Nichtlineare Rauschreduktion
Nichtlineare Rauschreduktion
Nichtlineare Rauschreduktion
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Roland Krüppel, 2004<br />
<strong>Nichtlineare</strong> <strong>Rauschreduktion</strong><br />
Seminar Analyse biomedizinischer Signale<br />
20. Dezember 2004<br />
Roland Krüppel
Roland Krüppel, 2004<br />
Inhalt<br />
●<br />
●<br />
●<br />
●<br />
Rauschen<br />
Lineare <strong>Rauschreduktion</strong><br />
<strong>Nichtlineare</strong> <strong>Rauschreduktion</strong><br />
– Lokale Linearisierung<br />
– Lokale Projektion<br />
Anwendungen
Roland Krüppel, 2004<br />
Rauschen<br />
●<br />
„ungewollte Störung“ im beobachteten<br />
Frequenzbereich<br />
●<br />
Klassifikation durch Powerspektrum<br />
●<br />
Physikalische Erklärung oft nicht möglich
Roland Krüppel, 2004<br />
Rauschen<br />
Ansatz für allg. <strong>Rauschreduktion</strong><br />
x n =<br />
sx n<br />
<br />
n
Roland Krüppel, 2004<br />
Lineare <strong>Rauschreduktion</strong><br />
Ansatz<br />
Rauschen und Zeitreihe im Powerspektrum<br />
unterscheidbar<br />
⇒ Tiefpaß / Hochpaß<br />
⇒ Bandpaß / Bandstop
Roland Krüppel, 2004<br />
Lineare <strong>Rauschreduktion</strong><br />
Beispiele
Roland Krüppel, 2004<br />
Lineare <strong>Rauschreduktion</strong><br />
Probleme<br />
Determin. Chaos in gemessener Zeitreihe a priori<br />
spektral von Rauschen nicht zu trennen<br />
⇒ Filter bringt unerwünschte Korrelationen<br />
⇒ Dimensionserhöhung<br />
⇒ Attraktorgeometrie wird (unvorhersagbar)<br />
verändert
Roland Krüppel, 2004<br />
<strong>Nichtlineare</strong> <strong>Rauschreduktion</strong><br />
Idee<br />
Nutze aus, das System Attraktor definiert<br />
⇒ Rauschen ist kleine<br />
lokale Störung des Attraktors<br />
Bild in Gnuplot
Roland Krüppel, 2004<br />
Lokale Linearisierung<br />
Idee<br />
'Tiefpaß im Phasenraum'<br />
Glätten des verrauschten Attraktors durch<br />
lineare Interpolation
Roland Krüppel, 2004<br />
Lokale Linearisierung<br />
Prinzip<br />
DelayEmbedding x n<br />
={x n<br />
, x n−1<br />
,, x n−d−1<br />
}<br />
MittelKoordinate gemittelt über Nachbarschaft<br />
x n−d /2<br />
'<br />
= 1<br />
∣U I<br />
∣ ∑<br />
n'∈U I<br />
x n'−d /2
Roland Krüppel, 2004<br />
Lokale Linearisierung<br />
Anwendung
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Idee<br />
Projektion hochdimensionaler Komponenten<br />
auf niedrigdimensionalen Attraktor
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Prinzip<br />
unverrauschte Zeitreihe {x n<br />
}, n=1,2,, N<br />
DelayEmbedding x n<br />
={x n<br />
, x n−1<br />
,, x n−d−1<br />
}<br />
Der Systemabbildung äquivalent: x n1<br />
=F x n<br />
<br />
⇒ H x n1<br />
,x n<br />
=H X n<br />
=0<br />
Ist nun d größer als Attraktordimension d a<br />
:<br />
⇒ Es gibt weitere Abhängigkeiten<br />
⇒ H q<br />
X n<br />
=0 q=1,, d1−d a<br />
=:Q<br />
⇒Q Dimensionen werden vom Attraktor nicht „bewohnt“
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Prinzip<br />
Nähere die H q<br />
lokal linear an<br />
H q I X n<br />
=a q , I ⋅X n<br />
b q , I =0<br />
X n<br />
∈U I<br />
Q linear unabhängige orthogonale Unterräume (Nullraum):<br />
a q , I ⋅a q' , I =0<br />
q≠q '<br />
Wie findet man diese Unterräume bei verrauschter Zeitreihe ?<br />
⇒ Ausdehnung des verrauschten Attraktors minimal im Nullraum<br />
⇒ Projektion der lokalen Vektoren in den Nullraum<br />
Q<br />
∑<br />
q=1<br />
a q , I ⋅a q , I ⋅ X n<br />
− I I = 1<br />
∣U I<br />
∣ ∑<br />
n' ∈U I<br />
X n'
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Prinzip<br />
Trick: Kleinste Quadrate & LagrangeMultiplikator<br />
⇒ Minimiere<br />
Q<br />
∑ [∑<br />
n'∈U I<br />
q=1<br />
a q , I ⋅a q , I ⋅ X n<br />
− I ] 2 Q<br />
−∑<br />
q=1<br />
q a q ⋅a q −1<br />
Äquivalent: Eigenwertproblem<br />
C a q , I − q a q , I =0<br />
C ij<br />
= ∑<br />
n'∈U I<br />
X n'<br />
− I i<br />
X n'<br />
− I j<br />
⇒ Finde Eigenvektoren a q , I zu Q kleinsten Eigenwerten q von C<br />
Kleinste Hauptachsen lokaler Hyperellipse<br />
Eliminierung des Nullraumanteiles<br />
Q<br />
X ' n<br />
= X n<br />
− X n<br />
= X −∑ n<br />
q=1<br />
a q ⋅a q ⋅ X n<br />
− I
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Tricks<br />
Trajektorien divergieren<br />
⇒ Nur mittlere Komponenten der Vektoren korrigieren<br />
⇒ Gewichtungsmatrix R bzw. Metrik<br />
Gekrümmte Trajektorien verschieben Schwerpunkt<br />
⇒ Schwerpunktskorrektur<br />
Größe der Nachbarschaft wichtig<br />
⇒ Ausprobieren<br />
Nachbarsuche aufwendig<br />
⇒ Boxassisted searching
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Algorithmus<br />
●<br />
Input<br />
– Zeitreihe (natürlich...)<br />
– Einbettungsdimension d<br />
●<br />
– Attraktordimension d a<br />
– Nachbarschaftsgröße<br />
Für jeden DelayVektor<br />
– Finde Vektoren in Nachbarschaft<br />
– evtl. Schwerpunktskorrektur<br />
– Berechne Kovarianzmatrix<br />
– Berechne Eigenvektoren zu kleinsten Eigenwerten<br />
– Korrigiere DelayVektor
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Anwendung
Roland Krüppel, 2004<br />
Lokale Projektion<br />
Anwendung
Roland Krüppel, 2004<br />
Aber Vorsicht!
Roland Krüppel, 2004<br />
Referenzen<br />
[1] T. Schreiber, H. Kantz: Nonlinear Time Series Analysis, Cambridge University Press, Cambridge, reprinted 2000<br />
[2] T. Schreiber, Extremely simple nonlinear noisereduction method, Physical Review E 47 (4), p2401, 1993<br />
[3] K. Urbanowicz, J. A. Holyst, T. Stemler, H. Benner, Noise reduction in chaotic time series by a local projection with nonlinear<br />
constraints, arXiv:condmat/0308554, 2004<br />
[4] H. Kantz, T. Schreiber, Nonlinear projective filtering I: Background in chaos theory, arXiv:chaodyn/9805024, 1998<br />
[5] H. Kantz, T. Schreiber, Nonlinear projective filtering II: Application to real time series, arXiv:chaodyn/9805025, 1998<br />
[6] M. Cencini, M. Falcioni, H. Kantz, E. Olbrich, A. Vulpiani, Chaos or Noise – Difficulties of a distinction, arXiv:nlin.CD/0002018, 2000<br />
[7] R. Badii et al., Dimension increase in filtered chaotic signals, Physical Review Letters 60 (11), p979, 1998<br />
[8] E. J. Kostelich, T. Schreiber, Noise reduction in chaotic time series: a survey of common methods, Physical Review E 48 (3),<br />
p1752, 1993<br />
[9] R. Cawley, G. Hsu, Localgeometricprojection method for noise reduction in chaotic maps and flows, Physical Review A 46 (6),<br />
p3057, 1992<br />
[10] H. Kantz et al., Nonlinear noise reduction: A case study on experimental data, Physical Review E 48 (2), p1529, 1993<br />
[11] M. B. Weissman, 1/f noise and other slow, nonexponential kinetics in condensed matter, Reviews of Modern Physics 60 (2),<br />
p537, 1988<br />
[12] R. Hegger, H. Kantz, and T. Schreiber, Practical implementation of nonlinear time series methods: The TISEAN package, Chaos<br />
9, p413, 1999<br />
[13] Nonlinear Dynamics & Chaos Workshop http://www.maths.ox.ac.uk/~mcsharry/lectures/ndc/ndcworkshop.shtml