$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

결측치가 있는 자료에서의 변동모드분해법
Variational Mode Decomposition with Missing Data 원문보기

응용통계연구 = The Korean journal of applied statistics, v.28 no.2, 2015년, pp.159 - 174  

최규빈 (서울대학교 통계학과) ,  오희석 (서울대학교 통계학과) ,  이영조 (서울대학교 통계학과) ,  김동호 (세종대학교 수학통계학부) ,  유경상 (서울대학교 의과대학 임상약리학교실)

초록
AI-Helper 아이콘AI-Helper

최근에 Dragomiretskiy와 Zosso (2014)는 경험적모드분해의 단점을 보완하여 새로운 신호 분해방법인 변동모드분해법(Variational Mode Decomposition)을 고안하였다. 기본적으로 변동모드분해법은 경험적모드분해법에 비하여 주파수 탐색 및 분리(tone detection and tone separation)에 탁월한 성능을 보인다. 또한 고속퓨리에변환을 기반으로 한 알고리즘을 사용하여 경험적모드분해법보다 잡음에 강건하다는 장점이 있다. 하지만 변동모드분해법은 결측 등으로 신호가 동일한 시간간격 혹은 공간적 간격으로 측정되지 않은 경우 제대로 동작하지 않는 단점이 있다. 이를 보완하기 위해서 본 논문에서는 변동모드분해법에 다단계우도함수를 조합하는 새로운 방법을 제안한다. 여기에서 다단계우도함수는 변동모드분해법이 신호를 적절한 내재모드함수로 분해하기 전에 결측치를 대체하는 효율적인 방법을 제시한다. 모의실험과 실제 자료의 사례연구를 통하여 변동모드분해법이 기존의 방법보다 더 효율적으로 신호를 분해한다는 것을 보일 것이다.

Abstract AI-Helper 아이콘AI-Helper

Dragomiretskiy and Zosso (2014) developed a new decomposition method, termed variational mode decomposition (VMD), which is efficient for handling the tone detection and separation of signals. However, VMD may be inefficient in the presence of missing data since it is based on a fast Fourier transfo...

주제어

질의응답

핵심어 질문 논문에서 추출한 답변
신호란 무엇인가? 신호(signal)란 시간 또는 공간에 따라서 값이 변화하는 물리적인 변수이다. 신호의 종류에는 온도, 전류, 속도, 음성, 이미지 등이 있으며 이러한 신호에 포함된 다양한 주파수를 분석하여 주파수별로 신호를 분리하고자 하는 연구가 지속적으로 진행되었다.
변동모드분해법을 경험적모드분해법과 비교하면 어떤가? 최근에 Dragomiretskiy와 Zosso (2014)는 경험적모드분해의 단점을 보완하여 새로운 신호 분해방법인 변동모드분해법(Variational Mode Decomposition)을 고안하였다. 기본적으로 변동모드분해법은 경험적모드분해법에 비하여 주파수 탐색 및 분리(tone detection and tone separation)에 탁월한 성능을 보인다. 또한 고속퓨리에변환을 기반으로 한 알고리즘을 사용하여 경험적모드분해법보다 잡음에 강건하다는 장점이 있다.
고속퓨리에변환으로 분석하고자 하는 신호 f을 결측치 등으로 인해 등간격으로 측정하지 못할 경우 어떤 문제가 발생하는가? 하지만 경우에 따라 분석하고자 하는 신호 f을 결측치 등으로 인해 등간격으로 측정하지 못할 경우도 존재한다. 이러한 경우 고속퓨리에변환과정을 기반으로 한 변동모드분해법 알고리즘에 문제가 생길 수 있다. Figure 2.
질의응답 정보가 도움이 되었나요?

참고문헌 (9)

  1. Bertsekas, D. P. (1976). Multiplier methods: A survey, Automatica, 12, 133-145. 

  2. Bertsekas, D. P. (1982). Constrained optimization and Lagrange multiplier methods, Computer Science and Applied Mathematics. 

  3. Dragomiretskiy, K. and Zosso, D. (2014). Variational mode decomposition, IEEE Transactionson Signal Processing, 62, 531-544. 

  4. Hestenes, M. R. (1969). Multiplier and gradient methods, Journal of Optimization Theory and Applications, 4, 303-320. 

  5. Huang, N. E., Shen, Z., Long, S. R., Wu, M. L., Shih, H. H., Zheng, Q., Yen, N. C., Tung, C. C. and Liu, H. H. (1998). The empirical mode decomposition and Hilbert spectrum for nonlinear and nonstationary time series analysis, Proceeding of the Royal Society of London A, 454, 903-995. 

  6. Kim, D., Lee, Y. and Oh, H.-S. (2006). Hierarchical-likelihood-based wavelet method for denoising signals with missing data, IEEE Signal Processing Letters, 13, 361-364. 

  7. Lee, Y. and Nelder, J. A. (1996). Hierarchical generalized linear models (with discussion), Journal of the Royal Statistical Society, Series B (Methodological), 58, 619-678. 

  8. Nocedal, J. and Wright, S. J. (2006). Numerical Optimization, 2nd ed Springer. 

  9. Rockafellar, R. T. (1973). A dual approach to solving nonlinear programming problems by unconstrained optimization, Mathematical Programming, 5, 303-320. 

저자의 다른 논문 :

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로