論文の概要: Sparsity-Aware Robust Normalized Subband Adaptive Filtering algorithms based on Alternating Optimization

• arxiv url: http://arxiv.org/abs/2205.07172v1
• Date: Sun, 15 May 2022 03:38:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 17:30:35.427520
• Title: Sparsity-Aware Robust Normalized Subband Adaptive Filtering algorithms based on Alternating Optimization
• Title（参考訳）: 交互最適化に基づくスパーシティアウェアロバスト正規化サブバンド適応フィルタリングアルゴリズム
• Authors: Yi Yu, Zongxin Huang, Hongsen He, Yuriy Zakharov and Rodrigo C. de Lamare
• Abstract要約: 本稿では, 雑音下でのスパースシステムの同定のためのSA-RNSAFアルゴリズムを提案する。 提案したSA-RNSAFアルゴリズムは,ロバストな基準とスパース性を考慮したペナルティを定義することで,異なるアルゴリズムを一般化する。
• 参考スコア（独自算出の注目度）: 27.43948386608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a unified sparsity-aware robust normalized subband adaptive filtering (SA-RNSAF) algorithm for identification of sparse systems under impulsive noise. The proposed SA-RNSAF algorithm generalizes different algorithms by defining the robust criterion and sparsity-aware penalty. Furthermore, by alternating optimization of the parameters (AOP) of the algorithm, including the step-size and the sparsity penalty weight, we develop the AOP-SA-RNSAF algorithm, which not only exhibits fast convergence but also obtains low steady-state misadjustment for sparse systems. Simulations in various noise scenarios have verified that the proposed AOP-SA-RNSAF algorithm outperforms existing techniques.
• Abstract（参考訳）: そこで本論文では,sparsity-aware robust subband adaptive filter (sa-rnsaf) アルゴリズムを提案する。 提案したSA-RNSAFアルゴリズムは,ロバストな基準とスパース性を考慮したペナルティを定義することで,異なるアルゴリズムを一般化する。 さらに,ステップサイズとスパースペナルティ重みを含むアルゴリズムのパラメータ(AOP)の最適化を交互に行うことにより,高速収束を示すだけでなく,スパースシステムに対する低定常不整合が得られるAOP-SA-RNSAFアルゴリズムを開発した。 AOP-SA-RNSAFアルゴリズムが既存の手法より優れていることが、様々なノイズシナリオのシミュレーションによって証明されている。

関連論文リスト

• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Floorplanning of VLSI by Mixed-Variable Optimization [42.82770651937298]
  本稿では,混合変数のフロアプランニング問題を解くためのメメティックアルゴリズムを提案する。 提案アルゴリズムは、著名なB*木に基づくフロアプランニングアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-01-27T06:34:16Z)
• A Hybrid SFANC-FxNLMS Algorithm for Active Noise Control based on Deep Learning [17.38644275080562]
  Filtered-X normalized least-mean-square (FxNLMS)アルゴリズムは適応最適化により低い定常誤差を得ることができる。 本稿では,適応アルゴリズムの緩やかな収束を克服するためのハイブリッドSFANC-FxNLMS手法を提案する。 実験の結果,ハイブリッドSFANC-FxNLMSアルゴリズムは高速応答時間,低雑音低減誤差,高強靭性を実現可能であることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T05:42:39Z)
• Study of General Robust Subband Adaptive Filtering [47.29178517675426]
  インパルス雑音に対する汎用ロバストサブバンド適応フィルタ法(GR-SAF)を提案する。 M推定および最大コレントロピーロバスト基準から異なるスケーリング係数を選択することで、GR-SAFアルゴリズムを簡単に得ることができる。 提案したGR-SAFアルゴリズムは、可変正則化ロバスト正規化SAFアルゴリズムに還元することができ、高速収束率と低定常誤差を有する。
  論文  参考訳（メタデータ） (2022-08-04T01:39:03Z)
• Study of Robust Sparsity-Aware RLS algorithms with Jointly-Optimized Parameters for Impulsive Noise Environments [0.0]
  提案アルゴリズムは,ロバスト性およびスペーサ性を考慮したペナルティの特定の基準を置き換えることによって,複数のアルゴリズムを一般化する。 忘れ係数と空間的ペナルティパラメータを協調的に最適化することにより,共同最適化されたS-RRLS (JO-S-RRLS) アルゴリズムを開発した。 インパルスノイズシナリオのシミュレーションにより、提案したS-RRLSアルゴリズムとJO-S-RRLSアルゴリズムが既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-09T01:13:26Z)
• Adaptive Differentially Private Empirical Risk Minimization [95.04948014513226]
  本稿では,適応的(確率的)勾配摂動法を提案する。 ADP法は,バニラランダムノイズを付加した標準微分プライベート法と比較して,実用性保証を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-10-14T15:02:20Z)
• Study of Proximal Normalized Subband Adaptive Algorithm for Acoustic Echo Cancellation [23.889870461547105]
  スパースシナリオに適した正規化サブバンド適応フィルタを提案する。 提案アルゴリズムは, 近位前方分割法とソフトスレッショルド法に基づいて導出する。 シミュレーションによって支援されるアルゴリズムの平均および平均2乗挙動を解析する。
  論文  参考訳（メタデータ） (2021-08-14T22:20:09Z)
• Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
  政治政策の最適化は強化学習において難しい問題である。 オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
  論文  参考訳（メタデータ） (2020-09-14T16:22:46Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。