論文の概要: Extended method for Statistical Signal Characterization using moments and cumulants: Application to recognition of pattern alterations in pulse-like waveforms employing Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2212.14783v1
• Date: Fri, 23 Dec 2022 05:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 05:35:31.329514
• Title: Extended method for Statistical Signal Characterization using moments and cumulants: Application to recognition of pattern alterations in pulse-like waveforms employing Artificial Neural Networks
• Title（参考訳）: モーメントと累積成分を用いた統計的信号推定法の拡張:ニューラルネットワークを用いたパルス状波形のパターン変化認識への応用
• Authors: G. H. Bustos and H. H. Segnorile
• Abstract要約: 本稿では,前処理信号の段階として適用可能な波形の特徴を特徴付ける統計的手法を提案する。 提案手法は,パターン認識に有効な手法である。
• 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 propose a statistical procedure to characterize and extract features from a waveform that can be applied as a pre-processing signal stage in a pattern recognition task using Artificial Neural Networks. Such a procedure is based on measuring a 30-parameters set of moments and cumulants from the waveform, its derivative, and its integral. The technique is presented as an extension of the Statistical Signal Characterization method existing in the literature. As a testing methodology, we used the procedure to distinguish a pulse-like signal from different versions of itself with frequency spectrum alterations or deformations. The recognition task was performed by single feed-forward back-propagation networks trained for the case Sinc-, Gaussian-, and Chirp-pulse waveform. Because of the success obtained in these examples, we can conclude that the proposed extended statistical signal characterization method is an effective tool for pattern-recognition applications. In particular, we can use it as a fast pre-processing stage in embedded systems with limited memory or computational capability.
• Abstract（参考訳）: 本稿では,ニューラルネットワークを用いたパターン認識タスクにおいて,前処理信号の段階として適用可能な波形の特徴を特徴付ける統計的手法を提案する。 このような手順は、波形、その微分、およびその積分から30パラメータのモーメントと累積を計測することに基づいている。 本手法は,文献に存在する統計的信号特性評価法の拡張として提示される。 テスト手法として,周波数スペクトルの変化や変形によりパルス様信号とそれ自身を区別する手法を用いた。 認識タスクは、Sinc-, Gaussian-, Chirp-pulseウェーブフォームで訓練された単一フィードフォワードバックプロパゲーションネットワークによって実行された。 これらの例で得られた結果から,提案手法はパターン認識に有効なツールであると考えられる。 特に、メモリや計算能力に制限のある組み込みシステムでは、高速前処理ステージとして使用できる。

関連論文リスト

• Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
  本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。 提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
  論文  参考訳（メタデータ） (2024-03-18T21:07:57Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• Bayesian inference and neural estimation of acoustic wave propagation [10.980762871305279]
  本稿では,物理と機械学習を組み合わせて音響信号を解析する新しい枠組みを提案する。 この課題のために, スペクトル音響特性を推定するベイズ推定法, 前方および後方の物理的損失をニューラルネットワークに装備するニューラルネットワーク物理モデル, ベンチマークとして機能する非線形最小二乗法, の3つの手法が開発された。 このフレームワークの単純さと効率性は、シミュレーションデータ上で実証的に検証されている。
  論文  参考訳（メタデータ） (2023-05-28T15:14:46Z)
• Digital noise spectroscopy with a quantum sensor [57.53000001488777]
  本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。 ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。 ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
  論文  参考訳（メタデータ） (2022-12-19T02:19:35Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring [6.644008481573341]
  信号強度の半ガウス的確率によって入力信号と重み特徴を符号化し,フィルタリングし,蓄積する適応的手法を提案する。 提案手法の有効性を検証し,将来有望な方向性を明らかにするため,最先端手法に対する最大の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2022-04-02T11:21:49Z)
• Data-driven detector signal characterization with constrained bottleneck autoencoders [0.0]
  制約付きボトルネックオートエンコーダという形でのディープラーニングは、データから直接、基盤となる未知の検出器応答モデルを学ぶために使用することができる。 トレーニングされたアルゴリズムは、モデルの物理パラメータを推定し、高い忠実度で検出器応答をシミュレートし、検出器信号をデノネーズするために同時に使用することができる。
  論文  参考訳（メタデータ） (2022-03-09T09:46:10Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。