Faltung Entfaltung Bestimmung der (unbekannten) Funktion f aus den (bekannten) Funktionen h und g. Bezeichnung h(x) … Messdaten f(y) … Physikalisches Profil g(x-y) … Instrumentelle Verbreiterung Probleme Messdaten „streuen“ (Rauschen) Messbereich ist beschränkt Wie „misst“ man die instrumentelle Verbreiterung
Instrumentelle Verzerrung Spektrale „Reinheit“ der Röntgenstrahlung Verzerrung an der Beugungsoptik Nichtkohärente (Compton, Fluoreszenz) und diffuse Streuung Hintergrund Wie bekommt man die instrumentelle Verzerrung? Berechnung (Näherung) Messung (Näherung)
Faltung die Grundmerkmale Fourier Transformation der Faltung Faltung einer Funktion mit der Dirac Verteilung
Entfaltungsmethoden die Übersicht Klassische Stokes Methode mit Gaußschem Glätten der Messdaten Zerlegen der Messdaten in eine Fourier Reihe Messdaten werden als eine lineare Kombination der instrumentellen Linienverbreiterung behandelt
Die Stokes Methode Klassisch Modifiziert
Die modifizierte Stokes Methode % Fourier transformations HH = fft(hyy); GG = fft(gyy); % Smoothing HH and GG sigma = length(HH)/20; x = 1:length(HH); gauss = exp(-(x.^2)/sigma^2); gauss = gauss + fliplr(gauss); HH = gauss.*HH; sigma = length(GG)/20; % ... the same for GG % Inverse Fourier transform ft = real(ifft(HH./GG)); ft = fftshift(ft); % Back convolution FF=fft([fy zeros(1,length(gy)-1)]); GG = fft([gy zeros(1,length(fy)-1)]); ht = real(ifft(FF.*GG));
Die modifizierte Stokes Methode die Ergebnisse
Berechnung von Koeffizienten C und S mittels der kleinsten Quadrate Die Fourier Reihe Berechnung von Koeffizienten C und S mittels der kleinsten Quadrate
Berechnung von Fourier Koeffizienten
Berechnung von Fourier Koeffizienten % Harmonic functions fc(jj,:) = cos(jj*omega*hx); fs(jj,:) = sin(jj*omega*hx); % Convolution (g*fc) FF = fft([fc(jj,:) ... zeros(1,length(gyy)-1)]); GG = fft([gyy ... zeros(1,length(fc(jj,:))-1)]); phic(:,jj)=(real(ifft(FF.*GG)))'; % Convolution (g*fs) FF = fft([fs(jj,:) ... phis(:,jj)=(real(ifft(FF.*GG)))'; % Calculation of the matrix PHI phic(:,jj) = phic(:,jj)./sigma; phis(:,jj) = phis(:,jj)./sigma; Least-square refinement % Solution of the normal equations phi=[ones(length(HH),1)./sigma... phic(:,1:jj) phis(:,1:jj)]; M = phi' * phi; A = (HH./sigma' * phi)'; x = M\B; % Back convolution fy = ... ones(1,length(hy))*P(1)/sum(gy); fy=fy +(P(2:(jj+1)))'*fc(1:jj,:); fy =fy + ... (P((jj+2):(2*jj+1)))'*fs(1:jj,:);
Die Fourier Reihe die Ergebnisse
Die lineare Kombination Diskrete Faltung
Die lineare Kombination Voraussetzung: Die Intensitäten weit vom Maximum ist gleich null. Lösung: Die Methode der kleinsten Quadrate % Compose the kernel lh = length(h); for ii = 1:lh , GG(ii,:)=gt((g0-ii+1):(g0-ii+lh)); end % Solve system of linear equations fy = (GG\hy)'*sum(gy);
Lineare Kombination die Ergebnisse
Vergleich der Entfaltungsmethoden Kritische Fälle: Entfaltung ähnlicher Funktionen und Funktionen mit steilen Flanken
Zusammenfassung Ein limitierter Faktor ist immer der Grad der Glättung in experimentellen Daten Lineare Kombination der instrumentellen Profile Die beste Übereinstimmung zwischen experimentellen und „rekonvoluierten“ Daten / lange Computerzeit Die Fourier Reihe Die beste Glättung in den entfalteten Daten / die Methode eignet sich nicht für Profile mit steilen Flanken (sonst zu viele Fourier Koeffizienten notwendig) Die modifizierte Stokes Methode Die kürzeste Rechenzeit (sehr schnell mit FFT) / zusätzliche Glättung der Messdaten notwendig (data preprocessing)