[论文解读] Sparse Time-Frequency decomposition by dictionary learning

Thomas Y. Hou, Zuoqiang Shi|arXiv (Cornell University)|Sep 5, 2013

Image and Signal Denoising Methods参考文献 18被引用 4

一句话总结

该论文提出了一种数据驱动的时频分析方法，将稀疏信号分解表述为字典学习问题，其中基函数通过增广拉格朗日乘子（ALM）算法自适应地从信号中学习，且利用快速小波变换进行加速。该方法即使在信号时间尺度分离性差、存在噪声或异常值的情况下，也能成功恢复本征模函数和瞬时频率，展现出在合成信号与真实世界应用中的高精度。

ABSTRACT

In this paper, we propose a time-frequency analysis method to obtain instantaneous frequencies and the corresponding decomposition by solving an optimization problem. In this optimization problem, the basis to decompose the signal is not known. Instead, it is adapted to the signal and is determined as part of the optimization problem. In this sense, this optimization problem can be seen as a dictionary learning problem. This dictionary learning problem is solved by using the Augmented Lagrangian Multiplier method (ALM) iteratively. We further accelerate the convergence of the ALM method in each iteration by using the fast wavelet transform. We apply our method to decompose several signals, including signals with poor scale separation, signals with outliers and polluted by noise and a real signal. The results show that this method can give accurate recovery of both the instantaneous frequencies and the intrinsic mode functions.

研究动机与目标

• 开发一种真正自适应的时频分析方法，从非线性、非平稳信号中提取具有物理意义的分量，如瞬时频率和本征模函数（IMFs）。
• 克服传统变换（如傅里叶变换、小波变换）因使用固定基而产生人工谐波的局限性。
• 将分解过程表述为非凸字典学习问题，其中基函数通过相位函数从信号本身学习。
• 通过在数据自适应字典上学习稀疏表示，实现对时间尺度分离性差、含噪声或异常值信号的鲁棒分解。
• 在ALM框架中引入快速小波变换，以加速收敛，实现高效计算。

提出的方法

• 将信号分解表述为稀疏优化问题：$ f(t) = \sum_{j=1}^{M} a_j(t) \cos \theta_j(t) $，其中 $ a_j(t) $ 和 $ \theta_j(t) $ 为光滑函数，且满足 $ \theta_j'(t) > 0 $。
• 将问题重述为字典学习问题：在约束 $ \Phi_{\theta_1,\dots,\theta_M} \mathbf{x} = f $ 下最小化 $ \|\mathbf{x}\|_1 $，其中原子由相位函数 $ \theta_j $ 参数化。
• 采用增广拉格朗日乘子（ALM）方法，迭代求解系数 $ \mathbf{x} $ 和相位函数 $ \theta_j $。
• 通过利用快速小波变换，在相位域中利用稀疏性与正交性，加速每次ALM迭代。
• 对相位函数施加约束，以限制自由度并确保物理合理性，避免平凡解。
• 将方法扩展至处理非稀疏信号，通过扩大字典并求解在扩展集合上的最稀疏表示。

实验结果

研究问题

• RQ1 基于数据驱动的字典学习方法能否从时间尺度分离性差的信号中准确恢复瞬时频率和本征模函数？
• RQ2 如何在无训练集的情况下，将字典学习适配于单信号分解，同时保持物理可解释性？
• RQ3 该方法能否通过在自适应字典上学习稀疏表示，有效处理含噪声或异常值的信号？
• RQ4 在ALM优化中引入快速小波变换在多大程度上提升了收敛速度与计算效率？
• RQ5 该方法能否从观测的振荡信号中恢复隐藏的物理参数（如刚度矩阵）？

主要发现

• 该方法即使在缺乏时间尺度分离的信号中，也能以高精度成功恢复本征模函数和瞬时频率。
• 数值结果表明，在双自由度振子模型中，理论计算与数值求解的瞬时频率高度一致，包括接近频率交叉的点。
• 该算法通过自适应调整字典以匹配信号的局部结构，表现出对噪声和异常值的鲁棒性。
• 将快速小波变换集成到ALM框架中，显著加速了收敛，使方法在计算上更加高效。
• 通过分析恢复的瞬时频率，该方法能够从观测信号中提取物理参数（如刚度矩阵）。
• 初步应用于真实桥梁信号显示出良好前景，目前正持续推进该方法在真实结构动力学数据上的验证工作。