論文の概要: Graph Normalized-LMP Algorithm for Signal Estimation Under Impulsive Noise

• arxiv url: http://arxiv.org/abs/2203.00320v1
• Date: Tue, 1 Mar 2022 09:50:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 15:42:42.784910
• Title: Graph Normalized-LMP Algorithm for Signal Estimation Under Impulsive Noise
• Title（参考訳）: インパルス雑音下での信号推定のためのグラフ正規化LMPアルゴリズム
• Authors: Yi Yan, Radwa Adel, Ercan Engin Kuruoglu
• Abstract要約: グラフ信号処理(GSP)のための適応グラフ正規化最小pthパワー(GNLMP)アルゴリズムを提案する。 GNLMPアルゴリズムは、ガウス雑音によって破損したグラフ信号を重み付き特性で再構成する能力を有する。 安定状態および時間変化グラフ信号の推定におけるGNLMPアルゴリズムの性能は,GLMPよりも高速で,GLMSやGNLMSと比較して頑健であることを示す。
• 参考スコア（独自算出の注目度）: 1.1279808969568252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce an adaptive graph normalized least mean pth power (GNLMP) algorithm for graph signal processing (GSP) that utilizes GSP techniques, including bandlimited filtering and node sampling, to estimate sampled graph signals under impulsive noise. Different from least-squares-based algorithms, such as the adaptive GSP Least Mean Squares (GLMS) algorithm and the normalized GLMS (GNLMS) algorithm, the GNLMP algorithm has the ability to reconstruct a graph signal that is corrupted by non-Gaussian noise with heavy-tailed characteristics. Compared to the recently introduced adaptive GSP least mean pth power (GLMP) algorithm, the GNLMP algorithm reduces the number of iterations to converge to a steady graph signal. The convergence condition of the GNLMP algorithm is derived, and the ability of the GNLMP algorithm to process multidimensional time-varying graph signals with multiple features is demonstrated as well. Simulations show the performance of the GNLMP algorithm in estimating steady-state and time-varying graph signals is faster than GLMP and more robust in comparison to GLMS and GNLMS.
• Abstract（参考訳）: 本稿では,帯域制限フィルタやノードサンプリングを含むGSP技術を用いたグラフ信号処理(GSP)のための適応グラフ正規化最小pthパワー(GNLMP)アルゴリズムを導入し,インパルス雑音下でのサンプルグラフ信号の推定を行う。 適応型GSP Least Mean Squares (GLMS) アルゴリズムや正規化GLMS (GNLMS) アルゴリズムなど、最小二乗法に基づくアルゴリズムとは異なり、GNLMP アルゴリズムはガウス雑音によって重みのある特徴を持つグラフ信号を再構成することができる。 最近導入された適応型GSP最小pthパワー(GLMP)アルゴリズムと比較して、GNLMPアルゴリズムは安定グラフ信号に収束する反復回数を減らす。 GNLMPアルゴリズムの収束条件が導出され、GNLMPアルゴリズムが多次元の時間変化グラフ信号を複数の特徴で処理する能力も示される。 安定状態および時間変化グラフ信号の推定におけるGNLMPアルゴリズムの性能は,GLMPよりも高速で,GLMSやGNLMSと比較して頑健であることを示す。

関連論文リスト

• Adaptive Least Mean pth Power Graph Neural Networks [5.4004917284050835]
  オンライングラフ信号推定のための適応フィルタとグラフニューラルネットワークを組み合わせた普遍的なフレームワークを提案する。 LMP-GNNは、ノイズや観察の欠如、オンライン更新機能を扱う際の適応フィルタリングの利点を保っている。 4つの異なる雑音分布下での2つの実世界の温度グラフとトラヒックグラフに関する実験結果から,提案したLMP-GNNの有効性とロバスト性が確認された。
  論文  参考訳（メタデータ） (2024-05-07T08:28:51Z)
• Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
  本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。 また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
  論文  参考訳（メタデータ） (2024-02-12T13:20:52Z)
• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• Adaptive Spatio-temporal Estimation on the Graph Edges via Line Graph Transformation [3.6448362316632115]
  線形グラフ変換を利用したLGLMS (Line Graph Least Mean Square) アルゴリズムを提案する。 LGLMSは古典的なLMSアルゴリズムに類似した適応アルゴリズムであるが、グラフエッジに適用される。
  論文  参考訳（メタデータ） (2023-11-01T17:02:41Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Learning Sparse Graphs via Majorization-Minimization for Smooth Node Signals [8.140698535149042]
  本稿では,その隣接行列を推定することにより,スパース重み付きグラフを学習するアルゴリズムを提案する。 提案アルゴリズムは,本論文におけるいくつかの既存手法よりも,平均反復回数の観点から,より高速に収束することを示す。
  論文  参考訳（メタデータ） (2022-02-06T17:06:13Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。