Hybrid Source Extraction: Synergy of physical, information-theoretical and data-based knowledge
Project goals
The project focuses on new hybrid methods for signal extraction, combining classical algorithms based on mathematical models and deep neural network training capabilities. We propose a procedure that efficiently combines knowledge and leads to designing highly specific, economical, and interpretable neural network architectures. The procedure puts together four methodologies: blind independence-based source extraction (information-theoretic knowledge), structured mixing models (physical knowledge), informed algorithms (linking the model-based part and the part using deep learning) and their conversion into trainable structures (e.g., deep unrolling), and input data warping (adapting the data to the assumed mixing model). These parts are independently functional. Integrating them into shared structures and training has great potential to achieve synergies that lead to significantly more powerful signal extraction methods than state-of-the-art ones.
Keywords
signal extractionblind methodsmixing modelsdata-based methodshybrid methods,multi-channel signals
Public support
Provider
Czech Science Foundation
Programme
Standard projects
Call for proposals
SGA0202500001
Main participants
Technická univerzita v Liberci / Fakulta mechatroniky, informatiky a mezioborových studií
Contest type
VS - Public tender
Contract ID
25-18485S
Alternative language
Project name in Czech
Hybridní extrakce signálů: Synergie fyzikálních, informačně-teoretických a datových znalostí
Annotation in Czech
Projekt je zaměřen na nové hybridní metody pro extrakci signálů kombinující klasické algoritmy založené na matematických modelech a možnosti trénování hlubokých neuronových sítí. Navrhujeme postup, který efektivně kombinuje znalosti a vede k návrhu vysoce specifických, úsporných a interpretovatelných architektur neuronových sítí. Postup dává dohromady čtyři metodiky: slepou extrakci zdrojů založenou na nezávislosti (informačně-teoretická znalost), strukturované směšovací modely (fyzikální znalost), informované algoritmy propojující model-based část a část využívající strojové učení a jejich převod do trénovatelných struktur (např. hluboké rozkládání), které dále propojíme s warpingem vstupních dat (úprava dat k předpokládanému směšovacímu modelu). Tyto části jsou nezávisle funkční. Jejich integrace do společné struktury a její natrénování má velký potenciál k dosažení synergií a tím pádem výrazného zlepšení extrakce signálů než dokáží současné metody.
Scientific branches
R&D category
ZV - Basic research
OECD FORD - main branch
20201 - Electrical and electronic engineering
OECD FORD - secondary branch
10102 - Applied mathematics
OECD FORD - another secondary branch
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
AF - Documentation, librarianship, work with information
BC - Theory and management systems
BD - Information theory
IN - Informatics
JA - Electronics and optoelectronics
JB - Sensors, detecting elements, measurement and regulation
Solution timeline
Realization period - beginning
Jan 1, 2025
Realization period - end
Dec 31, 2027
Project status
Z - Beginning multi-year project
Latest support payment
—
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP25-GA0-GA-R
Data delivery date
Feb 25, 2025
Finance
Total approved costs
5,724 thou. CZK
Public financial support
5,724 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
5 724 CZK thou.
Public support
5 724 CZK thou.
100%
Provider
Czech Science Foundation
OECD FORD
Electrical and electronic engineering
Solution period
01. 01. 2025 - 31. 12. 2027