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