[论文解读] Recursive Diffeomorphism-Based Regression for Shape Functions

Jieren Xu, Haizhao Yang+1 more|arXiv (Cornell University)|Oct 12, 2016

Machine Fault Diagnosis Techniques参考文献 20被引用 4

一句话总结

该论文提出了一种基于递归微分同胚的回归（RDBR）方法，用于在弱良好分离条件下，从叠加的振荡信号中估计广义形状函数。通过利用基于微分同胚的时间-频率展平技术与非参数回归，RDBR即使在同步挤压变换提供的瞬时频率和振幅估计存在噪声或不准确的情况下，也能实现鲁棒且精确的形状函数恢复，其在合成数据和真实世界数据（包括心电图和大气CO₂信号）上均表现出有效性。

ABSTRACT

This paper proposes a recursive diffeomorphism based regression method for one-dimensional generalized mode decomposition problem that aims at extracting generalized modes $α_k(t)s_k(2πN_kϕ_k(t))$ from their superposition $\sum_{k=1}^K α_k(t)s_k(2πN_kϕ_k(t))$. First, a one-dimensional synchrosqueezed transform is applied to estimate instantaneous information, e.g., $α_k(t)$ and $N_kϕ_k(t)$. Second, a novel approach based on diffeomorphisms and nonparametric regression is proposed to estimate wave shape functions $s_k(t)$. These two methods lead to a framework for the generalized mode decomposition problem under a weak well-separation condition. Numerical examples of synthetic and real data are provided to demonstrate the fruitful applications of these methods.

研究动机与目标

• 解决广义模式分解问题，即信号为非正弦、时变模式的叠加，其形状函数为 $ s_k(t) $，超越标准谐波模型。
• 开发一种方法，在通过如同步挤压小波包变换等变换获得瞬时振幅 $ \alpha_k(t) $ 和频率 $ N_k\phi_k'(t) $ 的前提下，估计 $ s_k(t) $。
• 在弱良好分离条件下，提供一种鲁棒的非参数回归框架，用于形状函数估计，即使输入估计存在不完美或噪声。
• 实现在仅包含少数周期的短信号中准确恢复形状函数，支持潜在的在线或动态信号分析。

提出的方法

• 该方法采用基于微分同胚的时间-频率展平技术，将振荡分量对齐至统一参考框架，从而实现有效回归。
• 采用递归非参数回归方法估计广义形状函数 $ s_k(t) $，并在适当条件下具备理论收敛保证。
• 该方法假设瞬时振幅 $ \alpha_k(t) $ 和频率 $ N_k\phi_k'(t) $ 通过同步挤压变换或类似方法估计得到。
• 微分同胚将时间-频率表示映射到一个形状函数更易于通过回归恢复的域中。
• 该算法按顺序处理各模式，通过递归更新估计值以提高鲁棒性与收敛性。
• 该方法设计用于处理瞬时相位良好可分的情况，即使频率较小或相近亦适用。

实验结果

研究问题

• RQ1 基于递归微分同胚的回归方法能否在弱良好分离条件下，准确恢复叠加振荡信号的广义形状函数？
• RQ2 当瞬时频率和振幅估计值来自同步挤压变换时，该方法对估计误差的鲁棒性如何？
• RQ3 该方法能否从仅包含少数周期的短信号中恢复形状函数，从而支持实时或在线分析？
• RQ4 当瞬时频率较小或几乎相同时，该方法是否仍能保持准确性？
• RQ5 RDBR的收敛行为如何依赖于瞬时频率的大小？

主要发现

• RDBR方法成功从合成数据和真实数据中恢复广义形状函数，包括心电图信号和大气CO₂浓度数据，即使输入的瞬时特性存在噪声。
• 在SNR = -3 dB的心电图示例中，尽管同步挤压变换提供的瞬时频率和振幅估计存在较大误差，该方法仍实现了精确的形状恢复。
• 对于莫纳洛阿CO₂数据，RDBR估计出的非线性年度周期形状函数反映了季节性光合作用消耗与呼吸释放的环境机制，与已知环境过程一致。
• 数值结果显示，当瞬时频率较小时，方法呈现次线性收敛；当频率足够大时，呈现线性收敛。
• 该方法对输入估计中的系统性误差具有鲁棒性，表明即使同步挤压变换引入不准确性，形状函数恢复仍保持精确。
• 该方法可从仅含少数周期的短信号中实现可靠的形状估计，表明其在在线或动态信号分解应用中具有潜力。