[論文レビュー] Data-Driven Time-Frequency Analysis

Thomas Y. Hou, Zuoqiang Shi|arXiv (Cornell University)|Feb 25, 2012

Sparse and Compressive Sensing Techniques参考文献 29被引用数 4

ひとこと要約

本稿では、非線形的かつ非定常的信号を、形式 $ a(t)\cos(\theta(t)) $ の固有モード関数（IMF）からなる極めて冗長な辞書上でスパース最適化を用いて、自己適応的に分解するデータ駆動型時間周波数解析手法を提案する。非線形 $ L^0 $ 最適化問題として定式化し、新規の非線形マッチング pursuit アルゴリズムにより解くことで、安定的かつノイズに強く、正確なトレンドおよび瞬時周波数推定を実現し、内周周波数変調やアンダーサンプリングされたデータといった困難な状況においても、EMD/EEMD を上回る性能を発揮する。

ABSTRACT

In this paper, we introduce a new adaptive data analysis method to study trend and instantaneous frequency of nonlinear and non-stationary data. This method is inspired by the Empirical Mode Decomposition method (EMD) and the recently developed compressed (compressive) sensing theory. The main idea is to look for the sparsest representation of multiscale data within the largest possible dictionary consisting of intrinsic mode functions of the form $\{a(t) \cos(θ(t))\}$, where $a \in V(θ)$, $V(θ)$ consists of the functions smoother than $\cos(θ(t))$ and $θ'\ge 0$. This problem can be formulated as a nonlinear $L^0$ optimization problem. In order to solve this optimization problem, we propose a nonlinear matching pursuit method by generalizing the classical matching pursuit for the $L^0$ optimization problem. One important advantage of this nonlinear matching pursuit method is it can be implemented very efficiently and is very stable to noise. Further, we provide a convergence analysis of our nonlinear matching pursuit method under certain scale separation assumptions. Extensive numerical examples will be given to demonstrate the robustness of our method and comparison will be made with the EMD/EEMD method. We also apply our method to study data without scale separation, data with intra-wave frequency modulation, and data with incomplete or under-sampled data.

研究の動機と目的

• 従来のフーリエ法やウェーブレット法が固定された基底関数に依存するため、非線形的かつ非定常的信号に対しては不適切となる状況において、完全に自己適応的な時間周波数解析手法を開発すること。
• EMD/EEMD の限界（モード混合やノイズへの感受性）を克服するため、データに適応するスパース表現フレームワークを導入すること。
• 内周周波数変調や不完全なサンプリングを伴う信号を含む、複雑な信号からトレンドおよび瞬時周波数を正確に抽出できること。
• 非線形 $ L^0 $ 最適化問題に一般化されたマッチング pursuit を用いることで、スパース分解に安定的かつ効率的なアルゴリズムを提供すること。
• スケール分離の仮定の下で収束性を理論的に確立し、広範な数値実験を通じてロバスト性を検証すること。

提案手法

• 本手法は、$ a \in V(\theta) $、$ \theta' \geq 0 $、および制御された滑らかさパラメータ $ \lambda \leq 1/2 $ を持つ三角関数基底を用いて定義される滑らかさ関数空間 $ V(\theta) $ を用いて、形式 $ a(t)\cos(\theta(t)) $ の固有モード関数（IMF）からなる極めて冗長な辞書 $ \mathcal{D} $ を構築する。
• 信号は、$ f(t) = \sum_{k=1}^M a_k(t)\cos\theta_k(t) $ を満たすような成分数 $ M $ を最小化する非線形 $ L^0 $ 最適化問題として分解する。各項は $ \mathcal{D} $ に属する。
• 非線形マッチング pursuit アルゴリズムを提案し、反復的に辞書内から最適に一致するIMFを選択する。これは、非線形性を有する $ L^0 $ 型最適化問題に対応する古典的マッチング pursuit の一般化である。
• アルゴリズムは計算効率が高く、ノイズに対して安定であり、信号成分のスケール分離仮定の下で理論的収束性が証明されている。
• 本手法は圧縮センシングの原則を活用するが、事前に既知の基底を仮定する代わりに、データから基底を自己適応的に学習する点で拡張されている。
• 理論的解析では、周波数局在化および滑らかさの仮定を用いて近似誤差を評価し、主にフーリエ解析および定常位相法を用いて主要な推定値を導出する。

実験結果

リサーチクエスチョン

• RQ1 事前に定義された基底関数に依存せずに、非線形的かつ非定常的信号の安定的かつ正確な分解を実現できるデータ駆動型時間周波数手法は存在するか？
• RQ2 基底関数が非線形的かつデータに適応的である場合に、信号のスパースな表現をどのように効率的に計算できるか？
• RQ3 提案された非線形マッチング pursuit アルゴリズムは、モード混合、内周周波数変調、不完全なサンプリングを伴う信号に対して、EMD/EEMD よりもどれほど優れた性能を発揮するか？
• RQ4 スケール分離の仮定の下で、分解の収束性および安定性に関する理論的保証はどの程度確立できるか？
• RQ5 本手法は、複雑なマルチスケール信号から物理的に意味のある瞬時周波数およびトレンドを信頼性高く抽出できるか？

主な発見

• 提案された非線形マッチング pursuit アルゴリズムは、非線形的かつ非定常的信号の安定的かつ効率的な分解を実現し、数値実験でノイズに強い性能が確認された。
• EMD/EEMD がモード混合のため失敗する内周周波数変調を伴う信号に対しても、正確に振幅および周波数変調を捉えることができ、成功裏に分解を達成した。
• アンダーサンプリングまたは不完全なデータの場合、時間周波数平面における内在的なスパarsity を活用することで、意味のある時間周波数構造を回復できた。
• スケール分離仮定の下で理論的収束性が確立され、誤差の上限として $ \left| \theta_{k_0}^{n+1}(t) - \theta_{k_0}(t) \right| = O(\epsilon) $ が得られ、収束が速いことが示された。
• 数値的比較により、精度、安定性、および瞬時周波数およびトレンド成分の分解能において、EMD/EEMD を上回る優れた性能を示した。
• 本手法は、適応的IMFのスパース表現を活用することで、トレンドや時間変動する周波数といった隠れた物理的構造を、複雑なマルチスケール信号から明らかにした。