Bayesian Blind Source Separation with Unknown Prior Covariance

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F15%3A00231473" target="_blank" >RIV/68407700:21340/15:00231473 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985556:_____/15:00447092

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-22482-4_41" target="_blank" >http://dx.doi.org/10.1007/978-3-319-22482-4_41</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-22482-4_41" target="_blank" >10.1007/978-3-319-22482-4_41</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bayesian Blind Source Separation with Unknown Prior Covariance

Popis výsledku v původním jazyce

The task of blind source separation (BSS) is to recover original signal sources which are observed only via their superposition with unknown weights. Since we are interested in estimation of the number of relevant sources in noisy observation, we use theBayesian formulation which automatically removes spurious sources. A tool for this behavior is joint estimation of the unknown prior covariance matrix of the sources in tandem with the sources. In this work, we study the effect of various choices of thecovariance matrix structure. Specifically, we compare models using the automatic relevance determination (ARD) principle on the first and the second diagonal, as well as full covariance matrix with Wishart prior. We obtain five versions of the variational BSS algorithm. These are tested on synthetic data and on a selected dataset from dynamic renal scintigraphy. MATLAB implementation of the methods is available for download.

Název v anglickém jazyce

Bayesian Blind Source Separation with Unknown Prior Covariance

Popis výsledku anglicky

The task of blind source separation (BSS) is to recover original signal sources which are observed only via their superposition with unknown weights. Since we are interested in estimation of the number of relevant sources in noisy observation, we use theBayesian formulation which automatically removes spurious sources. A tool for this behavior is joint estimation of the unknown prior covariance matrix of the sources in tandem with the sources. In this work, we study the effect of various choices of thecovariance matrix structure. Specifically, we compare models using the automatic relevance determination (ARD) principle on the first and the second diagonal, as well as full covariance matrix with Wishart prior. We obtain five versions of the variational BSS algorithm. These are tested on synthetic data and on a selected dataset from dynamic renal scintigraphy. MATLAB implementation of the methods is available for download.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-29225S" target="_blank" >GA13-29225S: Slepá dekonvoluce obrazu v limitních podmínkách</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

Latent Variable Analysis and Signal Separation

ISBN

978-3-319-22481-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

352-359

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Liberec

Datum konání akce

25. 8. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—