[论文解读] MEDL and MEDLA: Methods for Assessment of Scaling by Medians of Log-Squared Nondecimated Wavelet Coefficients

Minkyoung Kang, Brani Vidaković|arXiv (Cornell University)|Mar 12, 2017

Image and Signal Denoising Methods参考文献 8被引用 7

一句话总结

本文提出 MEDL 和 MEDLA 两种方法，利用非抽取小波变换（NDWT）对自相似信号中的赫斯特指数进行稳健估计。通过应用对数变换、基于中位数的估计以及重采样技术，以减少自相关偏差，与标准的基于 NDWT 的方法相比，该方法在较低赫斯特指数下实现了更低的均方误差，并获得渐近正态、无偏的估计量。

ABSTRACT

High-frequency measurements and images acquired from various sources in the real world often possess a degree of self-similarity and inherent regular scaling. When data look like a noise, the scaling exponent may be the only informative feature that summarizes such data. Methods for the assessment of self-similarity by estimating Hurst exponent often involve analysis of rate of decay in a spectrum defined in various multiresolution domains. When this spectrum is calculated using discrete non-decimated wavelet transforms, due to increased autocorrelation in wavelet coefficients, the estimators of $H$ show increased bias compared to the estimators that use traditional orthogonal transforms. At the same time, non-decimated transforms have a number of advantages when employed for calculation of wavelet spectra and estimation of Hurst exponents: the variance of the estimator is smaller, input signals and images could be of arbitrary size, and due to the shift-invariance, the local scaling can be assessed as well. We propose two methods based on robust estimation and resampling that alleviate the effect of increased autocorrelation while maintaining all advantages of non-decimated wavelet transforms. The proposed methods extend the approaches in existing literature where the logarithmic transformation and pairing of wavelet coefficients are used for lowering the bias. In a simulation study we use fractional Brownian motions with a range of theoretical Hurst exponents. For such signals for which "true" $H$ is known, we demonstrate bias reduction and overall reduction of the mean-squared error by the two proposed estimators. For fractional Brownian motions, both proposed methods yield estimators of $H$ that are asymptotically normal and unbiased.

研究动机与目标

• 解决非抽取小波变换（NDWT）系数中自相关性导致的赫斯特指数估计偏差增加问题。
• 在保持 NDWT 优势（如平移不变性、每级系数数量固定、适用于任意信号长度）的同时，降低估计器的偏差。
• 开发基于中位数的位置估计和重采样技术的稳健估计方法，以提高相对于基于均值或非稳健方法的准确性。
• 证明在分数布朗运动（fBm）模型下，MEDL 和 MEDLA 能够生成赫斯特指数的渐近正态、无偏估计量。
• 在偏差、方差和均方误差（MSE）方面，对比 MEDL 和 MEDLA 与标准 NDWT 方法的性能表现。

提出的方法

• 对信号应用非抽取小波变换（NDWT），在每一级保留所有系数，不进行下采样。
• 在每个尺度上计算小波系数的平方，然后应用对数变换以稳定方差并线性化与赫斯特指数的幂律关系。
• 对于 MEDL，估计各级对数平方系数的中位数，并通过中位数值对对数尺度的线性回归来估计 H。
• 对于 MEDLA，采用重采样：反复抽取至少相距 q_j 的小波系数对，计算其平均能量，取对数，再估计这些对数能量的中位数。
• 将对数平方系数的中位数用作稳健的位置估计器，相比基于均值的方法，对异常值和自相关性不敏感。
• 推导估计量的渐近正态性和方差表达式，表明 MEDLA 的方差与尺度 j 无关，仅依赖于样本大小 N 和层数 m。

实验结果

研究问题

• RQ1 尽管存在更高的自相关性，基于中位数的稳健估计是否能减少使用非抽取小波变换时赫斯特指数估计的偏差？
• RQ2 MEDL 和 MEDLA 在偏差、方差和均方误差方面与标准 NDWT 方法（如 Veitch 和 Abry，Soltani 等人）相比表现如何？
• RQ3 MEDL 和 MEDLA 在分数布朗运动模型下是否能产生渐近正态且无偏的 H 估计量？
• RQ4 重采样在降低冗余 NDWT 系数中自相关性的影响方面有何作用？
• RQ5 在有限样本模拟中，这些估计器在不同真实赫斯特指数值（H = 0.3, 0.5, 0.7）下的表现如何？

主要发现

• 当 H = 0.3 时，MEDL 和 MEDLA 相较于标准方法显著降低了均方误差（MSE），MEDLA 的 MSE 为 0.0024，而传统方法为 0.0256。
• 当 H = 0.5 时，MEDLA 实现了最低的偏差平方（1.3×10⁻⁶）和 MSE（0.0017），优于传统方法（MSE = 0.0018）和 Soltani 方法（MSE = 0.0023）。
• 当 H = 0.7 时，MEDLA 将 MSE 从传统方法的 0.0256 降低至 0.0024，偏差平方从 0.0217 降低至 6.2×10⁻⁵，显示出显著的偏差减少效果。
• 在模拟设置下，MEDLA 对 H 的估计量渐近服从正态分布，均值为 H，方差为 7.9007×10⁻⁵，证实了理论收敛性。
• MEDL 和 MEDLA 在所有测试的 H 值下均表现一致，尤其在 H = 0.7 时偏差和 MSE 的改善最为显著，而传统方法在此处失效。
• MEDLA 中样本中位数估计量的方差约为 1/(N(log 2)²)，与尺度 j 无关，支持了该方法在各级之间具有稳定性。