[논문 리뷰] Data-Driven Time-Frequency Analysis

Thomas Y. Hou, Zuoqiang Shi|arXiv (Cornell University)|2012. 02. 25.

Sparse and Compressive Sensing Techniques참고 문헌 29인용 수 4

한 줄 요약

이 논문은 비선형성과 비 stationary 신호를 적응적으로 분해하기 위해 내재 모드 함수(intrinsic mode functions, IMFs)의 매우 다량의 사전(dictionary)에 대한 희소 최적화를 기반으로 하는 데이터 기반 시간-주파수 분석 방법을 제안한다. 형태 $ a(t)\cos(\theta(t)) $ 를 가진 IMFs로 구성된 다량의 사전 $ \mathcal{D} $ 를 사용하며, 비선형 $ L^0 $ 최적화 문제로 문제를 설정하고, 새로운 비선형 매칭 퇴적 알고리즘을 통해 이를 해결함으로써 안정적이고 노이즈에 강인한 분해를 달성하며, 정확한 추세와 즉각 주파수 추정이 가능해져 EMD/EEMD에 비해 내부 주파수 변조 및 과도 샘플링 데이터와 같은 도전적인 경우에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 고정된 기저 함수를 사용하는 전통적인 푸리에 및 웨이브릿 방법이 실패하는 비선형성과 비 stationarity를 가지는 신호에 대해 완전히 적응적인 시간-주파수 분석 방법을 개발하는 것.
• 모드 혼합과 노이즈에 대한 민감성 등의 EMD/EEMD의 한계를 극복하기 위해 데이터 적응형이고 희소 표현 기반의 프레임워크를 도입하는 것.
• 내부 주파수 변조 또는 불완전한 샘플링을 가진 복잡한 신호에서 추세와 즉각 주파수를 정확하게 추출할 수 있도록 하는 것.
• 비선형 $ L^0 $ 최적화 문제로 일반화된 매칭 퇴적 알고리즘을 통해 희소 분해를 안정적이고 효율적으로 수행할 수 있도록 하는 것.
• 스케일 분리 가정 하에 이론적 수렴성을 확립하고 광범위한 수치 실험을 통해 강인성을 검증하는 것.

제안 방법

• 내재 모드 함수 $ a(t)\cos(\theta(t)) $ 로 구성된 매우 다량의 사전 $ \mathcal{D} $ 를 구축하며, 여기서 $ a \in V(\theta) $, $ \theta' \geq 0 $ 이고, $ V(\theta) $ 는 제어 가능한 매끄러움 매개수 $ \lambda \leq 1/2 $ 를 가진 삼각함수 기저를 통해 정의된 매끄러운 함수 공간이다.
• 신호는 희소성 기반의 비선형 $ L^0 $ 최적화 문제를 풀어 분해한다: $ f(t) = \sum_{k=1}^M a_k(t)\cos\theta_k(t) $ 를 만족하는 가장 적은 수의 성분 $ M $ 을 찾는 것. 각 항은 $ \mathcal{D} $ 에 속한다.
• 비선형 매칭 퇴적 알고리즘을 제안하여 사전에서 가장 잘 맞는 IMF를 반복적으로 선택함으로써, 기존 매칭 퇴적을 비선형성과 $ L^0 $ 유형 최적화 문제에 일반화한다.
• 알고리즘은 계산적으로 효율적이며 노이즈에 강인하도록 설계되었으며, 신호 성분 간의 스케일 분리 가정 하에 이론적 수렴성이 입증되었다.
• 압축 감지 기반 원리를 활용하지만, 사전에 알려진 기저를 가정하는 대신 데이터로부터 기저를 적응적으로 학습함으로써 이를 확장한다.
• 이론적 분석은 주파수 국소화 및 매끄러움 가정을 바탕으로 근사 오차를 경계하며, 주요 추정치는 푸리에 분석 및 정적 위상 방법을 통해 유도된다.

실험 결과

연구 질문

• RQ1 사전에 정의된 기저 함수에 의존하지 않고도 데이터 기반 시간-주파수 방법이 비선형성과 비 stationarity를 가지는 신호에 대해 안정적이고 정확한 분해를 달성할 수 있는가?
• RQ2 기저 함수가 비선형적이고 데이터에 적응적일 경우, 신호의 가장 희소 표현을 효율적으로 계산할 수 있는가?
• RQ3 제안된 비선형 매칭 퇴적 알고리즘이 모드 혼합, 내부 주파수 변조 또는 불완전한 샘플링을 가진 신호를 다룰 때 EMD/EEMD를 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 스케일 분리 조건 하에 분해의 수렴성과 안정성에 대해 어떤 이론적 보장을 확보할 수 있는가?
• RQ5 이 방법은 다중 스케일 복잡한 신호에서 물리적으로 의미 있는 즉각 주파수와 추세를 신뢰성 있게 추출할 수 있는가?

주요 결과

• 제안된 비선형 매칭 퇴적 알고리즘은 비선형성과 비 stationarity를 가지는 신호에 대해 안정적이고 효율적인 분해를 달성하며, 수치 실험에서 노이즈에 강인함이 입증되었다.
• EMD/EEMD가 모드 혼합로 실패하는 내부 주파수 변조 신호에 대해서도, 이 방법은 진폭과 주파수 변조를 정확하게 포착함으로써 성공적으로 해소하였다.
• 과도 샘플링 또는 불완전한 데이터의 경우, 시간-주파수 평면 내 내재된 희소성에 기반하여 의미 있는 시간-주파수 구조를 복원하였다.
• 스케일 분리 가정 하에 이론적 수렴성이 확립되었으며, 오차 경계는 $ \left| \theta_{k_0}^{n+1}(t) - \theta_{k_0}(t) \right| = O(\epsilon) $ 를 보이며, 빠른 수렴을 나타낸다.
• 수치적 비교 결과, 정확도, 안정성, 즉각 주파수 및 추세 성분의 해상도 측면에서 EMD/EEMD에 비해 뛰어난 성능을 보였다.
• 이 방법은 내재된 희소 표현을 적응형 IMFs 사전에서 활용함으로써, 추세와 시간에 따라 변하는 주파수와 같은 숨겨진 물리적 구조를 드러내었다.