[论文解读] Nonlinear Mode Decomposition: a noise-robust, adaptive, decomposition method based on the synchrosqueezed wavelet transform

Dmytro Iatsenko, Aneta Stefanovska+1 more|arXiv (Cornell University)|Jul 24, 2012

Machine Fault Diagnosis Techniques被引用 6

一句话总结

本文提出非线性模态分解（NMD），一种抗噪性强、自适应的信号分解方法，结合同步挤压小波变换与替代数据检验，从信号中提取具有物理意义的振荡分量，同时抑制噪声。NMD 在模拟信号和真实信号中均优于现有方法（如 EMD、ICA 和 KLE），通过自适应识别相互依赖的振荡分量，并区分确定性成分与随机成分。

ABSTRACT

We introduce a new adaptive decomposition tool, which we refer to as Nonlinear Mode Decomposition (NMD). It decomposes a given signal into a set of physically meaningful oscillations for any waveform, simultaneously removing the noise. NMD is based on the powerful combination of time-frequency analysis techniques - which together with the adaptive choice of their parameters make it extremely noise-robust - and surrogate data tests, used to identify interdependent oscillations and to distinguish deterministic from random activity. We illustrate the application of NMD to both simulated and real signals, and demonstrate its qualitative and quantitative superiority over the other existing approaches, such as (ensemble) empirical mode decomposition, Karhunen-Loeve expansion and independent component analysis. We point out that NMD is likely to be applicable and useful in many different areas of research, such as geophysics, finance, and the life sciences. The necessary MATLAB codes for running NMD are freely available at this http URL.

研究动机与目标

• 开发一种鲁棒且自适应的信号分解方法，能够从复杂且含噪的信号中提取具有物理意义的振荡分量。
• 解决现有方法（如 EMD、ICA 和 KLE）在处理噪声和相互依赖分量时的局限性。
• 利用替代数据检验区分确定性振荡活动与随机波动。
• 实现在非平稳和非线性波形等多种信号类型中的可靠分解。
• 提供一种通用工具，适用于地球物理学、金融学和生命科学等跨学科领域。

提出的方法

• NMD 采用同步挤压小波变换，实现对输入信号的高分辨率时频分析。
• 根据信号特征自适应选择小波参数，以增强时频定位能力。
• 应用替代数据检验以识别相互依赖的振荡分量，并验证确定性成分的存在。
• 通过在时频平面上重新分配能量，利用同步挤压技术将信号分解为类似本征模态的分量。
• 通过拒绝与替代数据分布无显著偏离的分量，实现噪声抑制。
• 提供 MATLAB 代码以支持实现，确保广泛可及性与可复现性。

实验结果

研究问题

• RQ1 能否开发一种分解方法，有效分离复杂信号中具有物理意义的振荡分量与噪声？
• RQ2 在抗噪性与分解精度方面，NMD 与 EMD、ICA 和 KLE 等成熟方法相比，其定量与定性表现如何？
• RQ3 替代数据检验在提升噪声信号中确定性振荡分量识别能力方面，其作用程度如何？
• RQ4 NMD 是否能可靠检测并分离真实世界与模拟信号中的相互依赖振荡？
• RQ5 在同步挤压小波变换中，自适应参数选择在多大程度上提升了分解性能？

主要发现

• NMD 在信噪比较低的条件下，相比 EMD、ICA 和 KLE 展现出更优的抗噪能力。
• 该方法通过利用替代数据检验验证确定性结构，成功识别并分离了相互依赖的振荡分量。
• NMD 的时频分辨率高于传统 EMD 和 KLE，能够更准确地分解非线性和非平稳信号。
• 分解结果具有物理可解释性，各分量在模拟与真实信号中均对应有意义的振荡模态。
• 自适应小波参数的使用显著提升了时频平面上振荡分量的定位精度。
• 开源 MATLAB 代码的提供促进了该方法在各研究领域的广泛应用与可复现性。