[論文レビュー] Noise reduction in chaotic time series by a local projection with nonlinear constraints

Krzysztof Urbanowicz, Janusz A. Hołyst+2 more|TUbilio (Technical University of Darmstadt)|Aug 26, 2003

Neural Networks and Applications被引用数 15

ひとこと要約

本稿では、吸引子の決定的構造を活用して、ロバスト性を向上させる非線形制約を組み込んだローカルプロジェクション法（LPNC）を、カオス的時系列におけるノイズ低減のために提案する。デローニー三角形分割からの幾何的制約を組み込み、制約付き最適化問題を解くことで、標準的なローカルプロジェクション法と同等のノイズ低減性能を達成するとともに、パrameter推定誤差に対してより高い安定性を示す。ヘノン、ローレンツ、チュア回路のデータを用いた検証で有効性が確認された。

ABSTRACT

On the basis of a local-projective (LP) approach we develop a method of noise reduction in time series that makes use of nonlinear constraints appearing due to the deterministic character of the underlying dynamical system. The Delaunay triangulation approach is used to find the optimal nearest neighboring points in time series. The efficiency of our method is comparable to standard LP methods but our method is more robust to the input parameter estimation. The approach has been successfully applied for separating a signal from noise in the chaotic Henon and Lorenz models as well as for noisy experimental data obtained from an electronic Chua circuit. The method works properly for a mixture of additive and dynamical noise and can be used for the noise-level detection.

研究の動機と目的

• 時系列データにおけるカオス的吸引子構造がノイズによって隠れてしまうという課題に対処すること。
• カオス系の決定的ダイナミクスから導出される非線形幾何的制約を組み込むことで、標準的なローカルプロジェクション（LP）手法を改善すること。
• 埋め込み次元や遅延時間といった入力パrameterの不確実性に対してもロバストなノイズ低減技術を開発すること。
• シミュレートされたカオス的システムおよび実験的データの両方において、正確なノイズレベル推定と信号回復を可能にすること。
• 系の運動方程式の局所線形化から得られる制約を埋め込むことで、ローカルプロジェクション手法を拡張すること。

提案手法

• 時系列から時間遅れを用いて状態ベクトルを再構成するために、タケンズの埋め込み定理を用いる。
• 再構成された位相空間における最適な近隣点を特定するために、デローニー三角形分割を適用する。
• 系のダイナミクスの局所線形化から導かれる非線形制約を課し、$ H_q^{(n)}(\tilde{\mathbf{x}}_{n+1}, \tilde{\mathbf{x}}_n, \ldots) = 0 $ として表現する。
• 補正の二乗和 $ \tilde{S}_n^{NN} = \sum_s (\delta x_s)^2 + \lambda_n^m G_m^d(\mathbf{X}_n^{NN}) $ を最小化する制約付き最適化問題を解く。ここで $ G_m^d $ は幾何的制約を符号化する。
• 補正 $ \delta x_n $ を計算するための線形方程式系 $ \mathbf{M}_n \cdot \delta\mathbf{X}_n^\lambda = \mathbf{B}_n $ を導出する。行列要素 $ [\mathbf{M}_n]_{lm} $ は、状態差分の重み付き和によって定義される。
• 高次元埋め込みを扱い、最適化フレームワーク内の整合性を保つために、解の多次元一般化を用いる。

実験結果

リサーチクエスチョン

• RQ1 カオス的系の決定的ダイナミクスから得られる非線形幾何的制約を組み込むことで、標準的なローカルプロジェクション手法と比較して、ノイズ低減性能が向上するか？
• RQ2 加法的ノイズと動的ノイズの両方が存在する状況において、LPNC手法はノイズ低減にどの程度有効か？
• RQ3 埋め込み次元や遅延時間といった入力パrameterの誤差に対して、LPNC手法はどの程度ロバストか？
• RQ4 事前にノイズレベルを知らなくても、LPNC手法は時系列におけるノイズレベルを同定できるか？
• RQ5 ヘノンやローレンツのようなカオス的系、およびチュア回路からの実験的データにおいて、LPNC手法は元の吸引子構造を保持できるか？

主な発見

• ヘノンおよびローレンツ吸引子を用いた検証で、LPNC手法は標準的なローカルプロジェクション手法と同等のノイズ低減性能を達成した。
• 特にノイズが強く、または最適でない埋め込みパrameterが使用される状況において、従来のLP手法よりも顕著にロバストであることが示された。
• チュア電子回路からの実験的データにおいて、信号とノイズの分離に成功し、実世界のカオス的系への適用可能性が確認された。
• 事前に分離する必要のない、加法的ノイズと動的ノイズの混合ノイズに対しても、効果的に対処できた。
• 制約付き最適化フレームワークにより、シミュレートデータにおける既知のノイズレベルとの比較で、正確なノイズレベル推定が可能となった。
• デローニー三角形分割を用いた近隣点選択により、局所近似の幾何的忠実度が向上し、安定性と精度の向上に寄与した。