最小平方頻譜分析法

最小平方頻譜分析法（）是一種利用最小平方法尋找適配於資料點之最佳正弦曲線，以估算頻譜的方法。其數學原理與科學界中最常用的傅立葉分析相似。

最小平方頻譜分析法也稱為凡尼切克法（Vaníček method）、隆布法（Lomb method）或隆布—史卡構法（Lomb–Scargle method），分別取名自對其有所貢獻的、尼可拉斯·隆布（Nicholas R. Lomb）。然而，大多數以上述理論為基礎開發的方法僅適用於取樣間距相等的訊號。1963年，荷蘭數學和計算機科學研究學會的弗里克·巴寧（Freek J. M. Barning）提出類似的方法處理了取樣間距不同的訊號：先以週期圖法分析（現又稱為隆布法），再從所得的週期圖中選取特定頻率的正弦曲線並以最小平方法擬合之；這兩段過程間則是透過匹配追蹤連接，並以反擬合後處理（post-backfitting）以避免過適、或使用正交匹配追蹤法。

新不伦瑞克大学的加拿大大地測量學家於1969年也提出了匹配追蹤法，他稱之為「連續頻譜分析」，並稱其所得的結果為「最小平方週期圖」，且同時適用於取樣間距相同或不同的訊號。他更於1971年將該方法一般化，使其能夠分析出訊號中單一平均值以外的各種系統成分，包含可預測但大小未知的線性、二次方或指數趨勢。

雪梨大學的尼可拉斯·隆布於1976年簡化了凡尼切克法，並指出該方法與週期圖法有相當密切的關連。後來，傑佛瑞·史卡構也定義了非等距取樣訊號的週期圖，並對其做了分析；他並發現，只要將該週期圖稍作修改，便能夠得到與隆布的最小平方擬合法完全相同的結果。

史卡構曾表示他的論文「並未提出一個新的測量方法，而是對現有最常用的方法——週期圖法——在取樣間距不相等時的可靠性以及效率進行研究」。他在論文中同時引用了最小平方弦波擬合以及週期圖法分析，並指出該兩種方法（在他所提出的修改之下）是完全相等的。這些弦波的頻率則是以類似巴寧所提出的方法來決定，並另外藉由減少最小平方擬合後的殘差以使每次決定的新頻率得到最佳化（這與匹配追蹤法加上反擬合前處理所得到的結果相同

一般化
標準的隆布—史卡構週期圖法適用於平均值為零的模型（即擬合用弦波的集合），因此一般而言在計算週期圖之前會先減去訊號的平均值並假設其為零。然而，當模型的平均值為非零時，這項假設並不準確。一般化的隆布—史卡構週期圖法便將此假設移除，並在計算頻譜時一併求得其平均值。如此一來，擬合後函數的形式如下：

:\phi(t) = A \sin \omega t + B \cos \omega t + C

此一般化的隆布—史卡構週期圖法也被稱為「浮動平均週期圖法」。

快速正交搜尋法
科恩伯格於1989年提出了如下的方法：先從一的函數集合中選出一稀疏子集（以頻譜分析而言即指弦波）用於擬合，稱為快速正交搜尋法（fast orthogonal search）。數學上，快速正交搜尋是在縮小均方误差（MSER）時使用了一種略為修改過的楚列斯基分解法，並以稀疏矩阵之求逆方法實作。快速正交搜尋如同其它的最小平方頻譜分析法，也能夠避免離散傅立葉變換最主要的缺點，並且可以求得高準確度的潛在週期性，同時對於處理非等距取樣訊號也相當有效。快速正交搜尋法同時也被應用於非線性系統鑑別（nonlinear system identification）等其它的問題。

基底追蹤法
陳與多諾霍提出的法（basis pursuit）也是從一過完備的函數集合中選出一稀疏子集（其中可包含弦波或其它函數）用於擬合，惟此法定義能夠使各項係數的L1-距離得到最小化者即為最佳解。如此一來，頻譜分析便可藉此轉化為已知的線性規劃問題，並可利用現有的快速演算法得到解答。

卡方法
大衛·帕爾默（David Palmer）提出的卡方法則能夠找到任意數量之諧波的最佳擬合函數，提高了尋找非弦波諧和函數的自由度。這是一項基於快速傅立葉變換、對取樣間距任意且標準誤差不均的訊號進行分析的快速演算法。實作此方法的原始碼也已被公開。由於離散訊號往往不具有相等的取樣間距，此方法先將訊號「柵格化」，即稀疏地在數個取樣點間填入一串時間序列。所有時間軸上互相交會的柵格點之統計權重都將被設為零，亦即取樣點之間的誤差線為無窮大。

應用
最小平方頻譜分析法最主要的用處是對未完整記錄的訊號進行頻譜分析，且不須對其竄改或摻入不存在的數據。

利用最小平方頻譜分析法所得的频谱中之各強度量值即代表了某個頻率或週期對於整個時間序列的變異數之貢獻。此外，凡尼切克法求得的頻譜強度也可由分貝值表示。值得注意的是，凡尼切克頻譜在統計上具有Β分布。

凡尼切克的最小平方頻譜之反運算可由下述方法實現：若將正運算的過程表示為一矩陣的乘法，那麼（當它為非奇异矩陣時）求取它的反矩陣或偽反矩陣便可進行反運算；當所選的基底弦波在取樣點時皆彼此獨立且其總數和取樣點數量相等時，反運算所得的結果便會與原始的訊號相同。相對地，週期圖法並不具有已知的反運算方法。

實作
最小平方頻譜分析法可用一頁以內的MATLAB程式碼實作完成。簡言之：

「欲求得最小平方頻譜，我們必須計算m個頻譜值……可以藉由m次的最小平方法近似，每次求得一種不同頻率（的頻譜能量）。

麥克·克雷默（Mike Craymer）解釋道，相對於獨立處理各成分的作法（以及隆布的週期圖法），一次考慮所有成分的矩陣求解法無法擬合比取樣點數量還多的基底（即正弦與餘弦波），並指出：

{{quote|「……如果所選的頻率使得某些傅立葉成分（即三角函數）彼此間接近線性獨立，則對於結果可能會有嚴重的影響，進而產生一個病態或近乎奇異的矩陣N。若想避免產生這樣的病態條件，則必須選取一組不同的頻率來估計（例如等差頻率）、或是直接忽略N的相關性（即非對角線上的值）並分別估算各獨立頻率的最小平方反轉換……。由於此類分析可用快速傅立葉變換的方法實作，當訊號完整且取樣間距相等時，便不會使用相對耗時的最小平方頻譜分析法。

參見

• 譜密度

參考資料
外部連結

• [ftp://ftp.geod.nrcan.gc.ca/pub/GSD/craymer/software/lssa/ LSSA software freeware download] (via ftp), FORTRAN, Vaníček's method, from the Natural Resources Canada.