Articulo de referencia

Poliespectros

Los poliespectros , también conocidos como espectros de orden superior , son magnitudes estadísticas en el dominio de la frecuencia que generalizan la densidad espectral (espect...

Los poliespectros , también conocidos como espectros de orden superior , son magnitudes estadísticas en el dominio de la frecuencia que generalizan la densidad espectral (espectro de potencia) a órdenes superiores. Los poliespectros de una señal dada pueden revelar comportamientos no gaussianos , asimetrías de inversión temporal y correlaciones de fase entre las distintas contribuciones de frecuencia a la señal. Mientras que un espectro de potencia estándar cuantifica la distribución de intensidad en función de las frecuencias, los poliespectros caracterizan correlaciones de fase y amplitud de orden superior entre los componentes de frecuencia. Los espectros de orden superior incluyen el biespectro de tercer orden , el trispectro de cuarto orden y sus generalizaciones multivariadas.

Definición

En sus publicaciones originales, Brillinger considera un proceso estacionario (la señal).z(t){\displaystyle z(t)}y su cumulante multitemporal . [ 1 ]F(τ1,,τnorte1)=donorte(z(t),z(t+τ1),,z(t+τnorte1)).{\displaystyle f(\tau _{1},\cdots ,\tau _{n-1})=C_{n}(z(t),z(t+\tau _{1}),\cdots ,z(t+\tau _{n-1})).} El cumulante no depende det{\displaystyle t}desdez(t){\displaystyle z(t)}es estacionario. Esto permite una definición denorte{\displaystyle n}poliespectros de orden -ésimo Sz(norte){\displaystyle S_{z}^{(n)}}de una señal estacionariaz(t){\displaystyle z(t)}por donorte(z(ω1),,z(ωnorte))=2πδ(ω1++ωnorte)Sz(norte)(ω1,,ωnorte1){\displaystyle C_{n}{\big (}z(\omega _{1}),\cdots ,z(\omega _{n}){\big )}=2\pi \delta (\omega _{1}+\cdots +\omega _{n})S_{z}^{(n)}(\omega _{1},\cdots ,\omega _{n-1})} con la transformada de Fourierz(ω)=+miiωτz(τ)dτ,{\displaystyle z(\omega )=\int _{-\infty }^{+\infty }e^{i\omega \tau }z(\tau )d\tau ,} y la función delta de Diracδ{\displaystyle \delta }que aparece debido a la independencia deF{\displaystyle f}ent{\displaystyle t}. [ 2 ]

El espectro de segundo orden se puede reescribir como Sz(2)(ω)=+miiωτdo2(z(t+τ),z(t))dτ,{\displaystyle S_{z}^{(2)}(\omega )=\int _{-\infty }^{+\infty }e^{i\omega \tau }C_{2}(z(t+\tau ),z(t))d\tau ,} dóndedo2(incógnita,y)=incógnitayincógnitay{\displaystyle C_{2}(x,y)=\langle xy\rangle -\langle x\rangle \langle y\rangle }es la covarianza . La representación deSz(2){\displaystyle S_{z}^{(2)}}es equivalente a la definición de la densidad espectral dez{\displaystyle z}(espectro de potencia) como transformada de Fourier de la función de autocorrelación dez(t){\displaystyle z(t)}.

Historia de los poliespectros

Los espectros de orden superior se formalizaron en los trabajos de Brillinger a partir de la década de 1950. [ 1 ] Mendel y Nikias contribuyeron con las primeras revisiones importantes sobre el tema a principios de la década de 1990, [ 3 ] [ 4 ] dando como resultado la "Higher Order Spectral Analysis Toolbox" (HOSA), una biblioteca de software que incluía el biespectro y algunas estadísticas de cuarto orden. [ 5 ] Sin embargo, Birkelund afirmó en 2003: "En teoría, los poliespectros pueden aplicarse para resolver muchos problemas importantes en el procesamiento de señales y el análisis de datos. En la práctica, sin embargo, uno se ha visto desalentado por las malas propiedades estadísticas de la mayoría de los estimadores poliespectrales." [ 6 ] En 2026, se propusieron y analizaron estimadores insesgados basados ​​en cumulantes para espectros de orden superior. [ 7 ] Están implementados en bibliotecas de software aceleradas por GPU basadas en ArrayFire [ 8 ] y alternativamente basadas en PyTorch. [ 9 ]

Numéricos de poliespectros

La definición de poliespectros presupone un proceso estacionario.z(t){\displaystyle z(t)}que se conoce con una resolución temporal infinita en un intervalo temporal infinito. Datos del mundo realz(t){\displaystyle z(t)}Por lo tanto, solo permiten el cálculo de estimaciones de poliespectros. Estas estimaciones tienen una resolución espectral y una precisión finitas.

Estimadores clásicos

Los métodos de Fourier directos suelen comenzar con la transformada de Fourier de toda la señal, lo que resulta en una alta resolución de frecuencia con una gran varianza (error). Posteriormente, se puede aplicar un núcleo de suavizado para intercambiar resolución por varianza. Alternativamente, se promedian los espectros de segmentos de la señal (método tipo Welch). [ 10 ]

El método de ventana de retardo se basa en la estimación de cumulantes en el dominio del tiempo y la posterior aplicación de transformadas de Fourier.

Los métodos multitaper consideran que toda la señal se procesa (se aplica una ventana) con ventanas ortogonales. Luego, se promedian los espectros de cada ventana. [ 6 ]

Los métodos clásicos se basan en estimadores de cumulantes que solo son asintóticamente insesgados.

Estimadores insesgados basados ​​en cumulantes

Las siguientes ecuaciones proporcionan una estimación insesgada ( estimador ) de poliespectros hasta el cuarto orden. [ 7 ] Coeficientes de Fourier dez(t){\displaystyle z(t)}ak=Tnortej=0norte1gramojzjmi2πikj/norte,{\displaystyle a_{k}={\frac {T}{N}}\sum _{j=0}^{N-1}g_{j}z_{j}e^{2\pi ikj/N}\,,} se calculan a partir del proceso zj=z(jT/nortet0){\displaystyle z_{j}=z(jT/N-t_{0})}que está dividida en ventanas de longitudT{\displaystyle T}connorte{\displaystyle N}puntos por ventana. Una función de ventanagramoj=gramo(jT/norte){\displaystyle g_{j}=g(jT/N)}reduce la fuga espectral.

Los poliespectros aproximados se obtienen a partir de los cumulantes de los coeficientes de Fourier: Promedio: Sz(1)nortedo1(a0)Tj=0norte1gramojEspectro de potencia: Sz(2)(ωk)nortedo2(ak,ak)Tj=0norte1gramojgramojBispectro: Sz(3)(ωk,ωl)nortedo3(ak,al,ak+l)Tj=0norte1gramoj2gramojTrispectro: Sz(4)(ωk,ωl,ωpag)nortedo4(ak,al,apag,ak+l+pag)Tj=0norte1gramoj3gramoj.{\displaystyle {\begin{aligned}&{\text{Promedio: }}&S_{z}^{(1)}&\approx {\frac {NC_{1}(a_{0})}{T\sum _{j=0}^{N-1}g_{j}}}\\\\[2pt]&{\text{Espectro de potencia: }}&S_{z}^{(2)}(\omega _{k})&\approx {\frac {NC_{2}(a_{k},a_{k}^{*})}{T\sum _{j=0}^{N-1}g_{j}g_{j}^{*}}}\\\\[2pt]&{\text{Bispectro: }}&S_{z}^{(3)}(\omega _{k},\omega _{l})&\approx {\frac {NC_{3}(a_{k},a_{l},a_{k+l}^{*})}{T\sum _{j=0}^{N-1}g_{j}^{2}g_{j}^{*}}}\\\\[2pt]&{\text{Trispectro: }}&S_{z}^{(4)}(\omega _{k},\omega _{l},\omega _{p})&\approx {\frac {NC_{4}(a_{k},a_{l},a_{p},a_{k+l+p}^{*})}{T\sum _{j=0}^{N-1}g_{j}^{3}g_{j}^{*}}}.\\\end{aligned}}} Las distancias de las posiciones espectralesωk=2πk/T{\displaystyle \omega _ {k}=2\pi k/T}disminuye al aumentar la longitud de la ventanaT{\displaystyle T}lo que resulta en una mayor resolución espectral. Los cumulantesdonorte{\displaystyle C_{n}}puede estimarse mediante el estadístico k que proporciona estimadores insesgados.donorte{\displaystyle c_{n}} ( estimador ). [ 11 ] [ 12 ] [ 13 ] Los estimadores vienen dados por [ 14 ]do2(incógnita,y)=metrometro1(incógnitay¯incógnita¯y¯)do3(incógnita,y,z)=metro2(metro1)(metro2)(incógnitayz¯incógnitay¯z¯incógnitaz¯y¯yz¯incógnita¯+2incógnita¯y¯z¯)do4(incógnita,y,z,w)=metro2(metro1)(metro2)(metro3)[(metro+1)incógnitayzw¯(metro+1)(incógnitayz¯w¯+incógnitayw¯z¯+incógnitazw¯y¯+yzw¯incógnita¯)(metro1)(incógnitay¯zw¯+incógnitaz¯yw¯+incógnitaw¯yz¯)+2metro(incógnitay¯z¯w¯+incógnitaz¯y¯w¯+incógnitaw¯y¯z¯+yz¯incógnita¯w¯+yw¯incógnita¯z¯+zw¯incógnita¯y¯)6metroincógnita¯y¯z¯w¯],{\displaystyle {\begin{aligned}&c_{2}(x,y)={\frac {m}{m-1}}({\overline {xy}}-{\overline {x}}\,{\overline {y}})\\\\[2pt]&c_{3}(x,y,z)={\frac {m^{2}}{(m-1)(m-2)}}({\overline {xyz}}-{\overline {xy}}\,{\overline {z}}-{\overline {xz}}\,{\overline {y}}-{\overline {yz}}\,{\overline {x}}+2{\overline {x}}\,{\overline {y}}\,{\overline {z}})\\\\[2pt]&c_{4}(x,y,z,w)={\frac {m^{2}}{(m-1)(m-2)(m-3)}}{\big [}(m+1){\overline {xyzw}}\\&\qquad \qquad \qquad \qquad \qquad -(m+1)({\overline {xyz}}\,{\overline {w}}+{\overline {xyw}}\,{\overline {z}}+{\overline {xzw}}\,{\overline {y}}+{\overline {yzw}}\,{\overline {x}})\\&\qquad \qquad \qquad \qquad \qquad -(m-1)({\overline {xy}}\,{\overline {zw}}+{\overline {xz}}\,\,{\overline {yw}}+{\overline {xw}}\,{\overline {yz}})\\&\qquad \qquad \qquad \qquad \qquad +2m({\overline {xy}}\,{\overline {z}}\,{\overline {w}}+{\overline {xz}}\,{\overline {y}}\,{\overline {w}}+{\overline {xw}}\,{\overline {y}}\,{\overline {z}}+{\overline {yz}}\,{\overline {x}}\,{\overline {w}}+{\overline {yw}}\,{\overline {x}}\,{\overline {z}}+{\overline {zw}}\,{\overline {x}}\,{\overline {y}})\\&\qquad \qquad \qquad \qquad \qquad -6m{\overline {x}}\,{\overline {y}}\,{\overline {z}}\,{\overline {w}}{\big ]},\end{aligned}}} dónde(..)¯{\displaystyle {\overline {(..)}}}denota el promedio demetro{\displaystyle m}muestras.

Aplicaciones

Los biespectros encuentran aplicaciones médicas en el análisis de electroencefalogramas [ 15 ] y se utilizan en ingeniería para la detección de fallas en componentes de maquinaria rotativa. [ 16 ] Los poliespectros también se han convertido en una herramienta en física cuántica para analizar registros de mediciones cuánticas. [ 17 ] Las aplicaciones de los poliespectros cuánticos abarcan desde el transporte cuántico hasta la detección de fotones individuales y las mediciones de ruido de espín. [ 18 ] [ 19 ] [ 20 ] [ 21 ]

Referencias

  1. 1 2 Brillinger, David R. (1965). "Una introducción a los poliespectros" . The Annals of Mathematical Statistics . 36 (5): 1351– 1374. doi : 10.1214/aoms/1177699896 .
  2. Ubbelohde, Niels; Fricke, Christian; Flindt, Christian; Hohls, Frank; Haug, Rolf J. (2012). "Medición de estadísticas de corriente de frecuencia finita en un transistor de un solo electrón" . Nature Communications . 3 : 612. arXiv : 1201.2163 . doi : 10.1038/ncomms1620 .
  3. Mendel, Jerry M. (1991). "Tutorial sobre estadísticas de orden superior (espectros) en procesamiento de señales y teoría de sistemas: resultados teóricos y algunas aplicaciones" . Actas del IEEE . 79 (3): 278–305 . doi : 10.1109/5.75086 .
  4. Nikias, CL (1993). "Procesamiento de señales con espectros de orden superior" . IEEE Signal Processing Magazine . 10 (3): 10– 37. doi : 10.1109/79.221324 .
  5. Swami, Ananthram; Mendel, Jerry M.; Nikias, Chrysostomos L. (1993). Higher-Order Spectral Analysis Toolbox: User's Guide (PDF) . Compton, CA: United Signals & Systems, Inc.
  6. 12 Birkelund , Yngve; Hanssen, Alfred; Poderes, Edward J. (2003). "Estimadores multicónicos de poliespectros". Procesamiento de señales . 83 (3): 545– 559. doi : 10.1016/S0165-1684(02)00484-X .
  7. 1 2 Sifft, Markus; Ghorbanietemad, Armin; Wagner, Fabian; Hägele, Daniel (2026). "Estimación correcta de espectros de orden superior: De los desafíos teóricos a la implementación práctica multicanal en SignalSnap" . Procesamiento de señales digitales . 173 105893. doi : 10.1016/j.dsp.2026.105893 .
  8. "SignalSnap: Espectros al alcance de tu mano" . GitHub . MarkusSifft . Consultado el 26 de febrero de 2026. SignalSnap es una caja de herramientas de Python de código abierto para el análisis espectral de orden superior de series temporales que calcula eficientemente espectros de potencia, biespectros y trispectros, y admite computación acelerada por hardware.
  9. "SignalSnap-PyTorch: SignalSnap reescrito en PyTorch, con opciones multicanal añadidas y optimizado" . GitHub . ArminGEtemad . Consultado el 26 de febrero de 2026. SignalSnap reescrito en PyTorch, con opciones multicanal y optimización; esta versión traslada el backend de ArrayFire a PyTorch para mejorar la usabilidad y el rendimiento.
  10. Hinich, Melvin J.; Clay, Christian S. (1968). "La aplicación de la transformada discreta de Fourier en la estimación de espectros de potencia, coherencia y bispectros de datos geofísicos". Reviews of Geophysics . 6 (3): 347– 363. doi : 10.1029/RG006i003p00347 .
  11. Fisher, Ronald A. (1928). "Momentos y momentos de producto de distribuciones muestrales". Actas de la Sociedad Matemática de Londres . Segunda serie. 30 (1): 199– 238. doi : 10.1112/plms/s2-30.1.199 .
  12. Kendall, Maurice G. (1943). Teoría avanzada de la estadística . Vol. 1 (1.ª ed.). Londres: Charles Griffin & Company.  
  13. Cook, MB (1951). "Estadísticos k bivariados y cumulantes de su distribución de muestreo conjunta". Biometrika . 38 (1/2): 179–195 . doi : 10.1093/biomet/38.1-2.179 .
  14. Schefczik, Fabian; Hägele, Daniel (2019). "Estimadores insesgados listos para usar para cumulantes multivariados, incluido uno que supera a los demásincógnita3{\displaystyle x^{3}}". arXiv : 1904.12154 [ math.ST ].
  15. Sigl, JC; Champlin, NP (1994). "Análisis biespectral del electroencefalograma: una revisión". Journal of Clinical Monitoring . 10 (6): 392– 404. doi : 10.1007/BF01618421 . PMID 7836975 . 
  16. Parker, BE; Casada, TA; Forbes, GL (2000). "Diagnóstico de fallas mediante detección de cambios estadísticos en el dominio biespectral". Mechanical Systems and Signal Processing . 14 (4): 561– 570. doi : 10.1006/mssp.2000.1299 .
  17. Norris, Leigh M.; Paz-Silva, Gerardo A.; Viola, Lorenza. "Espectroscopia de ruido de cúbits para entornos de desfase no gaussianos" . Physical Review Letters . 116 (15) 150503. arXiv : 1512.01575 . doi : 10.1103/PhysRevLett.116.150503 .
  18. Emary, C.; Marcos, D.; Aguado, R.; Brandes, T. "Estadísticas de conteo dependientes de la frecuencia en conductores nanométricos interactuantes". Physical Review B . 76 (16): 161404(R). arXiv : cond-mat/0703781 . doi : 10.1103/PhysRevB.76.161404 .
  19. Hägele, Daniel; Schefczik, Fabian (2018). "Momentos de orden superior, cumulantes y espectros de mediciones continuas de ruido cuántico". Physical Review B . 98 (20) 205143. arXiv : 1611.02077 . doi : 10.1103/PhysRevB.98.205143 .
  20. Sifft, Markus; Kurzmann, Annika; Kerski, Jens; Schott, Rüdiger; Wieck, Andreas D.; Geller, Martin; Lorke, Axel; Hägele, Daniel (2021). "Polyspectros cuánticos para modelar y evaluar mediciones de transporte cuántico: un enfoque unificador para el régimen de medición fuerte y débil" . Physical Review Research . 3 (3) 033123. arXiv : 2011.07992 . doi : 10.1103/PhysRevResearch.3.033123 .
  21. Sifft, Markus; Kurzmann, A.; Kerski, J.; Schott, R.; Ludwig, A.; Wieck, AD; Lorke, A.; Geller, M.; Hägele, Daniel (2024). "Enfoque de poliespectros cuánticos para la dinámica de emisores cuánticos parpadeantes a bajas tasas de fotones sin agrupamiento: haciendo que cada fotón cuente". Physical Review A . 109 (6) 062210. doi : 10.1103/PhysRevA.109.062210 .
Obtenido de " https://en.wikipedia.org/w/index.php?title=Polyspectra&oldid=1356904568 "