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
- Institución
- Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
- OAI Identificador
- oai:digital.cic.gba.gob.ar:11746/4284
Ver los metadatos del registro completo
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 |