[论文解读] Multiresolution Mode Decomposition for Adaptive Time Series Analysis

Haizhao Yang|arXiv (Cornell University)|Sep 18, 2017

Machine Fault Diagnosis Techniques参考文献 31被引用 5

一句话总结

本文提出多分辨率模式分解（MMD）框架，通过时变振幅、频率和波形函数的多分辨率本征模态函数（MIMFs）对非线性与非平稳时间序列进行建模。该方法采用基于微分同胚的高斯-赛德尔迭代算法，递归分离叠加的MIMFs，相较于现有广义模式分解方法，实现了更优的信号分离效果与类噪声残差。

ABSTRACT

This paper proposes the \emph{multiresolution mode decomposition} as a novel model for adaptive time series analysis. The main conceptual innovation is the introduction of the \emph{multiresolution intrinsic mode function} (MIMF) of the form \[ \sum_{n=-N/2}^{N/2-1} a_n\cos(2πnϕ(t))s_{cn}(2πNϕ(t))+\sum_{n=-N/2}^{N/2-1}b_n \sin(2πnϕ(t))s_{sn}(2πNϕ(t))\] to model nonlinear and non-stationary data with time-dependent amplitudes, frequencies, and waveforms. %The MIMF explains the intrinsic difficulty in concentrating time-frequency representation of nonlinear and non-stationary data and provides a new direction for mode decomposition. The multiresolution expansion coefficients $\{a_n\}$, $\{b_n\}$, and the shape function series $\{s_{cn}(t)\}$ and $\{s_{sn}(t)\}$ provide innovative features for adaptive time series analysis. For complex signals that are a superposition of several MIMFs with well-differentiated phase functions $ϕ(t)$, a new recursive scheme based on Gauss-Seidel iteration and diffeomorphisms is proposed to identify these MIMFs, their multiresolution expansion coefficients, and shape function series. Numerical examples from synthetic data and natural phenomena are given to demonstrate the power of this new method.

研究动机与目标

• 开发一种新型自适应时间序列分析模型，以捕捉非线性与非平稳信号中时变的振幅、频率与波形特征。
• 解决传统模型（如EMD与GMD）的局限性，这些模型假设形状函数固定或取平均值，无法有效表征信号模式的动态演化。
• 提出一种基于微分同胚与高斯-赛德尔迭代的递归算法，用于分离具有明显相位函数差异的多个MIMF。
• 证明MMD分解后的残差信号比广义模式分解（GMD）的残差更接近白噪声，表明其具有更优的分离能力与特征提取性能。
• 实现对复杂信号（如光电容积脉搏波（PPG）与心电图（ECG）数据）的改进型特征提取与去噪效果。

提出的方法

• 提出多分辨率本征模态函数（MIMF）作为信号模型：$ f(t) = \sum_{k=1}^{K} \sum_{n=-N/2}^{N/2-1} \left( a_n^{(k)} \cos(2\pi n \phi_k(t)) s_{cn}^{(k)}(2\pi N \phi_k(t)) + b_n^{(k)} \sin(2\pi n \phi_k(t)) s_{sn}^{(k)}(2\pi N \phi_k(t)) \right) $。
• 引入基于微分同胚的递归回归方案，结合高斯-赛德尔迭代，用于估计MIMF分量、展开系数$\{a_n\}, \{b_n\}$及波形函数$\{s_{cn}\}, \{s_{sn}\}$。
• 应用微分同胚迭代优化相位函数$\phi_k(t)$，实现振荡分量与时变波形的对齐。
• 采用多分辨率展开，通过调制波形函数的谐波分量表示复杂波形，实现对非正弦振荡的自适应表征。
• 利用同步挤压变换与自相关分析验证残差的白噪声特性，评估分解质量。
• 在合成数据与真实PPG信号上验证该方法，将MMD残差与广义模式分解（GMD）的残差进行对比。

实验结果

研究问题

• RQ1 具有时变波形函数的多分辨率模型是否能比固定波形模型更优地表征复杂、非线性与非平稳时间序列？
• RQ2 所提出的基于微分同胚的递归算法是否能在分离具有不同相位函数的多个MIMF时实现收敛性与鲁棒性？
• RQ3 MMD残差与GMD残差在白噪声特性与相关结构方面有何差异？
• RQ4 MIMF能否有效捕捉真实生理信号（如PPG与ECG）中的时变振幅与波形特征？
• RQ5 相较于传统傅里叶与小波方法，MMD在特征提取与去噪方面能实现多大程度的性能提升？

主要发现

• MMD算法产生的残差显著更接近白噪声，经自相关图与同步挤压变换分析验证，优于广义模式分解（GMD）的残差。
• MMD分解后的残差表现出可忽略的相关性，自相关函数仅在滞后0处出现峰值，表明其不包含显著的振荡成分。
• MMD残差的同步挤压变换仅显示两个主导瞬时频率，而GMD残差显示三个，证实其结构更简单，噪声抑制效果更优。
• MIMF模型成功捕捉了时变波形函数与振幅，图20中估计的波形函数清晰显示出呼吸与心脏模式的显著差异。
• 基于微分同胚的递归方案在分离MIMF时表现出收敛性与鲁棒性，图19中两个MIMF之和与原始PPG信号高度吻合。
• 该方法可实现对复杂生理信号的优越分解，其残差仅包含噪声、平滑趋势与不相关于MIMF振荡的尖锐瞬态成分。