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”

Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00473144" target="_blank" >RIV/67985556:_____/17:00473144 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/46747885:24220/17:00004530

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-319-53547-0" target="_blank" >http://dx.doi.org/10.1007/978-3-319-53547-0</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-53547-0" target="_blank" >10.1007/978-3-319-53547-0</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources

  • Popis výsledku v původním jazyce

    In many applications, there is a need to blindly separate independent sources from their linear instantaneous mixtures while the mixing matrix or source properties are slowly or abruptly changing in time. The easiest way to separate the data is to consider off-line estimation of the model parameters repeatedly in time shifting window. Another popular method is the stochastic natural gradient algorithm, which relies on non-Gaussianity of the separated signals and is adaptive by its nature. In this paper, we propose an adaptive version of two blind source separation algorithms which exploit non-stationarity of the original signals. The results indicate that the proposed algorithms slightly outperform the natural gradient in the trade-off between the algorithm’s ability to quickly adapt to changes in the mixing matrix and the variance of the estimate when the mixing is stationary.

  • Název v anglickém jazyce

    Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources

  • Popis výsledku anglicky

    In many applications, there is a need to blindly separate independent sources from their linear instantaneous mixtures while the mixing matrix or source properties are slowly or abruptly changing in time. The easiest way to separate the data is to consider off-line estimation of the model parameters repeatedly in time shifting window. Another popular method is the stochastic natural gradient algorithm, which relies on non-Gaussianity of the separated signals and is adaptive by its nature. In this paper, we propose an adaptive version of two blind source separation algorithms which exploit non-stationarity of the original signals. The results indicate that the proposed algorithms slightly outperform the natural gradient in the trade-off between the algorithm’s ability to quickly adapt to changes in the mixing matrix and the variance of the estimate when the mixing is stationary.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • 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)

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Latent Variable Analysis and Signal Separation, 13th International Conference, LVA/ICA 2017

  • ISBN

    978-3-319-53546-3

  • ISSN

    0302-9743

  • e-ISSN

    1611-3349

  • Počet stran výsledku

    10

  • Strana od-do

    172-181

  • Název nakladatele

    Springer

  • Místo vydání

    Cham

  • Místo konání akce

    Grenoble

  • Datum konání akce

    21. 2. 2017

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000418581400017