[논문 리뷰] Sparse Time-Frequency decomposition by dictionary learning

Thomas Y. Hou, Zuoqiang Shi|arXiv (Cornell University)|2013. 09. 05.

Image and Signal Denoising Methods참고 문헌 18인용 수 4

한 줄 요약

이 논문은 신호로부터 적응적으로 기저 함수를 학습하는 증강 라그랑주 승수(ADMM) 알고리즘을 통해 희박한 신호 분해를 사전 학습된 사전지식 없이 수행하는 데이터 기반 시간-주파수 분석 방법을 제안한다. 이 방법은 빠른 웨이블릿 변환을 통해 가속화되며, 척도 분리가 불량하거나 노이즈 또는 이방성 요소가 포함된 신호에서도 내재 모드 함수와 즉각 주파수를 높은 정확도로 복원한다. 합성 및 실제 응용 사례에서 검증된 바, 뛰어난 성능을 보인다.

ABSTRACT

In this paper, we propose a time-frequency analysis method to obtain instantaneous frequencies and the corresponding decomposition by solving an optimization problem. In this optimization problem, the basis to decompose the signal is not known. Instead, it is adapted to the signal and is determined as part of the optimization problem. In this sense, this optimization problem can be seen as a dictionary learning problem. This dictionary learning problem is solved by using the Augmented Lagrangian Multiplier method (ALM) iteratively. We further accelerate the convergence of the ALM method in each iteration by using the fast wavelet transform. We apply our method to decompose several signals, including signals with poor scale separation, signals with outliers and polluted by noise and a real signal. The results show that this method can give accurate recovery of both the instantaneous frequencies and the intrinsic mode functions.

연구 동기 및 목표

• 비선형성과 비정상성을 띤 신호로부터 물리적으로 의미 있는 성분인 즉각 주파수와 내재 모드 함수(IMF)를 추출할 수 있는 진정으로 적응적인 시간-주파수 분석 방법을 개발한다.
• 고정된 기저를 사용하는 전통적 변환(예: 푸리에, 웨이블릿)이 인위적인 고조파를 생성하는 한계를 극복한다.
• 기저를 신호 자체에서 단위 단위 함수를 통해 학습하는 비볼록 사전 학습 문제로 분해 문제를 재구성한다.
• 신호의 국소적 구조에 적응하는 사전 기반 희박 표현을 통해 척도 분리가 불량하거나 노이즈 또는 이방성 요소가 포함된 신호의 강건한 분해를 가능하게 한다.
• ALM 프레임워크 내에서 빠른 웨이블릿 변환을 활용하여 수렴 속도를 가속화함으로써 효율적인 계산을 실현한다.

제안 방법

• 신호 분해를 희박 최적화 문제로 재구성: $ f(t) = \sum_{j=1}^{M} a_j(t) \cos \theta_j(t) $, 여기서 $ a_j(t) $ 와 $ \theta_j(t) $ 는 부드럽고 $ \theta_j'(t) > 0 $ 이다.
• 문제를 사전 학습 문제로 재구성: $ \|\mathbf{x}\|_1 $ 를 최소화하고 $ \Phi_{\theta_1,\dots,\theta_M} \mathbf{x} = f $ 를 만족시키며, 원소는 단위 함수 $ \theta_j $ 를 통해 매개변수화된다.
• 계수 $ \mathbf{x} $ 와 단위 함수 $ \theta_j $ 를 반복적으로 구하기 위해 증강 라그랑주 승수(ADMM) 방법을 사용한다.
• 단위 도메인 내에서 희박성과 직교성을 활용하기 위해 매 반복 단계에서 빠른 웨이블릿 변환을 활용하여 계산을 가속화한다.
• 자기 자유도를 제한하고 물리적 타당성을 확보하기 위해 단위 함수에 제약 조건을 도입하여 자명한 해를 방지한다.
• 희박하지 않은 신호를 다루기 위해 사전을 확장하고, 확장된 집합 내에서 가장 희박한 표현을 찾는 문제를 해결한다.

실험 결과

연구 질문

• RQ1 척도 분리가 불량한 신호에서 데이터 기반 사전 학습 기반 접근법이 정확한 즉각 주파수와 내재 모드 함수를 복원할 수 있는가?
• RQ2 학습 데이터 없이 단일 신호 분해에 대해 사전 학습을 어떻게 적응시킬 수 있으며, 물리적 해석 가능성은 유지될 수 있는가?
• RQ3 적응적 사전 기반 희박 표현을 통해 노이즈 또는 이방성 요소가 포함된 신호를 효과적으로 처리할 수 있는가?
• RQ4 빠른 웨이블릿 변환의 활용이 ALM 기반 최적화의 수렴성과 효율성에 어느 정도 기여하는가?
• RQ5 관측된 진동 신호로부터 숨겨진 물리적 매개변수(예: 강성 행렬)를 복원할 수 있는가?

주요 결과

• 척도 분리가 불량한 신호에서도 내재 모드 함수와 즉각 주파수를 매우 높은 정확도로 복원하는 데 성공하였다.
• 2자유도 진동계 모델에서 이론적 계산과 수치 계산된 즉각 주파수 간의 우수한 일치를 보였으며, 주파수 교차점 근처에서도 정확한 결과를 도출하였다.
• 신호의 국소적 구조에 적응하는 사전 학습 덕분에 노이즈 및 이방성 요소에 대해 강건한 성능을 보였다.
• ALM 프레임워크에 빠른 웨이블릿 변환을 통합함으로써 수렴 속도가 크게 향상되어 계산 효율성이 높아졌다.
• 회복된 즉각 주파수를 분석함으로써 관측된 신호로부터 강성 행렬과 같은 물리적 매개변수를 추출할 수 있었다.
• 실제 다리 신호에 대한 초도적 적용 결과에서 희망적인 성과를 보였으며, 실제 구조 동역학 데이터에 대한 방법의 검증이 지속적으로 진행 중이다.