abbr. SJ GMU
ISSN 2657-5841 (printed)
ISSN 2657-6988 (online)
DOI: 10.26408
Modele optymalnego przetwarzania sygnałów losowych
Models of random signals optimal processing
Abstract:
Estimation of random signals is a very important tool for design of different systems. The goal of this article is a review of Classical methods and newer, e.g. machine learning, structures of MMSE estimators.
Streszczenie:
Estymacja sygnałów losowych jest istotnym zagadnieniem matematycznym, mającym zastosowanie w wielu dziedzinach nauki i techniki. Celem niniejszego artykułu jest porównanie procedur estymacji sygnałów losowych z wykorzystaniem liniowych estymatorów MMSE (Minimum Mean-Squared Error – minimum błędu średniokwadratowego).
Słowa kluczowe:
optymalne przetwarzanie sygnałów
Issue:
Pages:
50
69
Download full text in pdf:
References:
Brammer K., Siffling G., Kalman-Bucy-Filter, R. Oldenbourg Verlag, 1975.
Cevher V., Becker S., Schmidt N., Convex Optimization for Big Data, Signal Processing Magazine, September 2014, vol. 31, no. 5.
Clarkson P.M., Optimal and Adaptive Signal Processing, CRC Press, Inc., 1993.
Eckmann B., Topology, Algebra, Analysis-Relations and Missing Links, Notices of the AMS, 1999, vol. 46, no. 5.
Eldar Y.C., Quantum Signal Processing, Ph. D. Dissertation, MIT, 2001.
Eldar Y.C., Oppenheim A.V., Quantum Signal Processing, IEEE Signal Proc. Magazine, 2002, vol. 19, no. 6.
Haykin S., Neural Networks and Learning Machines, Pearson Education, Inc., 2009.
Jakóbczak D., Zastosowanie dyskretnego operatora Hurwitza-Radona, rozprawa doktorska, Polsko-Japońska Wyższa Szkoła Technik Komputerowych, Warszawa 2006.
Poggio T., Smale S., The Mathematics of Learning: Dealing with Data, Notices of the AMS, 2003, vol. 50, no. 5, s. 537–544.
Sieńko W., Citko W., Hamiltonian Neural Networks Based Networks for Learning, [w:] Machine Learning, red. A. Mellouk, A. Chebira, I-Tech, Vienna 2009, s. 75–92.