Under-Determined Tensor Diagonalization for Decomposition of Difficult Tensors

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00483430" target="_blank" >RIV/67985556:_____/17:00483430 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/CAMSAP.2017.8313082" target="_blank" >http://dx.doi.org/10.1109/CAMSAP.2017.8313082</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CAMSAP.2017.8313082" target="_blank" >10.1109/CAMSAP.2017.8313082</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Under-Determined Tensor Diagonalization for Decomposition of Difficult Tensors

Popis výsledku v původním jazyce

This paper deals with the Cramer-Rao Lower Bound (CRLB) for a novel blind source separation method called Independent Component Extraction (ICE). Compared to Independent Component Analysis (ICA), ICE aims to extract only one independent signal from a linear mixture. The target signal is assumed to be non-Gaussian, while the other signals, which are not separated, are modeled as a Gaussian mixture. A CRLBinduced Bound (CRIB) for Interference-to-Signal Ratio (ISR)nis derived. Numerical simulations compare the CRIB with the performance of an ICA and an ICE algorithm. The results show good agreement between the theory and the empirical results.

Název v anglickém jazyce

Under-Determined Tensor Diagonalization for Decomposition of Difficult Tensors

Popis výsledku anglicky

This paper deals with the Cramer-Rao Lower Bound (CRLB) for a novel blind source separation method called Independent Component Extraction (ICE). Compared to Independent Component Analysis (ICA), ICE aims to extract only one independent signal from a linear mixture. The target signal is assumed to be non-Gaussian, while the other signals, which are not separated, are modeled as a Gaussian mixture. A CRLBinduced Bound (CRIB) for Interference-to-Signal Ratio (ISR)nis derived. Numerical simulations compare the CRIB with the performance of an ICA and an ICE algorithm. The results show good agreement between the theory and the empirical results.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

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

2017

Kód důvěrnosti údajů

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

Název statě ve sborníku

IEEE 7th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP) 2017

ISBN

978-1-5386-1250-7

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

263-266

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Curacao

Datum konání akce

10. 12. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000428438100026