फ़ूरियर ट्रांसफ़ॉर्म की अविश्वसनीय रूप से शानदार उपयोगिता

• फ़ूरियर ट्रांसफ़ॉर्म वास्तविक तकनीकी अनुप्रयोगों में कितनी शक्तिशाली तरह से काम करता है, यह दिखाने वाली एक प्रस्तुति
• प्रस्तुतकर्ता ने Teardown 2025 कार्यक्रम में OFDM(Orthogonal Frequency Division Multiplexing) से जुड़े उदाहरणों पर केंद्रित होकर समझाया
• स्लाइड PDF, Jupyter notebook, DVB-T decoder code, FFT algorithm video जैसी विभिन्न संदर्भ सामग्री भी साथ में उपलब्ध कराई गई
• यह सामग्री दिखाती है कि फ़ूरियर ट्रांसफ़ॉर्म संचार और signal processing के क्षेत्र में आज भी एक मुख्य उपकरण के रूप में काम करता है

---

• सिग्नल को आमतौर पर समय के साथ बदलने वाले मान के रूप में देखा जाता है, लेकिन उसी सिग्नल को आवृत्ति घटकों के योग के रूप में भी व्यक्त किया जा सकता है
• फ़ूरियर ट्रांसफ़ॉर्म एक जटिल waveform को “कौन-सी आवृत्तियाँ कितनी मात्रा में मिली हुई हैं” में बदलने का उपकरण है
• उदाहरण के लिए, अचानक उभरने वाला शोर, धीरे-धीरे डोलने वाला विकृति, और दोहराए जाने वाले पैटर्न समय-डोमेन में आपस में उलझे दिख सकते हैं, लेकिन frequency domain में वे अलग हो जाते हैं

• वास्तविक communication channel अधिकतर रैखिक·समय-अपरिवर्ती (LTI, Linear Time-Invariant) गुण रखते हैं
• LTI सिस्टम में सिग्नल कैसे विकृत होगा, यह हर आवृत्ति के लिए स्वतंत्र रूप से तय होता है
• समय-डोमेन में देरी, परावर्तन और attenuation, frequency domain में amplitude परिवर्तन और phase परिवर्तन के रूप में दिखाई देते हैं

• समय-डोमेन में समस्या सुलझाने की कोशिश करने पर देरी, overlap और interference एक-दूसरे में उलझ जाते हैं
• उसी समस्या को frequency domain में देखें तो यह हर frequency component को अलग-अलग नियंत्रित करने की समस्या बन जाती है
• इसी वजह से “डेटा को उस स्पेस में ले जाओ जहाँ उसे प्रोसेस करना आसान हो” जैसी सोच सामने आती है

• इसी सोच को सीधे लागू करने का तरीका है OFDM (Orthogonal Frequency Division Multiplexing)
• एक तेज़ data stream को कई धीमे subcarriers में बाँटा जाता है
• हर subcarrier एक-दूसरे के प्रति orthogonal होता है, इसलिए उन्हें एक साथ भेजने पर भी वे हस्तक्षेप नहीं करते
• FFT (Fast Fourier Transform)/IFFT (Inverse Fast Fourier Transform) का उपयोग कर कई subcarriers को एक साथ transform और restore किया जा सकता है

• जब channel की स्थिति हर आवृत्ति पर अलग हो, तो केवल कुछ subcarriers की गुणवत्ता खराब होती है
• single-carrier तरीके में पूरा data प्रभावित हो जाता है, लेकिन OFDM में केवल कुछ हिस्सा असर झेलता है
• जिन आवृत्तियों में समस्या हो, उन्हें कमज़ोर रूप से इस्तेमाल किया जा सकता है या पूरी तरह खाली छोड़ा जा सकता है

• समय में सघन रूप से होने वाला burst noise OFDM में कई symbols और कई आवृत्तियों में फैल जाता है
• थोड़े समय का तेज़ शोर पूरे data को नुकसान पहुँचाने तक नहीं पहुँचता

• wireless वातावरण में होने वाला multipath सिग्नल को कई रास्तों से पहुँचाकर देरी पैदा करता है
• समय-डोमेन में symbols एक-दूसरे पर चढ़ जाते हैं और ISI (Inter-Symbol Interference) पैदा होता है
• frequency domain में multipath, channel response curve के रूप में दिखाई देता है
• इस curve को ठीक कर दिया जाए तो हर subcarrier को स्वतंत्र रूप से restore किया जा सकता है

• pilot signal का उपयोग कर transmitter और receiver के बीच frequency error (LO drift) को ट्रैक किया जाता है
• चलते समय होने वाला Doppler shift भी आवृत्ति के हिसाब से अलग करके ठीक किया जा सकता है

• हर subcarrier पर अलग modulation scheme लागू की जा सकती है
• जिन bands में signal condition अच्छी हो, वहाँ high-speed modulation और खराब bands में अधिक स्थिर modulation रखा जा सकता है
• एक ही stream में असंभव रहने वाला hierarchical data transmission संभव हो जाता है

• इसे आगे बढ़ाकर कई users के एक साथ समय और आवृत्ति बाँटकर transmit करने वाली OFDMA संरचना तक ले जाया जा सकता है
• समय और आवृत्ति दोनों दिशाओं में data को interleave कर error concentration को कम किया जा सकता है
• convolution code, Reed–Solomon, BCH जैसी error correction techniques के साथ इसका स्वाभाविक संयोजन होता है

• नतीजतन, फ़ूरियर ट्रांसफ़ॉर्म “जटिल वास्तविकता को सरल नियंत्रण समस्या में बदल देने वाला स्विच” है
• OFDM ऐसा डिज़ाइन है जो इस स्विच को संचार संरचना के केंद्र में रखता है
• आधुनिक wireless communication को उच्च गति और स्थिरता एक साथ दिलाने की बुनियाद यही बनती है

[euphcat]

"HN की राय" में से:

• यह हैरान करने वाली बात है कि छह बच्चों के बावजूद वे इतने उत्पादक थे

...?

[aer0700]

हम पहले से ही उस दौर में जी रहे हैं जहाँ एक शख्स 14 बच्चों का पिता है और चार कंपनियों का CEO भी है, इसलिए...

[euphcat]

नहीं, लेकिन मैंने सच में Wikipedia देखकर चेक किया—Joseph Fourier ने Fourier transform 1822 में प्रकाशित किया, (उससे पहले की बिखरी हुई घोषणाओं को छोड़कर) FFT को औपचारिक रूप से स्थापित करके 1965 में प्रकाशित किया गया, और उससे भी पहले 1932 में इसका थोड़ा पहले वाला प्रकाशन हुआ था, लेकिन हैरानी की बात यह है कि Gauss ने FFT को 1805 में दर्ज तो किया था पर प्रकाशित नहीं किया। Gauss is gonna Gauss (मतलब, Gauss तो बस Gauss ही करेगा) वाली टिप्पणी मानने के अलावा कोई विकल्प नहीं बचता :(

[kimjoin2]

इंजीनियरिंग गणित में सचमुच पागल कर देने वाली transformations की सीरीज़... आह

[aer0700]

मुझे याद है कि मैंने इसे पहले noise removal और repetitive pattern removal logic लिखते समय इस्तेमाल किया था.
लगता है कि आजकल इसी तरह की चीज़ें autoencoder से implement की जाती हैं.

[GN⁺]

Hacker News की राय

• लोग “frequency space” शब्द से प्रभावित हो जाते हैं, लेकिन असली बात यह है कि समस्या-केंद्रित coordinate system change कितना उपयोगी होता है
  जैसे Copernicus ने coordinate system बदलकर ग्रहों की जटिल गति को सरल बनाया, वैसे ही Fourier analysis भी मूल रूप से वही विचार है
  digital signals में Walsh-Hadamard basis मददगार होता है, और यह frequency से बिल्कुल अलग अवधारणा है
  GPT जैसे models भी अभी Ptolemaic अवस्था में हैं, और मुझे लगता है कि किसी दिन हम बेहतर coordinate system के ज़रिए उनकी dynamics को समझ पाएँगे
  • ऐसे transforms आखिरकार किसी differential operator के eigenbasis में बदलने की प्रक्रिया हैं
    spherical harmonics, Bessel functions, Hankel functions आदि, sine/cosine या complex exponential functions के ही अलग रूप हैं
    wavelets tree-आकार के parameter space का उपयोग करते हैं, और हाल में overcomplete basis पर भी काफ़ी शोध हो रहा है
    लेकिन मेरा मानना है कि यह linear approach, nonlinear high-dimensional structure से निपटने वाले neural networks को समझने से सीधे तौर पर जुड़ी नहीं है
  • अगर Fourier या Laplace transform इस तरह पढ़ाए गए होते, तो DSP की class कहीं ज़्यादा दिलचस्प लगती
  • quantum systems की future state predict करना भी आसान हो जाता है, अगर Hamiltonian को diagonalize किया जा सके
    लेकिन समस्या यह है कि आम तौर पर यह लगभग असंभव होता है
• Fourier transform से जुड़ी मेरी सबसे पसंदीदा कहानी यह है कि Gauss ने Cooley और Tukey से एक सदी पहले FFT algorithm खोज लिया था
  उसने asteroid Pallas और Juno की गति का अध्ययन करते हुए इसे अपनी notebook में लिखा, लेकिन दुनिया के सामने प्रकाशित नहीं किया
  संबंधित दस्तावेज़
  • Gauss के बारे में कहा जाता है कि जब कोई दूसरा गणितज्ञ उसे नया परिणाम दिखाता, तो वह कहता, “यह मैं पहले ही कर चुका हूँ,” और drawer से संबंधित papers का पुलिंदा निकाल देता
  • Chevron में internship के दौरान मैंने सुना था कि 1950s में ही oil exploration seismic analysis में Fourier transform इस्तेमाल हो रहा था, लेकिन क्योंकि mathematics पर patent नहीं हो सकता, इसलिए उसे secret रखा गया
  • कहा जाता है कि Gauss की notebooks के margins में unpublished proofs भरे पड़े थे
    उसने अपने बेटे से गणित न करने को कहा था, क्योंकि उसे लगता था कि उसे पार कर पाना असंभव है
  • Gauss सचमुच Gauss था
  • छह बच्चों के बावजूद उसका इतना productive होना हैरान करता है
• Grafana में जो feature मुझे सबसे ज़्यादा missing लगता है, वह है traffic spikes के periodic patterns (epicycles) ढूँढने वाला Fourier transform
  मैं Monday morning या Tuesday noon जैसे periodic traffic को पकड़ना चाहता था
  लेकिन graph गलत configure कर देने से मैंने दिन का आधा usage उड़ा दिया, फिर उसे -7 day line में बदल दिया, जिसे सिर्फ़ मैं ही समझ पाया और team और ज़्यादा confused हो गई
  • ऐसे spikes इस धारणा से मेल नहीं खाते कि signal में पूरे समय frequency components मौजूद रहते हैं
    इसकी जगह cepstrum analysis ज़्यादा उपयुक्त है, और machine vibration analysis में periodic shocks (जैसे gear damage) खोजने के लिए इसे अक्सर इस्तेमाल किया जाता है
• signal समय और frequency, दोनों में एक साथ band-limited नहीं हो सकता
  undergraduate दिनों में सीखी इस बात का uncertainty principle के बराबर होना जानकर मैं चौंक गया था
  मेरी पत्नी और मैं dishwasher लोड करने के तरीके पर अक्सर बहस करते हैं — मैं जल्दी करता हूँ (समय कम करना), और वह ध्यान से करती है (धुलाई की संख्या कम करना), यानी हम अलग-अलग domains optimize कर रहे थे
  • signal दोनों तरफ़ लगभग सीमित हो सकता है
    उदाहरण के लिए Gaussian function दोनों domains में compact होती है
  • कान frequency resolution में अच्छे हैं, लेकिन direction sensing में कमज़ोर; आँखें इसका उल्टा हैं
  • यह शाब्दिक रूप से signal processing में Heisenberg uncertainty principle ही है
  • क्या मतलब यह है कि “जल्दी करने के कारण एक बार और चलाना पड़ा”?
    वैसे Technology Connections का dishwasher वीडियो recommend करता हूँ
  • automatic loading dishwasher शादीशुदा जीवन बचाने वाला आविष्कार होगा
• जब आप दुनिया को frequency domain में देखना शुरू कर देते हैं, तो बहुत सी tricks सरल हो जाती हैं
  मैंने webcam video पर Fourier transform apply करके चेहरे से heart rate पढ़ने वाला demo code बनाया था
  तरीका यह है कि उस हिस्से को ढूँढा जाए जहाँ किसी खास frequency पर energy peak करती है
  • यह सभी lossy compression algorithms की बुनियाद है
    JPEG, h264, mp3 के केंद्र में मौजूद DCT, दरअसल modified FFT ही है
  • मैंने पहले HN पर एक comment देखा था कि इस तरह का perspective shift किसी की ज़िंदगी बदल गया
  • finance में भी ऐसा ही एक रूपक है — किसी खास समय बिंदु के बजाय price threshold के आधार पर काम करना
  • लेकिन व्यवहार में webcam पर blood flow की वजह से होने वाली skin pulsation दिखाई न भी दे सकती है
• Sebastian Lague का नया वीडियो ज़ोरदार recommendation के लायक है
  वह Fourier transform की अवधारणा बहुत आसान तरीके से समझाता है
  वीडियो लिंक
• मज़ाक में कहा गया कि “The Unreasonable Effectiveness of The Unreasonable Effectiveness” जैसा title कौन लिखेगा
  • जवाब में meme की तरह कहा गया, “Unreasonable effectiveness is all you need”
  • original paper की सामग्री और इस बात को देखते हुए कि Fourier transform ने communication over noisy channels को संभव बनाया, यह title काफ़ी उपयुक्त लगता है
  • यह मूल रूप से 1960 के प्रसिद्ध essay “The Unreasonable Effectiveness of Mathematics in the Natural Sciences” की parody है
    लेकिन ऐसे titles अब इतने ज़्यादा इस्तेमाल हो चुके हैं कि थोड़ा manipulative लगते हैं
  • मज़ाक में कहा गया, “Unreasonable effectiveness-ness का opposite extreme”
  • मुझे ऐसे titles बचकाने लगते हैं
    Fourier transform दरअसल बहुत reasonable और intuitive concept है
    और जब mathematics को science की language माना जाता है, तो “mathematics असामान्य रूप से प्रभावी है” कहना भी कुछ अतिशयोक्तिपूर्ण लगता है
    presentation material भी आखिरकार basic FT 101 स्तर का ही है
• ML/data science के नज़रिए से FFT, PCA जैसा विचार है
  data को बेहतर coordinate system (time→frequency) में project करना, low-variance basis को हटाना, और फिर inverse transform (IFFT) से restore करना — प्रक्रिया कुछ ऐसी है
  फ़र्क सिर्फ़ इतना है कि FFT का basis fixed होता है
• मुझे Fourier transform खास पसंद नहीं है
  यह infinite domain को deal करता है, इसलिए थोड़ा खुरदुरा और वास्तविकता से दूर लगता है
  • असल में हर कोई windowed data पर FFT लगाता है
    इससे infinite support और infinite resolution की समस्या हटाई जा सकती है
  • समझ नहीं आया यह Tomb Raider वाला joke है या mathematical metaphor
  • नहीं, यहाँ ऐसी बात नहीं है
• वह OFDM समझाते हुए implicit रूप से amplitude-shift keying (ASK) की बात कर रहा है
  अगर दूसरी modulation इस्तेमाल करनी हो, तो subcarriers के complex numbers को IQ points की तरह लिया जा सकता है
  आखिर में बात वही है कि time domain की जगह frequency domain में वही symbols पढ़े जा रहे हैं, और यह superposition principle की वजह से सामान्य modulation के बराबर काम करता है