[論文レビュー] Sparse Time-Frequency decomposition by dictionary learning

Thomas Y. Hou, Zuoqiang Shi|arXiv (Cornell University)|Sep 5, 2013

Image and Signal Denoising Methods参考文献 18被引用数 4

ひとこと要約

本論文は、信号から段階的に学習される基底関数を用いた、データ駆動型の時間周波数解析手法を提案する。この手法は、スパース信号分解を辞書学習問題として定式化し、増分ラグランジュ乗数（ALM）法を用いて高速ウェーブレット変換で高速化されたアルゴリズムにより、基底関数を信号自体から適応的に学習する。この方法は、スケール分離が不十分な信号、ノイズ、外れ値が存在する信号に対しても、内在モード関数（IMF）および瞬時周波数を高い精度で回復でき、合成信号および実世界の応用において優れた性能を示している。

ABSTRACT

In this paper, we propose a time-frequency analysis method to obtain instantaneous frequencies and the corresponding decomposition by solving an optimization problem. In this optimization problem, the basis to decompose the signal is not known. Instead, it is adapted to the signal and is determined as part of the optimization problem. In this sense, this optimization problem can be seen as a dictionary learning problem. This dictionary learning problem is solved by using the Augmented Lagrangian Multiplier method (ALM) iteratively. We further accelerate the convergence of the ALM method in each iteration by using the fast wavelet transform. We apply our method to decompose several signals, including signals with poor scale separation, signals with outliers and polluted by noise and a real signal. The results show that this method can give accurate recovery of both the instantaneous frequencies and the intrinsic mode functions.

研究の動機と目的

• 非線形的かつ非定常的信号から、物理的に意味のある成分（瞬時周波数、内在モード関数（IMF）など）を抽出できる真正に適応的な時間周波数解析手法を開発すること。
• 固定基底に起因する人工的な高調波を生じる従来の変換（例：フーリエ変換、ウェーブレット変換）の限界を克服すること。
• 基底関数が信号自体から位相関数を介して学習される非凸な辞書学習問題として分解を定式化すること。
• 信号の局所的構造に適応するスパース表現を学習することで、スケール分離が不十分で、ノイズや外れ値が存在する信号に対しても、ロバストな分解を可能にすること。
• ALMフレームワーク内での高速ウェーブレット変換の統合により、収束を高速化し、計算効率を向上させること。

提案手法

• 信号分解をスパース最適化問題として定式化：$ f(t) = \sum_{j=1}^{M} a_j(t) \cos \theta_j(t) $、ここで $ a_j(t) $ と $ \theta_j(t) $ は滑らかで、$ \theta_j'(t) > 0 $ を満たす。
• 問題を辞書学習問題に再定式化：$ \|\mathbf{x}\|_1 $ を最小化し、制約条件として $ \Phi_{\theta_1,\dots,\theta_M} \mathbf{x} = f $ を課す。アトムは位相関数 $ \theta_j $ でパrameter化される。
• 増分ラグランジュ乗数（ALM）法を用いて、係数 $ \mathbf{x} $ と位相関数 $ \theta_j $ を反復的に最適化する。
• 各ALM反復において、位相領域におけるスパarsityと正規直交性を活用し、高速ウェーブレット変換を用いて計算を高速化する。
• 自由度を制限し、物理的に妥当な解を得るために、位相関数に制約を課す。これにより、自明な解を回避する。
• スパースでない信号に対応するため、辞書を拡大し、拡大された集合上で最もスパースな表現を求める。

実験結果

リサーチクエスチョン

• RQ1 スケール分離が不十分な信号に対しても、データ駆動型の辞書学習アプローチが、正確な瞬時周波数および内在モード関数を回復できるか？
• RQ2 学習データセットが存在しない単一信号の分解において、辞書学習をどのように適応化し、物理的解釈可能性を維持できるか？
• RQ3 適応的辞書上でのスパース表現を学習することで、ノイズや外れ値に汚染された信号に対しても、この手法が効果的に機能するか？
• RQ4 高速ウェーブレット変換の使用が、ALMに基づく最適化の収束性と効率性をどの程度向上させるか？
• RQ5 この手法は、観測された振動信号から、隠れた物理的パラメータ（例：ばね定数行列）を回復できるか？

主な発見

• 本手法は、スケール分離が不十分な信号に対しても、高い精度で内在モード関数および瞬時周波数を回復できた。
• 2自由度振動系モデルの数値結果では、理論的瞬時周波数と数値的に計算された周波数の間に優れた一致が得られ、周波数が近接する点でも良好な一致を示した。
• 信号の局所的構造に適応する辞書の学習により、ノイズや外れ値に対して高いロバスト性を示した。
• ALMフレームワーク内に高速ウェーブレット変換を統合したことで、収束が著しく高速化され、計算が非常に効率的になった。
• 回復された瞬時周波数を分析することで、観測信号からばね定数行列などの物理的パラメータを抽出できる。
• 実橋梁信号への初期忊用では有望な結果が得られており、実世界の構造動的データへの応用における検証が進行中である。