Algoritmo con compresión óptima para modelos mixtos lineales ralos

Autores
Pazos, Sebastián; Muravchik, Carlos Horacio; Hurtado, Martín A.
Año de publicación
2011
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En varios problemas de procesamiento de señales los datos observados pueden ser representados mediante la contribución de tres fenómenos: la señal de interés, la interferencia, y el ruido. Atendiendo a su naturaleza frecuentemente aleatoria se requiere el empleo de técnicas estadísticas para obtener información de los datos. Dependiendo de la aplicación, cada uno de los citados fenómenos recibe distintos nombres; por ejemplo, la interferencia se denomina clutter en radar, reverberación en sonar y multicamino en comunicaciones inalámbricas. Estos problemas pueden ser descriptos mediante los denominados modelos lineales mixtos. En la sección 2 se presenta el modelado y el problema a resolver.\nEn varias aplicaciones, como radar, la señal de interés posee una cualidad adicional denominada raleza. Esto quiere decir que la mayor parte de esta señal es nula y sólo posee valores diferentes de cero en unos pocos componentes.\nBuscar una solución rala de un modelo lineal es un problema de optimización no convexo ya que está restringido a minimizar el número de componentes no-nulos de la señal, llamado norma lc. Este planteo suele ser muy complicado de resolver por lo que una alternativa es usar una técnica de relajación, creando un problema convexo, buscando una solución con la menor norma l1.\nEn la sección 3 de este trabajo se presenta un nuevo algoritmo para la resolución del problema inverso de modelos lineales mixtos ralos subdeterminados, basado en optimizar la función de verosimilitud. Como este problema es mal condicionado y no posee solución analítica cerrada, se utiliza el algoritmo de esperanza-maximización (EM) para su resolución numérica (obtención de los parámetros del modelo). Sin embargo, como esta solución no es rala, en la sección 4 se describe un test de decisión que, aplicado en forma iterativa, garantiza la raleza eliminando gradualmente los componentes estadísticamente no significativos de la solución. Adicionalmente, en la sección 5, se propone una modificación al algoritmo que reduce la cantidad mínima de datos observados necesarios para obtener una reconstrucción eficiente y precisa de la solución rala. Esta modificación consiste en realizar una compresión óptima de los datos observados antes de aplicar el algoritmo EM.\nEn la sección 6, mediante simulaciones, se ilustra el desempeño del algoritmo, obteniéndose mejorías sobre el método de óptima norma l1.\nFinalmente, en la sección 7, se analiza el comportamiento del algoritmo con señales reales de radar demostrando sus potenciales aplicaciones.
Materia
Ingeniería Eléctrica y Electrónica
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
CIC Digital (CICBA)
Institución
Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
OAI Identificador
oai:digital.cic.gba.gob.ar:11746/4284

id CICBA_53c27b44c9db5d239be9d1dac68dd6a3
oai_identifier_str oai:digital.cic.gba.gob.ar:11746/4284
network_acronym_str CICBA
repository_id_str 9441
network_name_str CIC Digital (CICBA)
spelling Algoritmo con compresión óptima para modelos mixtos lineales ralosPazos, SebastiánMuravchik, Carlos HoracioHurtado, Martín A.Ingeniería Eléctrica y ElectrónicaEn varios problemas de procesamiento de señales los datos observados pueden ser representados mediante la contribución de tres fenómenos: la señal de interés, la interferencia, y el ruido. Atendiendo a su naturaleza frecuentemente aleatoria se requiere el empleo de técnicas estadísticas para obtener información de los datos. Dependiendo de la aplicación, cada uno de los citados fenómenos recibe distintos nombres; por ejemplo, la interferencia se denomina clutter en radar, reverberación en sonar y multicamino en comunicaciones inalámbricas. Estos problemas pueden ser descriptos mediante los denominados modelos lineales mixtos. En la sección 2 se presenta el modelado y el problema a resolver.\nEn varias aplicaciones, como radar, la señal de interés posee una cualidad adicional denominada raleza. Esto quiere decir que la mayor parte de esta señal es nula y sólo posee valores diferentes de cero en unos pocos componentes.\nBuscar una solución rala de un modelo lineal es un problema de optimización no convexo ya que está restringido a minimizar el número de componentes no-nulos de la señal, llamado norma l<sub>c</sub>. Este planteo suele ser muy complicado de resolver por lo que una alternativa es usar una técnica de relajación, creando un problema convexo, buscando una solución con la menor norma l<sub>1</sub>.\nEn la sección 3 de este trabajo se presenta un nuevo algoritmo para la resolución del problema inverso de modelos lineales mixtos ralos subdeterminados, basado en optimizar la función de verosimilitud. Como este problema es mal condicionado y no posee solución analítica cerrada, se utiliza el algoritmo de esperanza-maximización (EM) para su resolución numérica (obtención de los parámetros del modelo). Sin embargo, como esta solución no es rala, en la sección 4 se describe un test de decisión que, aplicado en forma iterativa, garantiza la raleza eliminando gradualmente los componentes estadísticamente no significativos de la solución. Adicionalmente, en la sección 5, se propone una modificación al algoritmo que reduce la cantidad mínima de datos observados necesarios para obtener una reconstrucción eficiente y precisa de la solución rala. Esta modificación consiste en realizar una compresión óptima de los datos observados antes de aplicar el algoritmo EM.\nEn la sección 6, mediante simulaciones, se ilustra el desempeño del algoritmo, obteniéndose mejorías sobre el método de óptima norma l<sub>1</sub>.\nFinalmente, en la sección 7, se analiza el comportamiento del algoritmo con señales reales de radar demostrando sus potenciales aplicaciones.2011-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttps://digital.cic.gba.gob.ar/handle/11746/4284spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/reponame:CIC Digital (CICBA)instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Airesinstacron:CICBA2025-09-29T13:40:16Zoai:digital.cic.gba.gob.ar:11746/4284Institucionalhttp://digital.cic.gba.gob.arOrganismo científico-tecnológicoNo correspondehttp://digital.cic.gba.gob.ar/oai/snrdmarisa.degiusti@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:94412025-09-29 13:40:17.007CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Algoritmo con compresión óptima para modelos mixtos lineales ralos
title Algoritmo con compresión óptima para modelos mixtos lineales ralos
spellingShingle Algoritmo con compresión óptima para modelos mixtos lineales ralos
Pazos, Sebastián
Ingeniería Eléctrica y Electrónica
title_short Algoritmo con compresión óptima para modelos mixtos lineales ralos
title_full Algoritmo con compresión óptima para modelos mixtos lineales ralos
title_fullStr Algoritmo con compresión óptima para modelos mixtos lineales ralos
title_full_unstemmed Algoritmo con compresión óptima para modelos mixtos lineales ralos
title_sort Algoritmo con compresión óptima para modelos mixtos lineales ralos
dc.creator.none.fl_str_mv Pazos, Sebastián
Muravchik, Carlos Horacio
Hurtado, Martín A.
author Pazos, Sebastián
author_facet Pazos, Sebastián
Muravchik, Carlos Horacio
Hurtado, Martín A.
author_role author
author2 Muravchik, Carlos Horacio
Hurtado, Martín A.
author2_role author
author
dc.subject.none.fl_str_mv Ingeniería Eléctrica y Electrónica
topic Ingeniería Eléctrica y Electrónica
dc.description.none.fl_txt_mv En varios problemas de procesamiento de señales los datos observados pueden ser representados mediante la contribución de tres fenómenos: la señal de interés, la interferencia, y el ruido. Atendiendo a su naturaleza frecuentemente aleatoria se requiere el empleo de técnicas estadísticas para obtener información de los datos. Dependiendo de la aplicación, cada uno de los citados fenómenos recibe distintos nombres; por ejemplo, la interferencia se denomina clutter en radar, reverberación en sonar y multicamino en comunicaciones inalámbricas. Estos problemas pueden ser descriptos mediante los denominados modelos lineales mixtos. En la sección 2 se presenta el modelado y el problema a resolver.\nEn varias aplicaciones, como radar, la señal de interés posee una cualidad adicional denominada raleza. Esto quiere decir que la mayor parte de esta señal es nula y sólo posee valores diferentes de cero en unos pocos componentes.\nBuscar una solución rala de un modelo lineal es un problema de optimización no convexo ya que está restringido a minimizar el número de componentes no-nulos de la señal, llamado norma l<sub>c</sub>. Este planteo suele ser muy complicado de resolver por lo que una alternativa es usar una técnica de relajación, creando un problema convexo, buscando una solución con la menor norma l<sub>1</sub>.\nEn la sección 3 de este trabajo se presenta un nuevo algoritmo para la resolución del problema inverso de modelos lineales mixtos ralos subdeterminados, basado en optimizar la función de verosimilitud. Como este problema es mal condicionado y no posee solución analítica cerrada, se utiliza el algoritmo de esperanza-maximización (EM) para su resolución numérica (obtención de los parámetros del modelo). Sin embargo, como esta solución no es rala, en la sección 4 se describe un test de decisión que, aplicado en forma iterativa, garantiza la raleza eliminando gradualmente los componentes estadísticamente no significativos de la solución. Adicionalmente, en la sección 5, se propone una modificación al algoritmo que reduce la cantidad mínima de datos observados necesarios para obtener una reconstrucción eficiente y precisa de la solución rala. Esta modificación consiste en realizar una compresión óptima de los datos observados antes de aplicar el algoritmo EM.\nEn la sección 6, mediante simulaciones, se ilustra el desempeño del algoritmo, obteniéndose mejorías sobre el método de óptima norma l<sub>1</sub>.\nFinalmente, en la sección 7, se analiza el comportamiento del algoritmo con señales reales de radar demostrando sus potenciales aplicaciones.
description En varios problemas de procesamiento de señales los datos observados pueden ser representados mediante la contribución de tres fenómenos: la señal de interés, la interferencia, y el ruido. Atendiendo a su naturaleza frecuentemente aleatoria se requiere el empleo de técnicas estadísticas para obtener información de los datos. Dependiendo de la aplicación, cada uno de los citados fenómenos recibe distintos nombres; por ejemplo, la interferencia se denomina clutter en radar, reverberación en sonar y multicamino en comunicaciones inalámbricas. Estos problemas pueden ser descriptos mediante los denominados modelos lineales mixtos. En la sección 2 se presenta el modelado y el problema a resolver.\nEn varias aplicaciones, como radar, la señal de interés posee una cualidad adicional denominada raleza. Esto quiere decir que la mayor parte de esta señal es nula y sólo posee valores diferentes de cero en unos pocos componentes.\nBuscar una solución rala de un modelo lineal es un problema de optimización no convexo ya que está restringido a minimizar el número de componentes no-nulos de la señal, llamado norma l<sub>c</sub>. Este planteo suele ser muy complicado de resolver por lo que una alternativa es usar una técnica de relajación, creando un problema convexo, buscando una solución con la menor norma l<sub>1</sub>.\nEn la sección 3 de este trabajo se presenta un nuevo algoritmo para la resolución del problema inverso de modelos lineales mixtos ralos subdeterminados, basado en optimizar la función de verosimilitud. Como este problema es mal condicionado y no posee solución analítica cerrada, se utiliza el algoritmo de esperanza-maximización (EM) para su resolución numérica (obtención de los parámetros del modelo). Sin embargo, como esta solución no es rala, en la sección 4 se describe un test de decisión que, aplicado en forma iterativa, garantiza la raleza eliminando gradualmente los componentes estadísticamente no significativos de la solución. Adicionalmente, en la sección 5, se propone una modificación al algoritmo que reduce la cantidad mínima de datos observados necesarios para obtener una reconstrucción eficiente y precisa de la solución rala. Esta modificación consiste en realizar una compresión óptima de los datos observados antes de aplicar el algoritmo EM.\nEn la sección 6, mediante simulaciones, se ilustra el desempeño del algoritmo, obteniéndose mejorías sobre el método de óptima norma l<sub>1</sub>.\nFinalmente, en la sección 7, se analiza el comportamiento del algoritmo con señales reales de radar demostrando sus potenciales aplicaciones.
publishDate 2011
dc.date.none.fl_str_mv 2011-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv https://digital.cic.gba.gob.ar/handle/11746/4284
url https://digital.cic.gba.gob.ar/handle/11746/4284
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:CIC Digital (CICBA)
instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron:CICBA
reponame_str CIC Digital (CICBA)
collection CIC Digital (CICBA)
instname_str Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron_str CICBA
institution CICBA
repository.name.fl_str_mv CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
repository.mail.fl_str_mv marisa.degiusti@sedici.unlp.edu.ar
_version_ 1844618613728739328
score 13.070432