[论文解读] Linear and synchrosqueezed time-frequency representations revisited. Part II: Resolution, reconstruction and concentration

Dmytro Iatsenko, P. V. E. McClintock+1 more|arXiv (Cornell University)|Oct 27, 2013

Machine Fault Diagnosis Techniques参考文献 39被引用 7

一句话总结

本文研究了使用窗函数傅里叶变换和小波变换的线性与同步挤压时频表示（TFR）的分辨率、重构精度及实用性。结果表明，同步挤压并未提升时间或频率分辨率，仅增强了视觉集中度；最优窗函数/小波参数取决于信号特性，对于干净且分离良好的分量，直接重构更优；而在噪声或干扰条件下，脊线重构更具鲁棒性。

ABSTRACT

Having reviewed the aspects of the linear and synchrosqueezed time-frequency representations (TFRs) needed for their understanding and correct use in Part I of this review, we now consider three more subtle issues that are nonetheless of crucial importance for effective application of these methods. (i) What effect do the window/wavelet parameters have on the resultant TFR, and how can they most appropriately be chosen? (ii) What are the errors inherent in the two reconstruction methods (direct and ridge) and which of them is the better? (iii) What are the advantages and drawbacks associated with synchrosqueezing? To answer these questions, we perform a detailed numerical and theoretical study of the TFRs under consideration. We consider the relevant estimates in the presence of the complications that arise in practical applications including interference between components, amplitude modulation, frequency modulation, and noise. Taken together, the results provide an in-depth understanding of the issues in question.

研究动机与目标

• 确定窗函数/小波参数（尤其是分辨率参数$f_0$）如何影响时频表示，并为不同类型的信号最优选择这些参数。
• 比较直接重构与基于脊线的重构方法在从TFR中提取信号分量参数时的准确性和可靠性。
• 评估同步挤压是否在实际分辨率或参数估计方面提供可测量的改进，而不仅仅是视觉集中度的提升，特别是在噪声或复杂信号条件下。
• 澄清TFR集中度（视觉锐度）与实际时频分辨率之间的区别，纠正文献中常见的误解。

提出的方法

• 采用统一的形式化方法描述窗函数傅里叶变换（WFT）和小波变换（WT）及其同步挤压对应形式（SWFT和SWT），实现两种方法的一致性分析。
• 在数值模拟中使用高斯窗函数进行WFT，使用Morlet小波进行WT，通过信号填充减少边界效应和离散化误差。
• 对TFR幅值采用直接重构（从TFR幅值）和基于脊线的重构（从局部极大值曲线）两种方法估计分量参数，并在不同信号条件下比较其准确性。
• 在四种信号模型上分析性能：两个相互干扰的音调、调幅（AM）分量、调频（FM）分量，以及受噪声污染的单音调。
• 基于期望估计误差$\epsilon$，推导出可接受$f_0$值的理论边界，使用统计量如$ n_G(\epsilon) $（正态分布分位数）进行计算。
• 提出一种简单的自动程序，根据信噪比和TFR中分量的分离程度，选择最优重构方法（直接或脊线）。

实验结果

研究问题

• RQ1 窗函数/小波参数（尤其是$f_0$）的选择如何影响TFR中时频分量的分辨率与表示？
• RQ2 在何种信号条件下，直接重构与基于脊线的重构方法在参数估计准确性方面更优，各自有何优势？
• RQ3 同步挤压是否提升了TFR的实际时间或频率分辨率，还是仅增强了视觉集中度而无定量收益？
• RQ4 TFR集中度（锐度）与真实时频分辨率之间的关系是什么？二者在实际应用中如何区别？
• RQ5 能否建立适用于所有情况的通用规则来选择最优$f_0$值，还是其选择高度依赖于调制类型或干扰等信号特性？

主要发现

• 分辨率参数$f_0$决定了时间与频率分辨率之间的权衡；若$f_0$过高，AM/FM分量会表现为多个音调；若过低，则会使相邻音调合并。
• 为实现相对误差$\epsilon \lesssim 0.05$的可靠表示，所需$f_0$必须满足：WFT中$f_0 \geq \frac{2n_G(\epsilon)}{| u_2 - u_1|}$，WT中$f_0 \geq \frac{2n_G(\epsilon)}{2\pi|\log(\nu_2/\nu_1)|}$，以确保足够的频率分辨率。
• 在无噪声且分量分离良好的情况下，直接重构可提供近乎完美的参数估计；而基于脊线的重构在噪声和干扰条件下更具鲁棒性，但因调制特性引入固有误差。
• 同步挤压并未提升原始WFT/WT的时间或频率分辨率；它仅增强视觉集中度，无法实现对时变分量的更好跟踪或对紧密间隔频率的分辨。
• SWFT和SWT在分量定位方面在数学上等价于原始WFT/WT的基于脊线的骨架，但增加了复杂度且未提升分辨率。
• 提出一种自动方法，根据信号质量与分量分离程度选择最优重构方法：对干净信号优先选择直接重构，对噪声或干扰信号则优先选择脊线重构。