[论文解读] Fast Intrinsic Mode Decomposition of Time Series Data with Sawtooth Transform

Louis Y.Y. Lu|ArXiv.org|Oct 16, 2007

Machine Fault Diagnosis Techniques被引用 8

一句话总结

本文提出了一种基于锯齿变换的快速、单次遍历本征模函数（IMF）分解方法，用于时间序列分析，以替换经验模态分解（EMD）中的迭代 sift 过程。通过将数据转换到锯齿空间，利用极值点的线性插值构建上下包络线，并将 IMF 定义为与包络均值的差值，该方法实现了无需重复的更快、更可预测的分解。

ABSTRACT

An efficient method is introduced in this paper to find the intrinsic mode function (IMF) components of time series data. This method is faster and more predictable than the Empirical Mode Decomposition (EMD) method devised by the author of Hilbert Huang Transform (HHT). The approach is to transforms the original data function into a piecewise linear sawtooth function (or triangle wave function), then directly constructs the upper envelope by connecting the maxima and construct lower envelope by connecting minima with straight line segments in the sawtooth space, the IMF is calculated as the difference between the sawtooth function and the mean of the upper and lower envelopes. The results found in the sawtooth space are reversely transformed into the original data space as the required IMF and envelopes mean. This decomposition method process the data in one pass to obtain a unique IMF component without the time consuming repetitive sifting process of EMD method. An alternative decomposition method with sawtooth function expansion is also presented.

研究动机与目标

• 开发一种比传统的迭代经验模态分解（EMD）方法更快、更可预测的本征模函数（IMF）提取替代方法。
• 通过引入直接转换到锯齿空间的方法，消除 EMD 中固有的耗时 sift 过程。
• 实现时间序列数据的高效分解，降低计算开销并提高稳定性。
• 提供一种数值鲁棒的方法，用于使用分段线性包络对非平稳和非线性信号进行分解。
• 通过更可扩展且确定性的分解框架，扩展希尔伯特-黄变换（HHT）的适用范围。

提出的方法

• 将原始时间序列数据转换为分段线性锯齿（或三角波）函数，以简化包络构造。
• 在锯齿变换后的数据中识别局部极大值和极小值，并通过直线段连接以形成上下包络线。
• 在锯齿空间中计算上下包络的均值，以定义 IMF 提取的基线。
• 直接在变换空间中计算 IMF，即锯齿函数与均值包络的差值。
• 将所得的 IMF 和包络分量反变换回原始数据空间，以实现可解释性。
• 提出一种替代方法，利用锯齿函数展开来处理边界点并提高数值稳定性。

实验结果

研究问题

• RQ1 非迭代、单次遍历的方法能否实现与传统 EMD 算法相当或更优的 IMF 分解性能？
• RQ2 使用锯齿变换在多大程度上提升了时间序列分解中 IMF 提取的速度与可预测性？
• RQ3 在锯齿空间中采用分段线性包络构造在多大程度上保持了原始信号的本征模态特性？
• RQ4 如何通过锯齿函数展开减轻分解过程中的边界效应？
• RQ5 所提出的方法在各种非线性和非平稳时间序列数据上是否具备鲁棒性和数值稳定性？

主要发现

• 所提方法可在单次遍历中完成 IMF 分解，无需重复执行 EMD 中的 sift 迭代过程。
• 由于在锯齿空间中直接构造包络线，该方法的分解过程比 EMD 更快、更可预测。
• 通过在变换域中对极值点进行线性插值，该方法保持了本征模态函数的基本特性。
• 从锯齿空间到原始数据空间的反变换确保了所得 IMF 和包络分量在原始信号语境下具有可解释性。
• 替代的锯齿函数展开方法提供了一种扩展变换的机制，可更有效地处理边界点。
• 该方法为时间序列分析提供了一种数值稳定且高效的 EMD 替代方案，尤其适用于实时或大规模应用场景。