[论文解读] Multidimensional Iterative Filtering method for the decomposition of high-dimensional non-stationary signals

Antonio Cicone, Haomin Zhou|arXiv (Cornell University)|Jul 26, 2015

Machine Fault Diagnosis Techniques参考文献 14被引用 3

一句话总结

本文提出多维迭代滤波（MIF）方法，通过扩展的福克-普朗克（FP）滤波器对高维非平稳信号进行分解，提取本征模态函数（IMF）。该方法利用数据自适应、平滑且紧支撑的滤波器，实现稳定且收敛的分解，有效分离了二维和三维信号中的混合成分，包括真实高光谱图像数据。

ABSTRACT

Iterative Filtering (IF) is an alternative technique to the Empirical Mode Decomposition (EMD) algorithm for the decomposition of non-stationary and non-linear signals. Recently in [1] IF has been proved to be convergent for any $L^2$ signal and its stability has been also showed through examples. Furthermore in [1] the so called Fokker-Planck (FP) filters have been introduced. They are smooth at every point and have compact supports. Based on those results, in this paper we introduce the Multidimensional Iterative Filtering (MIF) technique for the decomposition and time-frequency analysis of non-stationary high-dimensional signals. And we present the extension of FP filters to higher dimensions. We illustrate the promising performance of MIF algorithm, equipped with high-dimensional FP filters, when applied to the decomposition of 2D signals. [1] A. Cicone, J. Liu, and H. Zhou, Adaptive local iterative filtering for signal decomposition and instantaneous frequency analysis, arXiv:1411.6051, 2014.

研究动机与目标

• 解决结构健康监测、艺术分析和高光谱成像等应用中非平稳高维信号的时间-频率分析挑战。
• 通过开发一种数据自适应、非基于优化的分解技术，克服传统线性方法（如傅里叶变换、小波）以及EMD/EEMD的局限性。
• 通过广义福克-普朗克滤波器，将一维迭代滤波（IF）的收敛性和稳定性特性推广至多维信号。
• 实现对具有混合特征（如光滑与非光滑成分）的二维和三维信号的分解。
• 通过MIF预处理提升高光谱成像中现有分类器的性能，减少误报。

提出的方法

• 提出多维迭代滤波（MIF）算法，作为一维迭代滤波在非平稳高维信号上的扩展。
• 引入高维福克-普朗克（FP）滤波器，具备紧支撑和光滑性，源自一维FP滤波器框架。
• 采用基于FP滤波器的卷积移动平均计算，而非样条插值，从而支持严格的收敛性分析。
• 应用迭代筛分过程：通过从残差中减去滤波卷积后的信号分量，计算IMF候选，直至收敛。
• 将IMF定义为迭代滤波步骤的极限，确保移动平均为零，并满足本征模态函数的性质。
• 将MIF应用于二维和三维信号，包括合成混合信号和真实高光谱图像，结合ACE分类器进行后处理。

实验结果

研究问题

• RQ1 迭代滤波方法能否推广至处理非平稳高维信号，同时保持收敛性和稳定性？
• RQ2 福克-普朗克滤波器如何在高维中扩展，以保持光滑性和紧支撑，从而实现有效的信号分解？
• RQ3 MIF能否有效分离多维信号中不同性质的成分（如光滑与非光滑成分）？
• RQ4 MIF是否能提升下游信号分类任务的性能，例如在高光谱图像分析中？
• RQ5 MIF算法在高维中收敛的理论条件是什么？这些条件与滤波器设计有何关联？

主要发现

• MIF算法成功将二维合成信号分解为不同的IMF，仅使用一个固定FP滤波器即实现了光滑与非光滑成分的有效分离。
• 在二维示例中，第一 IMF 抓取了非光滑、非平稳特征，第二 IMF 表征了光滑、平稳信号，展示了有效的成分分离能力。
• 在高光谱成像中，MIF预处理显著降低了ACE分类器的误报率，通过去除虚假噪声和伪影，提升了检测准确性。
• 该方法在无需预先选择基函数或优化过程的情况下实现了稳定分解，完全依赖数据驱动的滤波。
• 多维福克-普朗克滤波器的使用实现了平滑且紧支撑的滤波，保留了信号特征，同时确保了收敛性。
• 结果表明，MIF是EMD和EEMD在多维场景下的有前途的替代方案，尤其在数据自适应性和稳定性至关重要的场景中。