論文の概要: Noisy distributed sensing in the Bayesian regime

• arxiv url: http://arxiv.org/abs/2003.05341v1
• Date: Wed, 11 Mar 2020 14:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 11:10:30.410048
• Title: Noisy distributed sensing in the Bayesian regime
• Title（参考訳）: ベイズ政権におけるノイズ分散センシング
• Authors: S. W\"olk, P. Sekatski, and W. D\"ur
• Abstract要約: 本研究では,ベイズ政権における空間依存性を考慮したスカラー信号の非局所センシングについて考察する。 我々は、最適なスケーリングを実現し、信号と空間的依存の異なるノイズ源に免疫できるスキームを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider non-local sensing of scalar signals with specific spatial dependence in the Bayesian regime. We design schemes that allow one to achieve optimal scaling and are immune to noise sources with a different spatial dependence than the signal. This is achieved by using a sensor array of spatially separated sensors and constructing a multi-dimensional decoherence free subspace. While in the Fisher regime with sharp prior and multiple measurements only the spectral range $\Delta$ is important, in single-shot sensing with broad prior the number of available energy levels $L$ is crucial. We study the influence of $L$ and $\Delta$ also in intermediate scenarios, and show that these quantities can be optimized separately in our setting. This provides us with a flexible scheme that can be adapted to different situations, and is by construction insensitive to given noise sources.
• Abstract（参考訳）: ベイズ政権において,特定の空間依存を持つスカラー信号の非局所的センシングについて検討する。 我々は,最適なスケーリングを実現するためのスキームをデザインし,信号と空間依存性の異なる音源に対して免疫を付与する。 これは空間的に分離されたセンサのセンサーアレイを使用し、多次元デコヒーレンス自由部分空間を構築することによって達成される。 鋭い事前と複数の測定値を持つフィッシャー政権では、スペクトル範囲$\delta$のみが重要であるが、単一ショットセンシングでは、利用可能なエネルギーレベル$l$が重要である。 l$ と $\delta$ の影響を中間のシナリオで検討し、これらの量を我々の設定で別々に最適化できることを示した。 これにより、異なる状況に適応できるフレキシブルなスキームが提供され、与えられたノイズ源に不感な構造になっている。

関連論文リスト

• Distributed Blind Source Separation based on FastICA [47.97358059404364]
  本稿では,元の信号源の同定を目的とした分散独立成分分析(ICA)アルゴリズムを提案する。 最もよく使われるICAアルゴリズムの1つはFastICAと呼ばれ、空間的な事前白化操作を必要とする。 我々は、いわゆる分散適応信号融合フレームワークの特性を活用することにより、ネットワーク全体の事前白化の明確なステップを回避することができることを示す。
  論文  参考訳（メタデータ） (2024-10-24T19:27:05Z)
• Neural Gaussian Scale-Space Fields [60.668800252986976]
  任意の信号の連続的異方性ガウススケール空間を効率よく学習する手法を提案する。 我々の手法は自己指導的であり、訓練は手作業によるフィルタリングを必要としない。 我々のニューラルガウススケール空間場は、幅広いモダリティの多スケール表現を忠実に捉えている。
  論文  参考訳（メタデータ） (2024-05-31T16:26:08Z)
• Weighted-Sum Gaussian Process Latent Variable Models [3.363009736572744]
  我々は信号分離のための非パラメトリックなアプローチを開発し、信号は潜時変数に応じて変化する可能性がある。 我々の貢献は分光学に特に関係しており、そこでは変化条件が変化し、基礎となる純粋な成分信号がサンプルからサンプルへと変化する可能性がある。
  論文  参考訳（メタデータ） (2024-02-14T12:18:23Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Multi-channel Speech Separation Using Spatially Selective Deep Non-linear Filters [21.672683390080106]
  複数話者による複数チャンネル分離タスクにおいて、混合音から各音声信号を復元することを目的とする。 本研究では,深層ニューラルネットワークを用いた空間選択的フィルタ(SSF)を提案する。
  論文  参考訳（メタデータ） (2023-04-24T11:44:00Z)
• MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware Beamforming Network for Speech Separation [55.533789120204055]
  混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。 具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
  論文  参考訳（メタデータ） (2022-12-07T01:52:40Z)
• Spatially Selective Deep Non-linear Filters for Speaker Extraction [21.422488450492434]
  我々は任意の目標方向に操ることのできる深部結合型空間スペクトル非線形フィルタを開発した。 本研究では,本方式がベースライン方式よりも有効であることを示し,フィルタの柔軟性を性能的に向上させる。
  論文  参考訳（メタデータ） (2022-11-04T12:54:06Z)
• Approximate decoherence free subspaces for distributed sensing [0.3093890460224435]
  センサネットワークを用いた空間依存性を考慮したスカラー値場の検出について検討する。 空間的相関を利用して、特定の信号のみを感知し、異なる位置の他者に対して無神経であることを示す。 このアプローチは,長期間にわたって,多数のセンサに対して,ハイゼンベルクスケーリングの維持に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-25T18:09:27Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。