Decomposing non-stationary signals with time-varying wave-shape functions
现代时间序列通常由多个振荡分量组成,其频率和幅度随时间变化,并受到噪声的污染。如果每个分量具有远离正弦函数的振荡模式或波形函数,并且振荡模式甚至不时地改变,则信号处理任务进一步受到挑战。在实践中,如果存在多个分量,则期望出于各种目的将信号鲁棒地分解为每个分量,并且提取期望的动态信息。在过去十年中,这些挑战引起了极大的兴趣,但仍然缺乏令人满意的解决办法。我们提出了一种新的{ \em非线性回归方案}来鲁棒地将信号分解为具有时变频率、幅度和波形函数的多个振荡分量。我们创造了算法{ \em形状自适应模式分解(SAMD)}。除了模拟信号,我们应用SAMD两个生理信号,阻抗呼吸和脑电图。与现有的解决方案,包括线性回归,递归同构为基础的回归和多分辨率模式分解的比较,表明我们的建议可以提供一个准确的和有意义的分解与计算效率。
2021-04-22 eess.SP
Analysis of Adaptive Synchrosqueezing Transform with a Time-varying Parameter
同步压缩变换(SST)是近年来发展起来的一种用于分离非平稳多分量信号的方法。基于连续小波变换的SST(WSST)将信号的连续小波变换的尺度变量重新分配为频率变量,并且锐化时间-频率表示。本文提出了一种时变参数的WSST算法,称为自适应WSST算法,它是在“Adaptive synchroscushinging transform with a time-varying parameter for non-stationary signal separation”一文中提出的。本文给出了自适应WSST对非平稳多分量信号良好分离的条件和时变参数的选取方法。仿真实验表明,自适应WSST在估计多分量信号的瞬时频率和准确恢复多分量信号方面具有很好的应用前景。然而,自适应WSST的理论分析还没有研究。在本文中,我们进行了这样的分析,并获得误差界与自适应WSST和二阶自适应WSST的组件恢复。这些结果为自适应WSST分离非平稳多分量信号提供了数学保证。
2020-08-22 eess.SP
Time-scale synthesis for locally stationary signals
我们开发了一种基于时间尺度合成的概率方法,用于局部平稳信号的建模。受我们以前工作的启发,该模型涉及零均值,复高斯小波系数,其分布变化作为时间的函数的尺度轴上的不定常平移。在最大后验方法中,我们提出了一个模型参数的估计,即随时间变化的尺度平移和一个基本的功率谱。所提出的方法说明了一个去噪的例子。它还表明,该模型可以处理本地平稳信号的快速频率变化,并提供在这种情况下,非常尖锐的时间尺度表示比synchroscrized或重新分配的小波变换更集中。
2020-02-07 eess.SP math.ST stat.TH
Estimation Algorithm Non-Stationary Frequency of the Sinusoidal Signal
本文研究了正弦信号的变频识别问题。为了获得信号的回归模型,执行原始解析表达式的迭代微分,并且应用交换引理。非平稳频率的参数估计是使用动态扩展的回归和混合(DREM)过程和Luenberger观测器。数值仿真的结果表明,该算法是有效的,表明频率估计的收敛到真值。
2021-09-20 cs.SY eess.SP eess.SY
Adaptive Short-time Fourier Transform and Synchrosqueezing Transform for Non-stationary Signal Separation
同步压缩变换是一种重分配方法,其目的是锐化时频表示,分离多分量非平稳信号的分量。在本文中,我们考虑短时傅里叶变换(STFT)与时变参数,称为自适应STFT。基于线性调频模式的局部逼近,分析了采用高斯窗函数的自适应短时傅里叶变换对非平稳多分量信号的良好分离条件。为了提高多分量信号的时频集中度和分辨率,更准确地分离多分量信号,提出了基于STFT的带时变参数的同步压缩变换(FSST),即自适应FSST。此外,我们还提出了二阶自适应FSST,以进一步改善自适应FSST的非平稳信号与快速变化的频率。此外,我们提出了一个局部优化算法的基础上,我们的良好分离的条件下,估计的时变参数的自适应和自动。仿真结果表明,该方法对合成信号和蝙蝠回波定位信号的有效性和鲁棒性。
2019-09-26 cs.IT eess.SP math.IT
Ergodicity in Stationary Graph Processes: A Weak Law of Large Numbers
对于时间上的平稳信号,弱大数定律(WLLN)指出,当考虑N个信号分量时,系综平均值和实现平均值在e以内,概率为O(1/Ne ^2)。本文中介绍的图WLLN表明,这基本上是真实的支持图上的信号。然而,平稳性,系综平均值和实现平均值的概念是不同的。最近的论文定义图平稳信号为那些满足一种形式的不变性相对于图扩散。图平稳信号的系综均值不是一个常数,而是一个节点变化的信号,其结构依赖于图的谱特性。图信号的实现平均值在此被定义为局部信号值与相邻节点的信号值的连续加权平均值的平均值。图WLLN显示这两个节点变化信号在至少一些节点中以O(1/Ne ^2)阶的概率彼此在e之内。在平稳时间信号中,实现平均不仅是系综平均的一致估计,而且在均方误差(MSE)方面也是最优的。这对于图形信号来说是不正确的。最佳MSE图滤波器的设计。给出了一个关于高斯随机场均值估计的例子。
2019-03-29 eess.SP math.ST stat.TH
On the Instantaneous Phase and Frequency Estimation of a Non-Stationary Multicomponent Signal. The JADE Algorithm
Georgia Institute of Technology(佐治亚理工学院);University of L’Aquila(拉奎拉大学);Istituto di Astrofisica e Planetologia Spaziali, INAF(意大利国家天体物理研究所空间天文与行星科学研究所);Istituto Nazionale di Geofisica e Vulcanologia(意大利国家地球物理与火山学研究所)
本文提出JADE算法,结合动态时间规整与FIF算法,用于处理非平稳多分量信号,解决瞬时频率、相位和幅度的准确稳定估计问题,并测试算法在噪声下的鲁棒性。
2026-03-31 cs.NA eess.SP math.NA
MIMO Array Calibration in Non-stationary Channels with Residual Surfaces and Slepian Spherical Harmonics
School of Engineering, University of Birmingham(伯明翰大学工程学院)
本文提出了一种基于残差表面和Slepian球谐函数的MIMO阵列校准方法,用于非平稳信道中实现硬件影响的间接测量与补偿,提升波束成形性能和方向估计精度。
2026-01-16 eess.SP
Time-Varying Spiky Wave-Shape Functions for Non-Stationary Signal Decomposition
该研究提出尖峰形状自适应模式分解(SSAMD)框架,针对非平稳尖峰信号分解,结合PCA参数化与熵正则化,在生物医学信号验证中实现去噪、波形跟踪等功能,克服现有模型局限。
2026-08-28 eess.SP
Graph Variogram: A novel tool to measure spatial stationarity
一般来说,对空间平稳随机场进行不规则采样不会产生图平稳信号。基于这一观察,我们建立了一个基于内在平稳性的图平稳性的定义,一个限制较少的经典平稳性的定义。我们引入了图变差函数的概念,这是一种新的工具,用于通过选择局部邻域的子图来测量不规则采样信号在局部和全局尺度上的空间固有平稳性。图变差函数是用于定义在连续欧几里得空间上的信号的变差函数的扩展。我们的实验与本质上平稳的信号采样的图形,表明图形变差函数产生的估计与真正的理论模型的小偏差,同时是强大的采样变化的空间。
2018-09-25 eess.SP
Time-Scale-Chirp_rate Operator for Recovery of Non-stationary Signal Components with Crossover Instantaneous Frequency Curves
本文的目的是介绍一种创新的方法,从多分量盲源信号的非平稳信号分量的恢复可能交叉瞬时频率(IF)曲线。其主要思想是通过考虑信号分量的二次相位表示,将啁啾率参数与时间尺度连续小波变换相结合。因此,即使两个IF曲线交叉,只要它们的啁啾率不同,两个相应的信号分量仍然可以被分离和恢复。换句话说,在任何时刻具有相同IF值的信号分量仍然可以被恢复。为了便于我们的介绍,我们引入了时间尺度-啁啾率(TSC-R)恢复变换或TSC-R恢复算子的概念,以发展时间,尺度,啁啾率的三维空间的TSC-R理论。我们的理论发展是基于近似的非平稳信号成分的线性啁啾和应用建议的自适应TSC-R变换的多分量盲源信号,以获得相当准确的误差界的中频估计和信号分量的恢复。几个数值实验结果表明,所提出的方法优于所有现有的时频和时间尺度的方法在已发表的文献中,特别是对非平稳源信号的交叉IF。
2020-12-27 cs.NA eess.SP math.NA
Data-Driven Denoising of Stationary Accelerometer Signals
University of Haifa(海法大学)
针对低成本加速度计信号去噪难题,本文提出多种数据驱动去噪方法,经野外实验对比验证,非参数kNN算法性能最优,可将信号重建与导航任务误差最高降低一个数量级。
2023-06-19 eess.SP
Piecewise Stationary Modeling of Random Processes Over Graphs With an Application to Traffic Prediction
平稳性是许多随机过程统计模型的关键假设。随着图信号处理领域的最新发展,广义平稳性的传统概念已经扩展到定义在图的顶点上的随机过程。已经表明,众所周知的谱图核方法假设图上的潜在随机过程是平稳的。虽然在机器学习和信号处理文献中已经提出了许多方法来对图上的平稳随机过程进行建模,但由于大多数数据集都是非平稳过程,因此这些方法对于表征真实世界的数据集来说过于局限。在本文中,很好地描述了一个非平稳过程的图,我们提出了一种新的模型和一个计算效率高的算法,分区一个大型图不相交的集群,使该过程是固定的每个集群,但独立的集群。我们评估我们的模型在达拉斯-沃斯堡地区的细粒度的高速公路旅行时间的大规模数据集的交通预测。我们的方法的准确性非常接近最先进的基于图的深度学习方法,而我们模型的计算复杂度要小得多。
2019-09-07 eess.SP
Analysis of non-stationary multicomponent signals with a focus on the Compressive Sensing approach
多分量信号的特征化,特别是音乐信号和通信信号的特征化是本文研究的问题之一。为了提供多分量信号的有效分析,观察分离信号分量的可能性。在这项工作中,提出了用于分解和分类的信号分量的能量和物理特性在时间-频率域不同的程序。本论文的一个重点是压缩感知方法在多分量信号中的应用。直到最近,压缩感知方法在信号处理领域变得流行,并且其在各种领域中的应用可以增加捕获和传输速度,降低设备的复杂度,并且降低能量消耗。提出了将压缩感知应用于无线通信信号分类的过程。压缩感知信号的重构算法正在蓬勃发展,因此,本文重点研究了其中一种稀疏信号重构算法的硬件实现。
2019-01-15 cs.MM eess.SP
Non-Stationary Power System Forced Oscillation Analysis using Synchrosqueezing Transform
在电力系统运行中,经常会出现非平稳强迫振荡。然而,大多数检测方法假设FO的频率是固定的。在本文中,我们提出了一种分析非平稳FO的方法。首先,傅立叶同步压缩变换(FSST)被用来提供一个集中的时间-频率表示的信号,允许识别和检索的非平稳信号分量。为了继续,耗散能流(DEF)方法应用于提取的组件,以定位强迫振荡的源。该方法进行了测试,使用模拟以及真正的PMU数据。结果表明,所提出的基于FSST的信号分解方法为DEF方法在非平稳FOs中的应用提供了一个系统的框架。
2020-06-24 cs.SY eess.SP eess.SY
Learning Graphs from Smooth and Graph-Stationary Signals with Hidden Variables
从(顶点)信号观测值推断网络拓扑是数据科学和工程学科中的一个突出问题。大多数现有的计划假设,从所有节点的观察是可用的,但在许多实际环境中,只有一个子集的节点是可访问的。一种自然的(有时也是有效的)方法是忽略未观察到的节点的作用,但这忽略了潜在的网络效应,降低了估计图的质量。随后,本文研究了从节点观测值推断网络拓扑结构的问题,同时考虑到隐变量的存在。我们的计划假设观察到的节点的数量是相当大的隐变量的数量,并建立在最近的图形信号处理模型,将信号和底层图形。具体来说,我们超越了经典的相关和部分相关的方法,并假设信号是平滑和/或平稳的寻求图。这些假设被编入不同的约束优化问题,隐变量的存在被明确考虑在内。由于所得到的问题是病态的和非凸的,所提出的配方的块矩阵结构的杠杆和适当的凸正则松弛。在合成和真实世界的数据集上的数值实验展示了所开发的方法的性能,并将其与现有的替代方案进行了比较。
2021-11-10 eess.SP stat.ME
Identifying the Topology of Undirected Networks from Diffused Non-stationary Graph Signals
我们解决的问题推断一个无向图从节点的意见,这是建模为非平稳的图形信号产生的局部扩散动力学,取决于未知网络的结构。使用所谓的图形移位算子(GSO),这是一个矩阵表示的图形,我们首先确定的特征向量的移位矩阵的实现的扩散信号,然后估计的特征值施加所需的属性上的图形要恢复。与可以直接从观测的协方差矩阵获得特征向量的固定设置不同,这里我们需要首先估计未知的扩散(图)滤波器-GSO中的多项式,它保留了所寻求的特征基。为了进行这个初始的系统辨识步骤,我们利用关于任意相关的输入信号的不同信息源来驱动图上的扩散。我们首先探讨一个更简单的情况,即观测值、输入信息和未知图滤波器是线性相关的。然后,我们解决的情况下,关系是由一个系统的矩阵二次方程,这产生在务实的情况下,只有二阶统计的输入是可用的。虽然这样的二次滤波器识别问题归结为一个非凸的四阶多项式最小化,我们讨论了可识别的条件,提出算法来近似的解决方案,并分析其性能。数值试验表明,所提出的拓扑推理算法在使用合成和真实世界的信号恢复大脑,社会,金融和城市交通网络的有效性。
2019-01-30 cs.SI eess.SP
On the Acquisition of Stationary Signals Using Uniform ADCs
在这项工作中,我们考虑使用均匀模数转换器(ADC),即,采用均匀采样和标量均匀量化。我们共同优化的预采样和重建滤波器,以最大限度地减少时间平均均方误差(TMSE)在恢复连续时间输入信号为固定的采样率和量化器的分辨率,并获得封闭形式的表达式的最小可实现的TMSE。我们表明,TMSE最小化预采样滤波器省略混叠和丢弃弱频率分量,以解决剩余的具有更高的分辨率时,速率预算是小的。在我们的数值研究中,我们验证了我们的结果,并表明,在ADC输出端的紧速率预算下,亚奈奎斯特采样通常会使TMSE最小化。
2022-05-11 cs.IT eess.SP math.IT
Polynomial Graphical Lasso: Learning Edges from Gaussian Graph-Stationary Signals
King Juan Carlos University(胡安·卡洛斯国王大学);Hong Kong University of Science and Technology(香港科技大学)
本文提出 PGL,将节点信号建模为高斯图平稳信号并允许精度矩阵取图的任意多项式形式,通过交替估计图与精度矩阵的低复杂度算法学习图结构,实验证明其优于多种替代方法。
2024-04-03 cs.LG eess.SP
Enhancing Missing Data Imputation of Non-stationary Signals with Harmonic Decomposition
本文提出 Harmonic Level Interpolation (HaLI) 算法,利用基于自适应非谐波模型的谐波分解,提升非平稳振荡时间序列的缺失数据插补精度,并公开了 Matlab 代码。
2023-09-08 cs.MS eess.SP
Adaptive Synchrosqueezing Transform with a Time-Varying Parameter for Non-stationary Signal Separation
连续小波变换(CWT)是一种线性时频表示,是分析非平稳信号的有力工具。同步压缩变换(SST)是一种特殊的重分配方法,它不仅可以提高连续小波变换在时频平面上的能量集中度,而且可以分离多分量信号的分量。“凹凸小波”和Morlet小波是基于小波的SST中常用的连续小波。在这些小波中存在控制时频局部化窗口的宽度的参数。在大多数关于SST的文献中,这个参数是一个固定的正常数。在本文中,我们考虑的CWT与时变参数(称为自适应CWT)和相应的SST(称为自适应SST)的瞬时频率估计和多分量信号分离。我们还介绍了二阶自适应SST。利用线性调频模式的局部近似,分析了非平稳多分量信号的分离条件。我们推导了基于自适应连续小波变换的多分量信号的良好分离条件。我们提出的方法来选择的时变参数,使相应的自适应SST的多分量信号的分量有尖锐的表示和良好的分离,因此,可以更准确地恢复的组件。我们提供了比较实验结果,以证明所提出的自适应连续小波变换和自适应SST的效率和鲁棒性分离的多分量信号的快速变化的频率。
2019-09-26 cs.NA eess.SP math.NA
Information theory for non-stationary processes with stationary increments
我们描述了如何使用Shannon信息论来分析具有平稳中心增量的非平稳过程。为了做到这一点,我们使用一个实用的观点,并从时间平均概率分布定义误差量。这些熵,互信息和熵率的errongical版本可以估计时,只有一个单一的实现的过程是可用的。我们充分说明我们的方法,通过分析高斯和非高斯自相似信号,以及多重分形信号。使用高斯信号使我们能够检查我们的方法是否稳健,因为所有量的行为都符合分析推导的预期。利用随机熵率的平稳性(与积分时间无关),证明了该量不仅能够很好地探测过程的自相似性,而且为多重分形的量化提供了一种新的途径.
2019-12-06 cond-mat.stat-mech cs.IT eess.SP
Online Network Inference from Graph-Stationary Signals with Hidden Nodes
Rey Juan Carlos University(胡安·卡洛斯国王大学);Rice University(莱斯大学)
针对真实场景中数据不完整、无法一次性获取且存在隐藏节点的问题,提出基于图平稳信号的在线图估计方法,通过近端梯度算法实时求解凸优化问题,理论与实验验证了其在缺失观测下的可行性。
2024-09-13 cs.LG eess.SP
Blind Mask to Improve Intelligibility of Non-Stationary Noisy Speech
Military Institute of Engineering(军事工程学院)
本文提出了一种新的盲声掩模(BAM)设计自适应检测噪声成分和保留目标语音段在时域。一个强大的标准偏差估计应用于非平稳噪声语音识别噪声掩蔽元素。所提出的解决方案的主要贡献是使用这种噪声统计来导出自适应信息,以定义和选择具有较低噪声比例的样本。从而保持语音清晰度。另外,该非理想掩模先前不需要目标语音和噪声信号统计的信息。BAM和三个竞争的方法,理想的二进制掩码(IBM),目标二进制掩码(TBM),和非平稳噪声估计语音增强(NNESE),考虑语音信号被破坏的三个非平稳声学噪声和六个值的信噪比(SNR)进行评估。结果表明,BAM技术实现可懂度增益与理想的面具,同时保持良好的语音质量。
2020-08-20 cs.SD eess.AS eess.SP
Novel Fourier Quadrature Transforms and Analytic Signal Representations for Nonlinear and Non-stationary Time Series Analysis
School of Engineering, JNU(印度国立大学工程学院)
本文提出新颖的离散傅里叶余弦四次变换和正弦四次变换,用于非线性和非平稳时间序列分析,改进了时间-频率-能量表示方法。
2026-04-28 cs.NA eess.SP math.NA
A novel algorithm for the decomposition of non-stationary multidimensional and multivariate signals
针对传统方法处理非平稳多维多变量信号的局限,提出MdMvFIF技术,扩展FIF以提取时空变化信号的IMFs,经人工与实际信号验证,为多学科高级信号分析提供有效工具。
2024-11-30 cs.NA eess.SP math.NA
LogSpecT: Feasible Graph Learning Model from Stationary Signals with Recovery Guarantees
The Chinese University of Hong Kong(香港中文大学)
针对平稳信号图学习模型rSpecT的超参数敏感与不可行问题,提出始终可行的LogSpecT模型及其实用版本rLogSpecT,借助上图收敛工具给出恢复保证,设计高效L-ADMM算法,实验验证其稳定性与优越性。
2023-05-02 cs.LG eess.SP math.OC
Joint inference of multiple graphs with hidden variables from stationary graph signals
King Juan Carlos University(胡安·卡洛斯国王大学);Rice University(莱斯大学)
从节点观测集学习图是一个突出的问题,正式称为图拓扑推理。然而,目前的方法是有限的,通常集中在推断单个网络,他们假设,从所有节点的观察是可用的。首先,许多当代的设置涉及多个相关的网络,其次,通常情况下,只有一个节点的子集被观察到,而其余的则保持隐藏。出于这些事实,我们介绍了一个联合图拓扑推理方法,模型的隐变量的影响。在假设所观察到的信号在所寻求的图上是平稳的并且图是密切相关的情况下,多个网络的联合估计允许我们利用这种关系来提高学习图的质量。此外,我们面临的挑战性的问题,建模的影响,隐藏节点,以尽量减少其不利影响。为了获得一种可行的方法,我们利用了手头设置的特定结构,并利用了不同图之间的相似性,这会影响观察到的节点和隐藏节点。为了测试所提出的方法,数值模拟合成和现实世界的图形。
2021-11-16 cs.LG cs.SI eess.SP
Online Topology Inference from Streaming Stationary Graph Signals with Partial Connectivity Information
我们开发在线图学习算法从流网络数据。我们的目标是跟踪(可能)随时间变化的网络拓扑,并通过在获取数据时实时处理数据来节省内存和计算。该设置需要观测建模为由未知网络上的局部扩散动力学生成的静态图信号。此外,我们可能有先验信息的存在或不存在的一些边缘,如在链接预测问题。平稳性假设意味着观测值的协方差矩阵和所谓的图移位算子(GSO -编码图拓扑的矩阵)在温和的要求下交换。这促使将拓扑推理任务制定为逆问题,由此搜索结构上可接受并且与观测的经验协方差矩阵近似交换的稀疏GSO。对于流数据说,协方差可以递归更新,我们表明,在线近端梯度迭代可以有效地跟踪时变解的逆问题与量化的保证。具体来说,我们推导出条件下的GSO恢复成本是强凸的,并使用此属性来证明,在线算法收敛到最佳的时变批量解决方案的邻域内。数值试验表明,所提出的图学习方法在适应流信息和跟踪所寻求的动态网络中的变化方面是有效的。
2020-07-07 cs.SI eess.SP math.OC
Subsampling for Graph Power Spectrum Estimation
在本文中,我们专注于子采样平稳随机过程,驻留在无向图的顶点。二阶平稳图信号是通过滤除白噪声得到的,它们具有明确的功率谱。估计图形功率谱形成了静态图形信号处理和相关推理任务的中心组成部分。我们表明,通过采样一个显着较小的子集的顶点,并使用简单的最小二乘法,我们可以重建的功率谱的图形信号从二次采样的意见,没有任何频谱先验。此外,一个接近最优的贪心算法的开发设计的子采样方案。
2016-03-11 cs.IT eess.SP math.IT
Plug-in Channel Estimation with Dithered Quantized Signals in Spatially Non-Stationary Massive MIMO Systems
针对空间非平稳大规模 MIMO 的一比特量化接收,本文提出带抖动的插入式 BLMMSE 信道估计、协方差失真分析、角域非负最小二乘拟合及 BLMMSE 接收机,性能逼近理想协方差方案。
2024-01-24 cs.IT eess.SP math.IT