Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Piecewise-polynomial signal segmentation using proximal splitting convex optimization methods

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F16%3APU119954" target="_blank" >RIV/00216305:26220/16:PU119954 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.utko.feec.vutbr.cz/~rajmic/talks/APMOD_2016-Novosadova.pdf" target="_blank" >http://www.utko.feec.vutbr.cz/~rajmic/talks/APMOD_2016-Novosadova.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Piecewise-polynomial signal segmentation using proximal splitting convex optimization methods

  • Popis výsledku v původním jazyce

    We show how the problem of segmenting noisy piecewise polynomial signal can be formulated as a convex optimization task. Because the number of model changes in signal is considered low in comparison to the overall number of data points, we rely on the concept of sparsity and its convex-relaxed counterpart, the l1-norm. We present an unconstrained, overparametrized optimization formulation whose solution can be used for detecting the breakpoints, and for robust data denoising, in consequence. The problem is solved numerically by iterative proximal splitting methods.

  • Název v anglickém jazyce

    Piecewise-polynomial signal segmentation using proximal splitting convex optimization methods

  • Popis výsledku anglicky

    We show how the problem of segmenting noisy piecewise polynomial signal can be formulated as a convex optimization task. Because the number of model changes in signal is considered low in comparison to the overall number of data points, we rely on the concept of sparsity and its convex-relaxed counterpart, the l1-norm. We present an unconstrained, overparametrized optimization formulation whose solution can be used for detecting the breakpoints, and for robust data denoising, in consequence. The problem is solved numerically by iterative proximal splitting methods.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    20201 - Electrical and electronic engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2016

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů