Analysis of effectiveness and computational complexity of trend removal methods

• Autorzy: Lentka Ł. , Smulko J.

Warianty tytułu

PL

Analiza skuteczności i złożoności obliczeniowej metod usuwania składowej trendu z danych pomiarowych

• Konferencja: XXVI cykl seminarów zorganizowanych przez PTETiS Oddział w Gdańsku ZASTOSOWANIE KOMPUTERÓW W NAUCE I TECHNICE 2016 (XXVI; 2016; Gdańsk)
• Języki publikacji: EN

Abstrakty

EN

The paper presents a method of processing measurement data due to remove slowly varying component of the trend occurring in the recorded waveforms. Comparison of computational complexity and trend removal efficiency between some commonly used methods is presented. The impact of these procedures on probability distribution and power spectral density is shown. Effectiveness and computational complexity of these methods depend essentially on nature of the removed trend. This paper describes several procedures: Moving Average Removal (MAR), fitting a polynomial of degree appropriate to the analyzed data, Empirical Mode Decomposition (EMD).

PL

W pracy przedstawiono sposób przetwarzania danych pomiarowych w celu usunięcia wolnozmiennej składowej trendu występującego w rejestrowanych przebiegach. Porównano kilka często stosowanych w tym celu metod pod względem ich złożoności obliczeniowej oraz skuteczności w usuwaniu trendu. Pokazano wpływ tych procedur na rozkład prawdopodobieństwa wartości chwilowych oraz przebieg gęstości widmowej mocy. W ogólności operację usuwania trendu możemy traktować jako filtrację górnoprzepustową danych pomiarowych. W celu usunięcia trendu można użyć filtru górnoprzepustowego (analogowego lub cyfrowego) już na etapie akwizycji danych pomiarowych. Jednakże często mamy do czynienia z danymi, w których składowa trendu jest potrzebna do przeprowadzania innych analiz i nie może być usunięta na etapie rejestracji danych pomiarowych. Ponadto, może mieć charakter niestacjonarny i metody filtracji górnoprzepustowej nie będą skuteczne. W takich przypadkach należy rozważyć inne, często bardziej zaawansowane metody. Skuteczność i złożoność obliczeniowa takich metod zależy istotnie od charakteru usuwanego trendu. W pracy opisano procedurę usuwania średniej kroczącej (ang. Moving Average Removal – MAR), metody o niskiej złożoności obliczeniowej, ale dającej zadowalające rezultaty w dużej liczbie potencjalnych zastosowań. Rozważono usuwanie trendu przez dopasowanie wielomianem odpowiedniego stopnia do analizowanych danych pomiarowy. Procedura ta może być powtarzana kilkukrotnie, nawet ze zwiększaniem stopnia wielomianu przy każdym z kroków, aż do uzyskania przebiegu, w którym usunięto składową trendu. Część pracy poświęcono prezentacji bardziej złożonych obliczeniowo metod, które zostały rozwinięte dopiero w ostatnich latach i wymagają znacznie bardziej intensywnych obliczeń.

Słowa kluczowe

EN

trend removal; high-pass filter; empirical mode decomposition; EMD

PL

usuwanie trendu; filtry górnoprzepustowe; empiryczna metoda dekompozycji; EMD

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2016
• Tom: Nr 51
• Strony: 111--114
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Lentka Ł.

• Gdańsk University of Technology, Faculty of Electronics, Telecommunications and Informatics Department of Metrology and Optoelectronics tel.:[phone]

autor

Smulko J.

• Gdańsk University of Technology, Faculty of Electronics, Telecommunications and Informatics Department of Metrology and Optoelectronics tel.:[phone]

Bibliografia

• 1. Bertocci U., Huet F., Nogueira R. P., Rousseau P.: Drift Removal Procedures in the Analysis of Electrochemical Noise, Corrosion, no. 4, vol. 58, 2002, p. 337–347.
• 2. Denholm-Price J. C. W., Rees J. M.: A Practical Example of Low-Frequency Trend Removal, Boundary-Layer Meteorol., no. 1, vol. 86, 1998, p. 181–187.
• 3. Homborg A. M., Tinga T., Zhang X.,. van Westing E. P. M, Oonincx P. J., de Wit J. H. W., Mol J. M. C.: Time–frequency methods for trend removal in electrochemical noise data, Electrochim. Acta, vol. 70, 2012, p. 199–209.
• 4. Infield D. G., Hill D. C.: Optimal smoothing for trend removal in short term electricity demand forecasting, IEEE Trans. Power Syst., no. 3, vol. 13, 1998, p. 1115–1120.
• 5. Mansfeld F., Sun Z., Hsu C., Nagiub A.: Concerning trend removal in electrochemical noise measurements, Corros. Sci., no. 2, vol. 43, 2001, p. 341–352.
• 6. Vamoş C.: Automatic algorithm for monotone trend removal, Phys. Rev. E, no. 3, vol. 75, 2007, p. 36705.
• 7. Flandrin P., Rilling G., Goncalves P.: Empirical Mode Decomposition as a Filter Bank, IEEE Signal Process. Lett., no. 2, vol. 11, 2004, pp. 112–114.
• 8. Moghtaderi A., Flandrin P., Borgnat P.: Trend filtering via empirical mode decompositions, Comput. Stat. Data, vol. 58, 2013, p. 114-126.
• 9. Flandrin P., Es P., Rilling G.: Detrending and denoising with empirical mode decompositions, Signal Processing Conference, IEEE 2004 12th European, p. 1581-1584.
• 10. Rilling G., Flandrin P., Gon P., Lyon D.: On Empirical Mode Decomposition and Its Algorithms, IEEEEURASIP Work. Nonlinear Signal Image Process. NSIP, vol. 3, 2003, p. 8–11.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.