[论文解读] Comparison of the generalized centroid with Gaussian and quadratic peak localization methods

Shannon Campbell|arXiv (Cornell University)|Jul 22, 2018

Structural Health Monitoring Techniques参考文献 9被引用 4

一句话总结

本文提出广义质心——一种在计算质心前将数据提升至某次幂的峰值定位方法——并将其性能与高斯拟合和二次拟合方法进行比较。该文推导了广义质心的Cramér-Rao下界，并发现对于高斯信号，平方质心与高斯拟合可实现最优定位精度；而对于洛伦兹型信号，立方质心与非线性最小二乘法表现最佳，该结论通过仿真与不确定性分析得到验证。

ABSTRACT

We examine a new method for peak localization, the centroid of the data raised to some power, which we call the generalized centroid. We derive the peak localization uncertainty for the generalized centroid and compare it with the Cramer-Rao lower bound for both Gaussian and quadratic fits (with Gaussian signal and noise). We find that the centroid of squares and the Gaussian fit yield the best results in both one and two dimensions. We perform similar analysis with a Lorentz-like signal and find that the centroid of cubes and the nonlinear least squares fit provide the best results. We support our derivations with simulations, and also show simulation results when the maximum function is used to initially estimate the peak location.

研究动机与目标

• 评估广义质心方法在峰值定位中的性能，与既有的高斯拟合和二次拟合技术进行对比。
• 推导广义质心的理论定位不确定性，并在高斯信号与噪声条件下与Cramér-Rao下界进行比较。
• 评估该方法在非高斯信号形状（特别是洛伦兹型信号）下的鲁棒性。
• 通过蒙特卡洛仿真，结合真实噪声与信号模型，验证理论发现。
• 考察通过最大值函数估计初始峰值位置对最终定位精度的影响。

提出的方法

• 广义质心定义为将数据提升至幂次p后的质心，计算公式为∑(x_i * w_i) / ∑w_i，其中w_i = |s_i|^p，s_i为信号振幅。
• 在高斯噪声条件下，基于Cramér-Rao下界，推导了高斯与二次拟合模型的理论定位不确定性。
• 针对一维与二维峰值定位，开展不同信噪比与峰值形状（高斯与洛伦兹型）的仿真。
• 评估广义质心在不同幂次（如p=1, 2, 3）下的性能，并与高斯拟合和二次拟合方法进行比较。
• 通过数据子集中的最大值函数估计初始峰值位置，并分析其对最终定位误差的影响。
• 对洛伦兹型信号应用非线性最小二乘拟合，以与广义质心方法进行对比。

实验结果

研究问题

• RQ1 在高斯噪声条件下，广义质心方法的最优幂次p为何值，可使定位不确定性最小化？
• RQ2 广义质心与高斯拟合及二次拟合相比，在定位精度与不确定性边界方面表现如何？
• RQ3 对于非高斯信号形状（如洛伦兹轮廓），广义质心是否优于传统方法？
• RQ4 通过最大值函数估计初始峰值位置对广义质心方法最终定位误差有何影响？
• RQ5 广义质心的理论定位不确定性是多少？其与Cramér-Rao下界接近程度如何？

主要发现

• 在高斯信号与噪声条件下，平方质心（p=2）实现最低的定位不确定性，且在所有广义质心变体中表现最佳。
• 对于高斯信号，当p=2的广义质心与采用高斯模型的非线性最小二乘拟合，其性能在一二维空间中均接近Cramér-Rao下界。
• 对于洛伦兹型信号，p=3（立方）的广义质心与采用洛伦兹模型的非线性最小二乘拟合可实现最佳定位精度。
• 使用最大值函数进行初始峰值位置估计会引入偏差，尤其在低信噪比下显著降低性能。
• 为广义质心推导的理论不确定性边界与仿真结果高度吻合，验证了分析方法的可靠性。
• 当针对信号类型选择最优幂次时，广义质心方法提供了一种灵活、非迭代的拟合方法替代方案，且性能具有竞争力。