[论文解读] Maximum Entropy Spectral Analysis: an application to gravitational waves data analysis

Alessandro Martini, S. Schmidt+2 more|arXiv (Cornell University)|Jun 17, 2021

Neural Networks and Applications参考文献 1被引用 8

一句话总结

本文通过 Python 包 memspectrum 提供了最大熵谱分析（MESA）的稳健、开源实现，展示了其在估计短时序、噪声数据的功率谱密度（PSD）方面优于 Welch 方法，尤其在引力波数据分析中，实现了更低方差和偏差，且参数调优极少。

ABSTRACT

The Maximum Entropy Spectral Analysis (MESA) method, developed by Burg, offers a powerful tool for spectral estimation of a time-series. It relies on Jaynes' maximum entropy principle, allowing the spectrum of a stochastic process to be inferred using the coefficients of an autoregressive process AR($p$) of order $p$. A closed-form recursive solution provides estimates for both the autoregressive coefficients and the order $p$ of the process. We provide a ready-to-use implementation of this algorithm in a Python package called exttt{memspectrum}, characterized through power spectral density (PSD) analysis on synthetic data with known PSD and comparisons of different criteria for stopping the recursion. Additionally, we compare the performance of our implementation with the ubiquitous Welch algorithm, using synthetic data generated from the GW150914 strain spectrum released by the LIGO-Virgo-Kagra collaboration. Our findings indicate that Burg's method provides PSD estimates with systematically lower variance and bias. This is particularly manifest in the case of a small (O($5000$)) number of data points, making Burg's method most suitable to work in this regime. Since this is close to the typical length of analysed gravitational waves data, improving the estimate of the PSD in this regime leads to more reliable posterior profiles for the system under study. We conclude our investigation by utilising MESA, and its particularly easy parametrisation where the only free parameter is the order $p$ of the AR process, to marginalise over the interferometers noise PSD in conjunction with inferring the parameters of GW150914.

研究动机与目标

• 为解决 Welch 方法在谱密度估计中的局限性，特别是其在引力波数据中常见的短时序数据上表现出的高方差和偏差。
• 重新激活并推广最大熵谱分析（MESA）作为随机过程分析中理论基础扎实、调优极少的替代方法。
• 为更广泛的科学界提供即用、可靠且高效的 Python 实现（memspectrum），用于 Burg 的 MESA 算法。
• 在合成与真实引力波数据上评估 MESA 的性能，与 Welch 方法进行定量比较，并评估递归系数估计的停止准则。
• 探索 MESA 在引力波数据分析中用于在线 PSD 估计和异常检测的潜力，特别是在非平稳或存在数据间隙的场景下。

提出的方法

• MESA 使用最大熵原理，通过将宽平稳随机过程建模为 $ p $ 阶自回归（AR）过程，推断其功率谱密度（PSD），并最小化对未观测数据的假设。
• 该算法通过闭式解递归计算 AR 系数，该解源自 Yule-Walker 方程，AR 阶数 $ p $ 由停止准则（如赤信息准则 AIC 或贝信息准则 BIC）确定。
• PSD 通过 AR 过程功率谱的傅里叶逆变换估计，该谱由 AR 系数导出，确保谱估计平滑且符合物理实际。
• 该方法避免了窗函数处理和数据分段，与 Welch 方法不同，从而保留了数据完整性，减少了预处理带来的非真实偏差。
• 实现 memspectrum 在具有已知 PSD 的合成数据上进行了验证，并与 LIGO-Virgo 发布的噪声功率谱使用 Welch 方法进行了比较。
• 该框架通过在贝叶斯参数估计期间对残差重新计算 PSD，支持在线 PSD 估计，实现动态噪声建模。

实验结果

研究问题

• RQ1 在估计短时序数据的功率谱密度时，MESA 与 Welch 方法在偏差和方差方面有何差异？
• RQ2 哪种停止准则（如 AIC、BIC）能为 MESA 中的自回归阶数 $ p $ 提供最准确和稳定的估计？
• RQ3 MESA 能否在引力波数据分析中有效用于实时或在线 PSD 估计，特别是在噪声特性非平稳的情况下？
• RQ4 MESA 在具有缺失数据的时间序列（如 LISA 观测中预期的）中的异常检测和插补性能如何？
• RQ5 MESA 能否集成到贝叶斯推断流程中，作为模型参数 $ \theta $ 的函数动态建模噪声 PSD，从而提高后验精度？

主要发现

• MESA 在数据点数量较少时，始终产生显著低于 Welch 方法的功率谱密度（PSD）估计方差和偏差。
• 递归 MESA 算法在具有已知 PSD 的合成数据上可靠收敛，且 AIC 和 BIC 停止准则能提供稳定且准确的自回归阶数 $ p $ 估计。
• memspectrum Python 包提供了稳健、用户友好且高效的 MESA 实现，适用于集成到数据分析流程中。
• MESA 通过在贝叶斯推断期间对残差重新计算 PSD，实现了准确的在线 PSD 估计，从而在不假设长期平稳性的前提下实现动态噪声建模。
• 该方法支持实际应用，如异常检测和时间序列插补，MESA 的预测可作为检测偏差的可靠基线。
• 初步结果表明，MESA 可扩展至在贝叶斯框架中包含 PSD 的后验分布，相比固定离线 PSD 估计，能提供更完整的不确定性量化。