Time-varying source separation by joint diagnolization on autocovariances
Tekijät
Päivämäärä
2020Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Sokealla signaalinerottelulla (Blind Source Separation, BSS) pyritään erottelemaan todelliset signaalit havaituista signaaleista, kun ennakkotietoja sekoitusmatriisista ja todellisista signaaleista on vain vähän saatavilla. BSS-ongelmien ratkaisemiseksi on kehitetty erilaisia menetelmiä. Näistä toisen asteen sokea signaalinerottelu (Second-Order Blind Identification, SOBI) tunnistaa lähteet toisen asteen tunnuslukujen avulla (Tong et al., 1994). Tässä opinnäytetyössä tarkastellaan toisen asteen sokean signaalinerottelumallin laajennusta (Yeredor, 2003), jossa sekoitusmatriisi muuttuu ajassa. Työssä esitellään paranneltu versio Yeredorin TV-SOBI (time-varying SOBI) algoritmista sekä sen variaatioita. Algoritmit pyrkivät estimoimaan sekoitusmatriisin ja edelleen latentit signaalit otosautokovarianssimatriisin hajotelman sekä yhteisdiagonalisoinnin avulla. Kehitetyn algoritmin (linearly time-varying SOBI, LTV-SOBI) suorituskysyä arvioidaan simulointien avulla. Suorituskyvyn mittarina käytetään tässä työssä kehitettyä signaali-häiriö suhteen (Signal-to-Inference Ratio, SIR, Yeredor, 2003) laajennusta aikamuuttuvan signaalin tapaukseen. Simulaatiotulokset osoittavat uuden LTV-SOBI-algoritmin paremmuuden verrattuna Yeredorin TV-SOBI-algoritmiin. Tulokset eivät tosin ole vielä optimaalisia. Lisäksi työssä esitellään LTV-SOBI algorithmin R implementointi sekä interaktiivinen R Shiny sovellus, jonka avulla algoritmien suorituskykyä voidaan vertailla.
...
Blind Source Separation (BSS) seeks to recover the true signals from the observed ones when only limited information about the mixing matrix and the original sources are available. There are various methodologies established to solvetheBSSproblems, andnotably, Second-OrderBlindIdentification(SOBI) identifiessourcesthroughsecond-orderstatistics(Tongetal., 1994). Thisthesis stretches the Second-Order Source Separation (SOS) model in terms of latent time variation in the mixing mechanism that was initially proposed by Yeredor (2003). An improved algorithm, Linearly Time-Varying SOBI (LTV-SOBI), togetherwithalternativesattemptstoestimatemixingparametersandultimately derives latent independent sources employing sample autocovariance decomposition and joint diagonalization. The performance of LTV-SOBI is analyzed withsimulateddatabyextendingtheperformancemetricSignal-to-interference ratio (SIR, Yeredor, 2003) into the time-varying case. Simulation results suggest the superiority of the new LTV-SOBI algorithm compared with Yeredor’s TV-SOBI algorithm, despite overall results are still non-optimal. In addition to the full implementation of LTV-SOBI algorithm in R, an interactive dashboard is designed to enable further outlook of algorithm performance.
...
Asiasanat
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- Pro gradu -tutkielmat [28992]
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
A review of second‐order blind identification methods
Pan, Yan; Matilainen, Markus; Taskinen, Sara; Nordhausen, Klaus (John Wiley & Sons, 2022)Second order source separation (SOS) is a data analysis tool which can be used for revealing hidden structures in multivariate time series data or as a tool for dimension reduction. Such methods are nowadays increasingly ... -
Robust second-order stationary spatial blind source separation using generalized sign matrices
Sipilä, Mika; Muehlmann, Christoph; Nordhausen, Klaus; Taskinen, Sara (Elsevier, 2024)Consider a spatial blind source separation model in which the observed multivariate spatial data are assumed to be a linear mixture of latent stationary spatially uncorrelated random fields. The objective is to recover an ... -
Rejoinder to Comments on Recent Developments in PLS
Evermann, Jöerg; Rönkkö, Mikko (Association for Information Systems, 2023)When we were first invited to write an essay on the use of PLS for CAIS, we wanted to focus on recent developments to help applied IS researchers, and the CAIS community of authors, reviewers, and editors make use of the ... -
Recent Developments in PLS
Evermann, Jöerg; Rönkkö, Mikko (Association for Information Systems, 2023)Partial least squares (PLS) path modeling is a widely used method in the information systems (IS) discipline for estimating linear structural equation models. At the same time, researchers have debated its relative merits ... -
Signal dimension estimation in BSS models with serial dependence
Nordhausen, Klaus; Taskinen, Sara; Virta, Joni (IEEE, 2022)Many modern multivariate time series datasets contain a large amount of noise, and the first step of the data analysis is to separate the noise channels from the signals of interest. A crucial part of this dimension reduction ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.