論文の概要: Optimization of loading factor preventing target cancellation
- arxiv url: http://arxiv.org/abs/2010.07010v1
- Date: Fri, 9 Oct 2020 14:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 06:35:14.560456
- Title: Optimization of loading factor preventing target cancellation
- Title(参考訳): 目標キャンセル防止負荷係数の最適化
- Authors: Boris N. Oreshkin and Peter A. Bakulev
- Abstract要約: 本稿では、干渉と雑音比(SINR)に対する経験的信号のサンプルに基づく負荷係数最適化のための反復アルゴリズムを提案する。
提案手法は, 構造的共分散行列と信号浸透モデルに関する仮定に依存しない。
- 参考スコア(独自算出の注目度): 11.193504036335503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive algorithms based on sample matrix inversion belong to an important
class of algorithms used in radar target detection to overcome prior
uncertainty of interference covariance. Sample matrix inversion problem is
generally ill conditioned. Moreover, the contamination of the empirical
covariance matrix by the useful signal leads to significant degradation of
performance of this class of adaptive algorithms. Regularization, also known in
radar literature as sample covariance loading, can be used to combat both ill
conditioning of the original problem and contamination of the empirical
covariance by the desired signal. However, the optimum value of loading factor
cannot be derived unless strong assumptions are made regarding the structure of
covariance matrix and useful signal penetration model. In this paper an
iterative algorithm for loading factor optimization based on the maximization
of empirical signal to interference plus noise ratio (SINR) is proposed. The
proposed solution does not rely on any assumptions regarding the structure of
empirical covariance matrix and signal penetration model. The paper also
presents simulation examples showing the effectiveness of the proposed
solution.
- Abstract(参考訳): サンプル行列反転に基づく適応アルゴリズムは、干渉共分散の事前の不確かさを克服するためにレーダーターゲット検出で使用される重要なアルゴリズムのクラスに属する。
サンプル行列反転問題は一般に不調である。
さらに、有用な信号による経験的共分散行列の汚染により、この種の適応アルゴリズムの性能が著しく低下する。
レーダー文献ではサンプル共分散負荷としても知られている正則化は、元の問題の悪条件化と、所望の信号による経験的共分散の汚染の両方に対処できる。
しかし、共分散行列と有用な信号の浸透モデルの構造について強い仮定をしなければ、負荷係数の最適値は導出できない。
本稿では,実験信号の干渉と雑音比(sinr)に対する最大化に基づく負荷係数最適化のための反復アルゴリズムを提案する。
提案する解は, 経験的共分散行列と信号浸透モデルの構造について, いかなる仮定にも依存しない。
また,提案手法の有効性を示すシミュレーション例を示した。
関連論文リスト
- $\ell_0$ factor analysis [25.14792952830999]
低ランク成分に対する核ノルムを用いた最適化問題を定式化する。
最適化問題の解法として、交互最小化アルゴリズムを設計する。
アルゴリズムの有効性は、合成データセットと実データセットのシミュレーションによって検証される。
論文 参考訳(メタデータ) (2024-11-13T09:40:23Z) - Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。
3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。
合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2024-05-26T15:18:22Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳(メタデータ) (2024-01-24T19:04:49Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳(メタデータ) (2023-02-13T19:57:17Z) - Learning Large Causal Structures from Inverse Covariance Matrix via
Sparse Matrix Decomposition [2.403264213118039]
本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。
提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。
本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
論文 参考訳(メタデータ) (2022-11-25T16:32:56Z) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳(メタデータ) (2022-09-27T09:06:37Z) - Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。
我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。
UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
論文 参考訳(メタデータ) (2022-07-31T12:09:32Z) - False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。
SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
論文 参考訳(メタデータ) (2021-10-24T15:34:03Z) - Adaptive filters for the moving target indicator system [10.152838128195468]
適応アルゴリズムの収束性を改善する2つの手法を提案する。
提案手法は, 干渉プラスノイズ比 (SINR) に対する経験的信号に基づく。
シミュレーションデータを用いてその効果を示す。
論文 参考訳(メタデータ) (2020-12-31T04:22:55Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - Sparse recovery by reduced variance stochastic approximation [5.672132510411465]
雑音観測によるスパース信号回復問題に対する反復2次最適化ルーチンの適用について論じる。
本稿では,Median-of-Meansのような手法を用いて,対応するソリューションの信頼性を向上する方法について述べる。
論文 参考訳(メタデータ) (2020-06-11T12:31:20Z)
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。