[论文解读] Time-frequency representation of nonstationary signals: the IMFogram

Philippe Barbe, Antonio Cicone+2 more|arXiv (Cornell University)|Nov 28, 2020

Sensor Technology and Measurement Systems被引用 10

一句话总结

本文提出了 IMFogram，一种新颖的时间-频率表示方法，通过利用快速迭代过滤（FIF）算法获得的本征模函数（IMFs）来可视化非平稳信号的局部频率和幅值内容。通过结合数据驱动的分解与优化的可视化，IMFogram 在时间-频率分辨率方面优于传统语谱图，尤其在捕捉瞬态和扫频（chirp-like）成分时，减少了混叠效应并提升了模态分离能力。

ABSTRACT

Iterative filtering methods were introduced around 2010 to improve definitions and measurements of structural features in signal processing. Like many applied techniques, they present considerable challenges for mathematicians to theorize their effectiveness and limitations in commercial and scientific usages. In this paper we recast iterative filtering methods in a mathematical abstraction more conducive to their understanding and applications. We also introduce a new visualization of simultaneous local frequencies and amplitudes. By combining a theoretical and practical exposition, we hope to stimulate efforts to understand better these methods. Our approach acknowledges the influence of Ciprian Foias, who was passionate about pure, applied, and applications of mathematics.

研究动机与目标

• 开发一种新的时间-频率表示方法，以比传统方法更有效地捕捉非平稳信号中的局部频率和幅值动态特性。
• 解决线性与双线性时间-频率表示方法的局限性，如频谱混叠和分辨率不足，特别是在非平稳条件下。
• 通过群论框架统一时间与空间索引的信号分析，拓展迭代过滤方法的适用范围。
• 提供一种实用且数学基础坚实的可视化工具——即 IMFogram，以增强信号分量的可解释性。
• 激发对迭代过滤及其变体的收敛性、稳定性及数学基础的进一步理论研究。

提出的方法

• 该方法采用快速迭代过滤（FIF）算法，将信号分解为有限组本征模函数（IMFs），每组 IMFs 均保留局部频率与幅值调制特性。
• 每个 IMF 通过与基于信号局部极值和包络结构的自适应滤波器进行迭代卷积获得，并动态更新滤波器。
• IMFogram 通过将每个 IMF 的瞬时频率与幅值映射到二维时间-频率-幅值平面构建，实现频率与幅值演化的同步可视化。
• 该表示方法采用分段频率-幅值空间，支持多分辨率分析，增强关注区域的分辨率。
• 引入群论框架，将方法推广至多维信号（如二维温度场），通过统一处理时空索引。
• 通过合成扫频信号、钢琴录音和全球二维温度数据对方法进行验证，结果与语谱图及经验模态分解（EMD）进行对比。

实验结果

研究问题

• RQ1 如何设计一种时间-频率表示方法，以高分辨率同时捕捉非平稳信号中的局部频率与幅值变化？
• RQ2 迭代过滤方法的数学与算法基础为何能确保信号分解过程的稳定性和收敛性？
• RQ3 IMFogram 在分辨紧密间隔或时变频率分量方面与传统语谱图相比表现如何？
• RQ4 迭代过滤与 IMFogram 是否可推广至多维信号（如时空气候数据）？
• RQ5 IMFogram 与经典时间-频率表示（如语谱图）之间存在何种理论关联？

主要发现

• IMFogram 提供的时频表示显著优于语谱图，尤其在时变噪声中嵌入的扫频信号中，如图 1 所示。
• 在钢琴录音中，第 4 至 7 个 IMF 成功分离出单个音符与泛音，其时间与频率定位比语谱图更清晰，如图 2 所示。
• FIF 算法能有效分离钢琴音符的基频与泛音，其中第 4 个 IMF 捕获了高音 G，第 5 个 IMF 捕获了初始的 D 音。
• 对于二维全球温度数据，FIF2 算法提取出反映大尺度气候模式的有意义 IMFs，如赤道暖区、大陆冷却区以及喜马拉雅山与五大湖等区域低值区。
• IMFogram 揭示了不同纬度与经度区域的温度数据整体趋势与波动，各 IMF 明确对应季节性与区域气候特征。
• IMFogram 在分辨瞬态与非平稳分量方面优于语谱图，表明其在实际应用中具有自动频率识别与信号分析的潜力。