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”

Gradient Algorithms for Complex Non-Gaussian Independent Component/Vector Extraction, Question of Convergence

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00500102" target="_blank" >RIV/67985556:_____/19:00500102 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/46747885:24220/19:00006125

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/document/8579170" target="_blank" >https://ieeexplore.ieee.org/document/8579170</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/TSP.2018.2887185" target="_blank" >10.1109/TSP.2018.2887185</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Gradient Algorithms for Complex Non-Gaussian Independent Component/Vector Extraction, Question of Convergence

  • Popis výsledku v původním jazyce

    We revise the problem of extracting one independent component from an instantaneous linear mixture of signals. The mixing matrix is parameterized by two vectors: one column of the mixing matrix, and one row of the demixing matrix. The separation is based on the non-Gaussianity of the source of interest, while the remaining background signals are assumed to be Gaussian. Three gradient-based estimation algorithms are derived using the maximum likelihood principle and are compared with the Natural Gradient algorithm for Independent Component Analysis and with One-Unit FastICA based on negentropy maximization. The ideas and algorithms are also generalized to the extraction of a vector component when the extraction proceeds jointly from a set of instantaneous mixtures. Throughout this paper, we address the problem concerning the size of the region of convergence for which the algorithms guarantee the extraction of the desired source. We show that the size is influenced by the signal-to-interference ratio on the input channels. Simulations comparing several algorithms confirm this observation. They show a different size of the region of convergence under a scenario in which the source of interest is dominant or weak. Here, our proposed modificationsof the gradient methods, taking into account the dominance/weakness of the source, showimproved global convergence.n

  • Název v anglickém jazyce

    Gradient Algorithms for Complex Non-Gaussian Independent Component/Vector Extraction, Question of Convergence

  • Popis výsledku anglicky

    We revise the problem of extracting one independent component from an instantaneous linear mixture of signals. The mixing matrix is parameterized by two vectors: one column of the mixing matrix, and one row of the demixing matrix. The separation is based on the non-Gaussianity of the source of interest, while the remaining background signals are assumed to be Gaussian. Three gradient-based estimation algorithms are derived using the maximum likelihood principle and are compared with the Natural Gradient algorithm for Independent Component Analysis and with One-Unit FastICA based on negentropy maximization. The ideas and algorithms are also generalized to the extraction of a vector component when the extraction proceeds jointly from a set of instantaneous mixtures. Throughout this paper, we address the problem concerning the size of the region of convergence for which the algorithms guarantee the extraction of the desired source. We show that the size is influenced by the signal-to-interference ratio on the input channels. Simulations comparing several algorithms confirm this observation. They show a different size of the region of convergence under a scenario in which the source of interest is dominant or weak. Here, our proposed modificationsof the gradient methods, taking into account the dominance/weakness of the source, showimproved global convergence.n

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • 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

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Transactions on Signal Processing

  • ISSN

    1053-587X

  • e-ISSN

  • Svazek periodika

    67

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    15

  • Strana od-do

    1050-1064

  • Kód UT WoS článku

    000455720600015

  • EID výsledku v databázi Scopus

    2-s2.0-85058892691