[論文レビュー] Multidimensional Iterative Filtering method for the decomposition of high-dimensional non-stationary signals

Antonio Cicone, Haomin Zhou|arXiv (Cornell University)|Jul 26, 2015

Machine Fault Diagnosis Techniques参考文献 14被引用数 3

ひとこと要約

本稿では、拡張されたフォッカー＝プランク（FP）フィルタを用いて、高次元で非定常な信号を内在モード関数（IMF）に分解するための多次元反復フィルタリング（MIF）手法を提案する。この手法は、データに適応する滑らかでコンパクトなサポートを持つフィルタを活用し、安定的かつ収束性のある分解を実現し、2次元および3次元信号、特に実際のハイパースペクトル画像データにおいて混合成分の有効な分離を示している。

ABSTRACT

Iterative Filtering (IF) is an alternative technique to the Empirical Mode Decomposition (EMD) algorithm for the decomposition of non-stationary and non-linear signals. Recently in [1] IF has been proved to be convergent for any $L^2$ signal and its stability has been also showed through examples. Furthermore in [1] the so called Fokker-Planck (FP) filters have been introduced. They are smooth at every point and have compact supports. Based on those results, in this paper we introduce the Multidimensional Iterative Filtering (MIF) technique for the decomposition and time-frequency analysis of non-stationary high-dimensional signals. And we present the extension of FP filters to higher dimensions. We illustrate the promising performance of MIF algorithm, equipped with high-dimensional FP filters, when applied to the decomposition of 2D signals. [1] A. Cicone, J. Liu, and H. Zhou, Adaptive local iterative filtering for signal decomposition and instantaneous frequency analysis, arXiv:1411.6051, 2014.

研究の動機と目的

• 構造健全性モニタリング、芸術分析、ハイパースペクトル画像処理などの分野における非定常で高次元な信号の時間周波数解析の課題に対処すること。
• 従来の線形手法（例：フーリエ変換、ウェーブレット）およびEEMD/EMDの限界を克服し、最適化を必要としないデータ適応型の分解技術を開発すること。
• 1次元反復フィルタリング（IF）の収束性および安定性の性質を、一般化されたフォッカー＝プランクフィルタを用いて多次元信号に拡張すること。
• 2次元および3次元領域における滑らかでない成分と非滑らか成分を含む混合特徴を持つ信号の分解を可能にすること。
• MIFによる前処理を施すことで、ハイパースペクトル画像における既存の分類器の性能を向上させ、誤検出を低減すること。

提案手法

• 非定常で高次元な信号を対象とする1次元反復フィルタリングの拡張として、多次元反復フィルタリング（MIF）アルゴリズムを提案する。
• 1次元FPフィルタフレームワークから導出された、コンパクトなサポートと滑らかさを有する高次元FPフィルタを導入する。
• スプライン補間の代わりに、FPフィルタを用いた畳み込みベースの移動平均計算を採用し、収束性の厳密な解析を可能にする。
• 反復的スリービング処理を適用：収束するまで、残差からフィルタ畳み込み信号成分を差し引いてIMF候補を計算する。
• IMFを反復フィルタリングステップの極限として定義し、移動平均がゼロであり、内在モード関数の性質を満たすことを保証する。
• MIFを合成混合信号および実際のハイパースペクトル画像を含む2次元および3次元信号に適用し、ACE分類器による後処理を実施する。

実験結果

リサーチクエスチョン

• RQ1 反復フィルタリング法は、収束性および安定性を保ちつつ、非定常で高次元な信号を扱えるように一般化可能か？
• RQ2 フォッカー＝プランクフィルタは、有効な信号分解を実現するための滑らかさとコンパクトなサポートを維持しながら、高次元に拡張可能か？
• RQ3 MIFは、異なる性質（例：滑らかでない成分と非滑らか成分）を有する多次元信号の成分を効果的に分離可能か？
• RQ4 MIFは、ハイパースペクトル画像解析などの下流の信号分類タスクの性能を向上させるか？
• RQ5 高次元におけるMIFアルゴリズムの収束を保証する理論的条件は何か？ また、それらはフィルタ設計とどのように関係するか？

主な発見

• MIFアルゴリズムは、2次元の合成信号を明確なIMFに分解でき、単一の固定されたFPフィルタを用いて滑らかでない成分と非滑らか成分を分離した。
• 2次元の例では、最初のIMFが非滑らかで非定常な特徴を捉えており、2番目のIMFが滑らかで定常的な信号を表しており、有効な成分分離が実現された。
• ハイパースペクトル画像処理においては、MIFによる前処理によりACEベースの分類における誤検出が低減され、ノイズやアーチファクトを除去することで検出精度が向上した。
• 事前基底選択や最適化を必要とせず、データ駆動型フィルタリングに依存するのみで、安定した分解が達成された。
• 多次元フォッカー＝プランクフィルタの使用により、滑らかでコンパクトなサポートを持つフィルタリングが可能になり、信号特徴を保持しながら収束性を確保した。
• 結果から、データ適応性と安定性が重要な分野において、MIFはEMDやEEMDの有望な代替手法であると考えられる。