Modele optymalnego przetwarzania sygnałów losowych

• Autorzy: Citko W. , Sieńko W.

Warianty tytułu

EN

Models of random signals optimal processing

• Języki publikacji: PL

Abstrakty

PL

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).

EN

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.

Słowa kluczowe

PL

optymalne przetwarzanie sygnałów; estymacja sygnałów losowych

EN

optimal signal processing; estimation of random signals

• Wydawca: Wydawnictwo Uniwersytetu Morskiego w Gdyni
• Czasopismo: Zeszyty Naukowe Akademii Morskiej w Gdyni
• Rocznik: 2015
• Tom: nr 90
• Strony: 50--69
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Citko W.

• Akademia Morska w Gdyni

autor

Sieńko W.

• Akademia Morska w Gdyni

Bibliografia

• 1. Brammer K., Siffling G., Kalman-Bucy-Filter, R. Oldenbourg Verlag, 1975.
• 2. Cevher V., Becker S., Schmidt N., Convex Optimization for Big Data, Signal Processing Magazine, September 2014, vol. 31, no. 5.
• 3. Clarkson P.M., Optimal and Adaptive Signal Processing, CRC Press, Inc., 1993.
• 4. Eckmann B., Topology, Algebra, Analysis-Relations and Missing Links, Notices of the AMS, 1999, vol. 46, no. 5.
• 5. Eldar Y.C., Quantum Signal Processing, Ph. D. Dissertation, MIT, 2001.
• 6. Eldar Y.C., Oppenheim A.V., Quantum Signal Processing, IEEE Signal Proc. Magazine, 2002, vol. 19, no. 6.
• 7. Haykin S., Neural Networks and Learning Machines, Pearson Education, Inc., 2009.
• 8. Jakóbczak D., Zastosowanie dyskretnego operatora Hurwitza-Radona, rozprawa doktorska, Polsko-Japońska Wyższa Szkoła Technik Komputerowych, Warszawa 2006.
• 9. Poggio T., Smale S., The Mathematics of Learning: Dealing with Data, Notices of the AMS, 2003, vol. 50, no. 5, s. 537–544.
• 10. 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.