[论文解读] Fast Intrinsic Mode Decomposition and Filtering of Time Series Data

Louis Y.Y. Lu|ArXiv.org|Aug 20, 2008

Fault Detection and Control Systems被引用 3

一句话总结

本文提出了一种快速、收敛的迭代方法，用于非线性、非平稳时间序列数据的本征模态函数（IMF）分解与滤波。通过使用基于中位数的控制点和三次样条插值迭代优化残差函数，该方法加速了收敛速度，并在传统经验模态分解（EMD）的基础上提升了可预测性，从而能够高效提取调制波并实现基于幅值和频率的定向滤波。

ABSTRACT

The intrinsic mode function (IMF) provides adaptive function bases for nonlinear and non-stationary time series data. A fast convergent iterative method is introduced in this paper to find the IMF components of the data, the method is faster and more predictable than the Empirical Mode Decomposition method devised by the author of Hilbert Huang Transform. The approach is to iteratively adjust the control points on the data function corresponding to the extrema of the refining IMF, the control points of the residue function are calculated as the median of the straight line segments passing through the data control points, the residue function is then constructed as the cubic spline function of the median points. The initial residue function is simply constructed as the straight line segments passing through the extrema of the first derivative of the data function. The refining IMF is the difference between the data function and the improved residue function. The IMF found reveals all the riding waves in the whole data set. A new data filtering method on frequency and amplitude of IMF is also presented with the similar approach of finding the residue on the part to be filtered out. The program to demonstrate the method is distributed under BSD open source license.

研究动机与目标

• 解决传统经验模态分解（EMD）在分解非线性和非平稳时间序列时存在的计算低效与不可预测问题。
• 开发一种比EMD更快、更稳定的替代方法，用于提取能够捕捉局部振荡模式的本征模态函数（IMFs）。
• 通过基于幅值和频率特征选择性地去除IMF，实现时间序列数据的高效滤波。
• 提供一种数值稳定且计算高效的算法，适用于实时或大规模数据处理。

提出的方法

• 将残差函数初始化为连接数据函数一阶导数极值点的直线段。
• 通过从原始数据中减去改进的残差函数，迭代优化IMF。
• 利用通过数据控制点的直线段所导出的中位数点构建改进的残差函数。
• 将残差重构为中位数控制点的三次样条函数，以确保平滑性与局部自适应性。
• 调整对应于重构IMF极值点的数据函数上的控制点，以提升与局部振荡的对齐精度。
• 通过基于预设幅值与频率阈值选择性地保留或去除IMF，实施滤波策略。

实验结果

研究问题

• RQ1 能否开发一种比经验模态分解更快、更可预测的替代方法，用于本征模态函数分解？
• RQ2 基于中位数的控制点选择在残差函数逼近中如何提升收敛性与稳定性？
• RQ3 所提出的方法在非线性和非平稳时间序列中，能够多大程度上提取出嵌入的振荡模式（调制波）？
• RQ4 所提出的滤波方法在从时间序列中去除特定频率与幅值成分方面效果如何？
• RQ5 与标准EMD相比，新方法在收敛速度与数值可预测性方面具有多大的计算性能提升？

主要发现

• 所提出的方法相比原始经验模态分解算法，实现了更快且更可预测的收敛。
• 采用基于中位数的控制点与三次样条插值，显著提升了残差函数的平滑性与精度。
• 该方法通过自适应优化IMF分量，成功提取了数据中所有存在的调制波。
• 滤波方法能够基于幅值与频率选择性地去除IMF，表现出对噪声或趋势的有效抑制能力。
• 该算法已实现并以BSD开源许可证发布，确保了其在科研与应用中的可访问性。
• 该方法在数值稳定性方面表现更优，且对初始化的敏感性显著低于标准EMD。