Lomb-Scargle谱和稀疏字典

傅里叶变换主要适用于对均匀的周期性信号进行分析，Lomb-Scargle可以对非均匀采样信号做频谱分析。

Lomb-Scargle谱的分析：

懒得打公式，定义看如下的论文

Ref：http://www.doc88.com/p-6981572750880.html

1. 首先LS谱有两组基，sin和cos。

2. 其次两组基根据时域data的偏离进行了归一化。

3. 谱的点数根据独立频率的个数而确定，独立频率的个数根据Monte Carlo的分析来确定。

4. 分析的时候有两个图，一个是频点图，一个是置信度图，频点对应的最高值置信度如果很高，说明没有周期性，如果很低，这说明具有周期性。

5. 给的示例是分析GDP的拟合偏差。拟合之后的波动具有均匀波动的特征。

分析：不仅可以用来分析序列的周期性，还可以用来分析序列进行拟合之后是否具有周期性特征。

稀疏字典：

Ref： https://blog.csdn.net/m0_37407756/article/details/68059453

Ref： https://blog.csdn.net/ranjiewen/article/details/52595614

如果用另外一种看法来看待FFT、WT，可以把其看做基的加权组合，加权量包括三个，一个是频率，一个是相位，一个是幅度，分别控制了尺度变换和幅度变化。基是最基准的特征，就像0和1一样，作为基准规则。

稀疏字典提供了一种方式，就是自己找出这种规则，然后用这种规则进行分析，从而还原复杂的样本。

 南大周志华老师写的《机器学习》这本书上原文：为普通稠密表达的样本找到合适的字典，将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，模型复杂度得以降低，通常称为‘字典学习’（dictionary learning），亦称‘稀疏编码’（sparse coding）”块内容。

也就相当于小波变换中，你找到合适的小波基，用对应的小波基进行分解，就等同于稀疏化。

字典分两种，一种是隐性字典，implicit dictionary，这种主要是由它们的算法表现出来的，而不是矩阵结构，比如wavelet，curvelet，contourlet，等等。另一种是通过机器学习来从样本中获取字典，这种字典表现为一种显性矩阵，explicit matrix，而算法是用来适应矩阵的，比如PCA，GPCA，MOD，K-SVD等等，这种字典的好处在于比前一种灵活，表现也好，坏处就是耗费时间和运算资源，另外复杂的约束限制了字典的大小以及需要处理的信号的维度（所以论文提出的这个算法最后用3D图像去噪来表现优越性）。