An Ensemble Empirical Mode Decomposition-based Recurrent Neural Networks Framework for Reconstructing Attenuated Interference Signals

Abstract

In laser-based measurements, it is common that signals are often distorted by noise. The noises arise from the composite limitations of the physical phenomena underlying laser interference signals and those of analog or digital circuits. Specifically, when the reference beam and the reflected measuring beam of the device interfere, the dark areas of the speckle pattern reduce the interference signal. Once the reduced value falls below the circuit's threshold, the signal cannot be passed to the next stage. That is why the final signal has speckle noise, which causes abrupt discontinuities or drops. To address this, this dissertation proposes a framework that reduces speckle noise in signals. It processes interference signals by replacing an ensemble empirical mode decomposition (EEMD), which is one of the signal processing algorithms, with a recurrent neural network (RNN), such as a long short-term memory (LSTM) or a gated recurrent unit (GRU), to reconstruct the attenuated interference signal into its non-attenuated form fundamentally. The framework consists of two main stages. The first stage involves reconstructing the signal based on EEMD (EEMD-based signal reconstruction). An attenuated interference signal is decomposed into intrinsic mode functions (IMFs) through EEMD. Among the IMFs, high weights are assigned to components with attenuation, while relatively low weights are assigned to others, and high-frequency noise is suppressed with very low weights. The selectively-weighted IMFs are then recombined to reconstruct the interference signal into the desired ideal signal. In the second stage, the attenuated interference signals are used as input data, and the reconstructed interference signals are used as output data to train the LSTM or GRU (data-driven EEMD-based RNNs). The RNN model serves to transform an attenuated interference signal into a non-attenuated one. The EEMD-based RNN models can achieve computational efficiency by directly reconstructing an attenuated signal into a non-attenuated signal without the computationally intensive processes of decomposition, weighting, and recombination. The proposed framework was applied to a laser Doppler vibrometer (LDV) and a frequency-modulated continuous waveform (FMCW) light detection and ranging (LiDAR). Dropout noise in the velocity signal, which occurred when measuring the velocity of a vibrating object back and forth with a laser Doppler vibrometer, was eliminated by using this framework. Dropout noise in the frequency-voltage converter signal, which occurred during distance measurement to a stationary object, was also successfully eliminated by using this framework. The reconstruction process could be performed approximately 294.8 and 493.5 times faster with the LDV and FMCW LiDAR, respectively, than with the EEMD-based signal reconstruction. Therefore, it was confirmed that the proposed EEMD-based RNNs framework is useful for reducing speckle noise in velocity and voltage signals by mitigating interference attenuation in LDV and FMCW LiDAR.|레이저를 이용한 측정 분야에서는 노이즈로 인하여 신호가 왜곡되는 경우가 많다. 이 때, 레이저 간섭 신호의 물리적인 현상과 구성 회로의 한계가 동시에 작용하여 노이즈가 발생한다. 즉, 방출하는 레이저와 반사되어 되돌아오는 레이저의 간섭으로 발생한 스페클 패턴의 어두운 부분으로 인하여 감쇠된 간섭 신호가 구성 회로의 역치값을 넘지 않고 이를 다음 신호로 처리할 수 없기 때문에 최종 신호의 시계열 데이터에서 신호가 끊기거나 값이 떨어지는 스페클 노이즈가 발생한다. 이를 해결하기 위하여 본 학위 논문에서는 신호 처리 알고리즘의 하나인 앙상블 경험적 모드 분해(EEMD)를 장단기 메모리(LSTM)나 게이트 순환 유닛(GRU) 같은 순환신경망(RNN)으로 대체하여, 감쇠된 간섭 신호를 원천적으로 복원함으로써, 간섭 신호를 처리하여 나타나는 신호의 스페클 노이즈를 줄이는 프레임워크를 제안한다. 프레임워크는 크게 두 단계로 이루어져 있다. 첫번째 단계에서는 앙상블 경험적 모드 분해를 기반으로 하여 신호를 복원하는 것이다. 감쇠된 부분이 있는 간섭신호를 앙상블 경험적 모드 분해를 통하여 고유 모드 함수(IMF)로 분해한다. 고유 모드 함수 중에서 간섭신호 감쇠 부분이 있는 성분에는 높은 가중치를 부여하고 그 외에는 상대적으로 낮은 가중치를 부여하며 고주파 노이즈는 매우 작은 가중치로써 억제한다. 가중치가 곱해진 고유 모드 함수를 다시 합성하여 이상적으로 추구하는 간섭 신호로 재구성한다. 두번째 단계에서는, 감쇠된 부분이 있는 간섭신호를 입력 데이터로, 재구성한 간섭 신호를 출력 데이터로 하여, 장단기 메모리와 게이트 순환 유닛을 학습시킨다. 이로써 감쇠된 간섭신호를 감쇠되지 않은 간섭신호로 바꾸는, 앙상블 경험적 모드 분해 기반의 순환신경망 모델을 구축한다. 이 모델을 이용한 신호 재구성 프레임워크는 간섭 신호를 분해하고 가중치를 곱하고 다시 합치는 복잡한 연산 과정이 없기 때문에, 감쇠된 신호를 감쇠 없는 신호로 곧바로 재구성하는 연산 효율을 확보할 수 있다. 제안하는 프레임워크는 레이저 도플러 진동계(LDV)와 주파수 변조 연속 파형 라이다(FMCW LiDAR)에 적용되었다. 앞뒤로 진동하는 물체의 속도를 레이저 도플러 진동계로 측정할 때에 발생하는 속도 신호의 드롭아웃 노이즈는 이 프레임워크를 통하여 제거되었다. 고정된 물체까지의 거리를 라이다로 측정할 때에 발생하는 주파수-전압 변환기 신호의 드롭아웃 노이즈 또한, 이 프레임워크를 통하여 성공적으로 제거되었다. 제안하는 프레임워크를 적용함으로써, 앙상블 경험적 모드 분해를 직접 이용하여 간섭 신호를 재구성하는 것보다, 레이저 도플러 진동계에서는 약 294.8배, 주파수 변조 연속 파형 라이다에서는 약 493.5배 빠르게 수행할 수 있었다. 이로써, 본 논문에서 제안한 앙상블 경험적 모드 분해 기반의 순환신경망 프레임워크는 레이저 도플러 진동계와 주파수 변조 연속 파형 라이다에서 발생하는 간섭신호 감쇠를 경감하여 신호의 스페클 노이즈를 줄이는 데에 유용함을 확인하였다.