Our decomposition model solves the

Our decomposition model solves the inverse problem as fol-
lows: decompose a signal into a given number of modes, either
exactly or in a least squares sense, such that each individual
mode has limited bandwidth. We assess the mode’s bandwidth
as the squared H1 norm of its Hilbert complemented analytic
signal with only positive frequencies, shifted to baseband
by mixing with a complex exponential of the current center
frequency estimate. The variational problem is solved very
efficiently in a classical ADMM approach: The modes are
updated by simple Wiener filtering, directly in Fourier domain
with a filter tuned to the current center frequency, then the
center frequencies are updated as the center of gravity of the
mode’s power spectrum, and finally the Lagrangian multiplier
enforcing exact signal reconstruction is updated as dual ascent.

結果 (中文) 1:

我们分解模型来求解反问题作为 fol-低点: 要么将信号分解为给定数量的方式，确切地或最小二乘的感觉，这样，每个人模式具有有限的带宽。我们评估模式的带宽作为平方 H1 规范其希尔伯特补充解析只有积极的频率，转移到基带信号混合在一起的复指数当前中心频率估计。变分问题非常有效地在古典的 ADMM 方法: 模式由简单的维纳滤波，在傅里叶域中直接更新与筛选器调到当前的中心频率，然后中心频率为重心的更新模式的功率谱，和最后的拉格朗日乘数执行精确信号重构被更新双上升。

結果 (中文) 3:

我们的分解模型解决逆问题如下：
低点信号分解成若干模式，要么
完全或在最小二乘意义，这样每个个体
模式具有有限的带宽。我们评估模式的带宽
为平方H1范数的希尔伯特补充分析
信号只有正频率，转移到基带
通过与电流中心频率估计的复指数混合。变分问题的解决非常有效
经典ADMM方法：通过简单的方式
维纳滤波更新，直接与调谐滤波器中心频率的电流的傅里叶域
，然后
中心频率为的
模式的功率谱重心更新，最后，拉格朗日乘子执行精确的信号重建被更新为双上升。