請問泛函分析的語言是什麼時候開始滲透到信號處理領域的?
其實你只要看到一提泛函分析就想到變分法的時候,就應該知道,在很多領域,泛函分析根本沒滲透到信號處理的很多領域中,哈哈。
信號處理本就可以用泛函分析的語言去講(比如說,小波十講的前兩章),只是這麼做毫無必要,而大概真的需要泛函工具的最先是信號的反問題正則化處理,它可以應用在圖像去模糊、信號反卷積等問題上。這主要是說Tikhonov正則化,比如說,運算元方程Az=u,而A的逆單值但不連續,也不能在整個的度量空間(進一步,Hilbert空間)定義,那麼它的求解就是一個不適定性問題。
Tikhonov正則化就是尋找一個展平泛函,一方面能逼近原問題,一方面能穩定求解。如果A是Hilbert空間H1到H2的運算元,附加的展平泛函經常可以取H1上的單位運算元的泛函,在Sobolev範數的情況下,按照Sobolev空間的緊嵌入定理,正則運算元的存在是顯然的。Tikhonov正則化求解反問題其實原理上和貝葉斯方法相同,只不過它更粗略,沒有考慮正則運算元的意義,在一些具體問題,比如圖像處理中,Tikhonov正則化效果不好,比如說Sobolev範數的正則化,因為橢圓方程正則性,它的結果保波前集,也就是光滑的,這樣圖像的邊緣會完全模糊掉,這時就出現了ROF模型,用貝葉斯方法可以解釋為圖像的先驗概率和後驗概率的建模,而用正則化角度考慮的話,Banach-alaoglu定理保證了解的存在性。實質上,ROF模型利用的是BV(有界全變差)空間的範數,而BV空間是一個Banach空間的對偶空間,而且待求解泛函是弱下半連續的(這可以從凸性得到)。
在圖像處理的很多問題上,泛函分析都用於構造和分析泛函或者求解方程,前者著名的有圖像分割的Mumford-Shah模型,後者有用各種用於圖像處理和修復的各向異性偏微分方程。
Mumford-Shah為了構造圖像分割,一方面考慮和圖像邊緣概率相關的灰度梯度函數,一方面還要為了分割邊緣而加入Hausdorff測度,這極大增加了模型的難度。而各向異性偏微分方程中各項異性是為了保持邊緣不被模糊,同時又希望保有Hill-Yoshida運算元半群的性質。這些導致泛函分析成了反問題和現代圖像處理的基石,至於其他方面就不太了解了。以我的知識,我僅能提供在信號處理方面,泛函是怎麼進入到通信的領域的。至於性能分析,資訊理論方面,希望其他大神補充。
通信系統的模型,一般來說都是,線性信道加上高斯雜訊。這類模型在統計推斷中是最簡單的。從頻率學派來講,最大似然估計有容易推倒的迭代演算法,甚者close-form解。從貝葉斯學派來講,後驗概率密度函數有close-form形式。總之,一切非常順利。於是乎,在2000左右的TWC甚至TSP上面,根本不需要泛函分析這類的工具出馬。
大概在2010年左右,隨著高速移動場景下通信的研究,以及雙選擇性衰落信道的研究,信道的參數越來越多,模型也開始複雜。這時候,latent variable model 開始用來建模信道,並結合EM演算法在TSP上水出了一大批文章。隨著這類框架的繼續複雜化,EM中e-step 傳統方法已經失效,於是乎,泛函這個工具終於出馬。變分法 (variational method) 只是泛函的冰山一角,卻能夠 繞過傳統EM 中 最難的e-step。這裡說繞過,而非解決,具體可參見變分法的知乎介紹。 應該從這裡開始,變分法,從berkerly的jordan大神手裡開始慢慢成為通信人的工具,也繼續促進了從機器學習中拓展通信信號處理方法的潮流。
如今,已經到了2015年,僅僅是單純使用基本變分法的框架,用在基本的通信模型上,已經被同行們覺得非常standard了,至少在TSP肯定中不了了。當然變分法的變種很多,理論上的,實際上的,也許它在信號處理屆還有些小坑能補,但大局已經不樂觀。推薦閱讀: