Orthogonally-Constrained Extraction of Independent Non-Gaussian Component from Non-Gaussian Background without ICA

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F18%3A00006128" target="_blank" >RIV/46747885:24220/18:00006128 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985556:_____/18:00492879

Výsledek na webu

<a href="https://asap.ite.tul.cz/wp-content/uploads/sites/3/2018/05/LVA2018v2.pdf" target="_blank" >https://asap.ite.tul.cz/wp-content/uploads/sites/3/2018/05/LVA2018v2.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-93764-9_16" target="_blank" >10.1007/978-3-319-93764-9_16</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Orthogonally-Constrained Extraction of Independent Non-Gaussian Component from Non-Gaussian Background without ICA

Popis výsledku v původním jazyce

We propose a new algorithm for Independent ComponentExtraction that extracts one non-Gaussian component and is capable to exploit the non-Gaussianity of background signals without decomposing them into independent components. The algorithm is suitable for situations when the signal to be extracted is determined through initialization; it shows an extra stable convergence when the target componentis dominant. In simulations, the proposed method is compared with Natural Gradient and One-unit FastICA, and it yields improved results interms of the Signal-to-Interference ratio and the number of successful extractions.

Název v anglickém jazyce

Orthogonally-Constrained Extraction of Independent Non-Gaussian Component from Non-Gaussian Background without ICA

Popis výsledku anglicky

We propose a new algorithm for Independent ComponentExtraction that extracts one non-Gaussian component and is capable to exploit the non-Gaussianity of background signals without decomposing them into independent components. The algorithm is suitable for situations when the signal to be extracted is determined through initialization; it shows an extra stable convergence when the target componentis dominant. In simulations, the proposed method is compared with Natural Gradient and One-unit FastICA, and it yields improved results interms of the Signal-to-Interference ratio and the number of successful extractions.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GA17-00902S" target="_blank" >GA17-00902S: Pokročilé metody slepé separace podprostorů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 14th International Conference on Latent Variable Analysis and Signal Separation, LVA/ICA 2018

ISBN

9783319937632

ISSN

03029743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

161-170

Název nakladatele

—

Místo vydání

Velká Británie

Místo konání akce

Guildford, UK

Datum konání akce

1. 1. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—