The Iterative Filtering method is a technique aimed at the decomposition of non-stationary and non-linear signals into simple oscillatory components. This method, proposed a decade ago as an alternative technique to the Empirical Mode Decomposition, has been used extensively in many applied fields of research and studied, from a mathematical point of view, in several papers published in the last few years. However, even if its convergence and stability are now established both in the continuous and discrete setting, it is still an open problem to understand up to what extent this approach can separate two close-by frequencies contained in a signal. In this paper, following the studies conducted on the Empirical Mode Decomposition and the Synchrosqueezing methods, we analyze in detail the abilities of the Iterative Filtering algorithm in extracting two stationary frequencies from a given signal. In particular, after reviewing the Iterative Filtering technique and its known properties, we present new theoretical results and numerical evidence showing the ability of this technique in addressing the fundamental "one or two frequencies" question.


翻译:迭代过滤法是一种技术,旨在将非静止和非线性信号分解成简单的血管元件。十年前作为实验模式分解的一种替代技术而提出的这一方法,从数学角度在许多应用的研究领域广泛使用,并在过去几年发表的若干论文中从数学角度进行了广泛研究。然而,即使其趋同性和稳定性现已在连续和离散的设置中确立,但还是一个未决问题,无法理解这种方法在多大程度上能够将信号中所含的两个近距离频率分离。在本文中,在对“超常模式分解”和“同步化”方法进行的研究之后,我们详细分析了在从给定信号中提取两个固定频率的循环过滤算法的能力。特别是在审查了“静态过滤法”及其已知特性之后,我们提出了新的理论结果和数字证据,表明该技术在解决基本“一个或两个频率”问题方面的能力。

0
下载
关闭预览

相关内容

强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】深度学习情感分析综述
机器学习研究会
58+阅读 · 2018年1月26日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
0+阅读 · 2022年1月27日
Arxiv
25+阅读 · 2021年3月20日
Arxiv
126+阅读 · 2020年9月6日
Arxiv
18+阅读 · 2019年1月16日
VIP会员
相关资讯
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】深度学习情感分析综述
机器学习研究会
58+阅读 · 2018年1月26日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员