x):=\sum_{k=0}^{r}(-1)^{r-k}\left(\begin{array}{l} r \\ k \end{array}\right) f(x+k h) . Δhr(f,x):=k=0∑r(−1)r−k(rk)f(x+kh).
逼近空间的这种取法应该怎么理解?因为 Jackson 不等式和 Bernstein 不等式是被满足的,在这个先决条件下,由一些基本的理论,我们知道逼近空间可以取为插值空间,插值空间里面的 K 泛函换成跟其等价的 r 阶光滑模量,就得到逼近空间其实就是 Besov 空间。
多分辨分析和小波分解
上述定义的
S
k
\mathcal{S}_{k}
Sk 如果有包含关系,即
S
k
⊂
S
k
+
1
\mathcal{S}_{k} \subset \mathcal{S}_{k+1}
Sk⊂Sk+1,那么,本质上
S
k
\mathcal{S}_{k}
Sk 就构成了一个多分辨分析。对于尺度函数,我们定义它的对偶为,
∫
R
φ
(
x
−
j
)
φ
~
(
x
−
k
)
d
x
=
δ
j
k
\int_{\mathbb{R}} \varphi(x-j) \tilde{\varphi}(x-k) \mathrm{d} x=\delta_{j k}
∫Rφ(x−j)φ~(x−k)dx=δjk
则
φ
\varphi
φ 可以写成
S
1
\mathcal{S}_{1}
S1 空间中的基的线性组合,
φ
(
x
)
=
∑
k
∈
Z
c
k
φ
(
2
x
−
k
)
\varphi(x)=\sum_{k \in \mathbb{Z}} c_{k} \varphi(2 x-k)
φ(x)=k∈Z∑ckφ(2x−k)
因为
φ
\varphi
φ 是紧支的,这意味着只有有限个
c
k
c_k
ck 不为零。这个系数一般就称为低通滤波器系数。类似地,我们也可以定义出
C
~
k
\tilde{C}_{k}
C~k。
定义投影算子,
P
f
:
=
∑
j
∈
Z
⟨
f
,
φ
~
(
⋅
−
j
)
⟩
φ
(
⋅
−
j
)
P f:=\sum_{j \in \mathbb{Z}}\langle f, \tilde{\varphi}(\cdot-j)\rangle \varphi(\cdot-j)
Pf:=j∈Z∑⟨f,φ~(⋅−j)⟩φ(⋅−j)
注意到这里的系数是和对偶做内积。
类似于多分辨分析中我们介绍得小波的构造,我们可以构造出小波如下,
ψ
(
x
)
=
∑
k
∈
Z
d
k
φ
~
(
2
x
−
k
)
,
d
k
:
=
(
−
1
)
k
c
~
1
−
k
.
\psi(x)=\sum_{k \in \mathbb{Z}} d_{k} \tilde{\varphi}(2 x-k), \quad d_{k}:=(-1)^{k} \tilde{c}_{1-k} .
ψ(x)=k∈Z∑dkφ~(2x−k),dk:=(−1)kc~1−k.
它的平移构成的空间,我们记为
W
W
W,那么,函数
f
f
f 到
W
W
W 上的投影就是,
Q
f
=
∑
j
∈
Z
⟨
f
,
ψ
~
(
⋅
−
j
)
⟩
ψ
(
⋅
−
j
)
Q f=\sum_{j \in \mathbb{Z}} \langle f, \tilde{\psi}(\cdot-j)\rangle \psi(\cdot-j)
Qf=j∈Z∑⟨f,ψ~(⋅−j)⟩ψ(⋅−j)
那么,我们可以直接写出函数的小波分解,
f
=
∑
k
∈
Z
∑
j
∈
Z
2
k
⟨
f
,
ψ
~
(
2
k
⋅
−
j
)
⟩
ψ
(
2
k
⋅
−
j
)
f=\sum_{k \in \mathbb{Z}} \sum_{j \in \mathbb{Z}} 2^{k}\left\langle f, \tilde{\psi}\left(2^{k} \cdot-j\right)\right\rangle \psi\left(2^{k} \cdot-j\right)
f=k∈Z∑j∈Z∑2k⟨f,ψ~(2k⋅−j)⟩ψ(2k⋅−j)
我们现在考虑多维自变量的情况,对于每个定义在
R
d
\mathbb{R}^d
Rd 上的函数
η
\eta
η,定义符号,
η
I
(
x
)
:
=
∣
I
∣
−
1
/
2
η
(
2
k
⋅
−
j
)
\eta_{I}(x):=|I|^{-1 / 2} \eta\left(2^{k} \cdot-j\right)
ηI(x):=∣I∣−1/2η(2k⋅−j)
这里的
∣
I
∣
|I|
∣I∣ 表征的是单位立方体变成的体积,本质上体现了函数积分压缩到了原来的几分之几。即
I
=
2
−
k
(
j
+
Ω
)
I=2^{-k}(j+\Omega)
I=2−k(j+Ω) 其中
Ω
:
=
[
0
,
1
]
d
\Omega:=[0,1]^{d}
Ω:=[0,1]d。
那么原来的小波分解就可以写为,
f
=
∑
I
∈
D
c
I
(
f
)
ψ
I
,
c
I
(
f
)
:
=
⟨
f
,
ψ
I
⟩
f=\sum_{I \in D} c_{I}(f) \psi_{I}, \quad c_{I}(f):=\left\langle f, \psi_{I}\right\rangle
f=I∈D∑cI(f)ψI,cI(f):=⟨f,ψI⟩
其中
ψ
I
\psi_{I}
ψI 表示的是
I
I
I 所代表的小波母函数的伸缩平移。它构成了
L
2
(
R
)
L_{2}(\mathbb{R})
L2(R) 空间的一组标准正交基。
那么多维的小波如何构造呢?一个简单的方法是可以通过一维的小波进行构造。令 ψ 0 : = φ , ψ 1 : = ψ \psi^{0}:=\varphi, \psi^{1}:=\psi ψ0:=φ,ψ1:=ψ, e = ( e 1 , … , e d ) e=\left(e_{1}, \ldots, e_{d}\right) e=(e1,…,ed) 是一个非零的,每个位置上只取 0 和 1 的向量。
ψ e ( x 1 , … , x d ) : = ψ e 1 ( x 1 ) ⋯ ψ e d ( x d ) \psi^{e}\left(x_{1}, \ldots, x_{d}\right):=\psi^{e_{1}}\left(x_{1}\right) \cdots \psi^{e_{d}}\left(x_{d}\right) ψe(x1,…,xd):=ψe1(x1)⋯ψed(xd)
那么,同样用
D
D
D 来表示所有伸缩和平移,那么,
{
ψ
I
e
,
I
∈
D
,
e
∈
E
}
\left\{\psi_{I}^{e}, \quad I \in D, e \in E\right\}
{ψIe,I∈D,e∈E}
构成了
L
2
(
R
d
)
L_{2}\left(\mathbb{R}^{d}\right)
L2(Rd) 空间的一组标准正交基。这里的
E
E
E 表示不含零元素的零幺二进向量。