Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Higher-Order Block Term Decomposition for Spatially Folded fMRI Data Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Blind Source Separation of Single Channel Mixture Using Tensorization and Tensor Diagonalization

verfasst von : Anh-Huy Phan, Petr Tichavský, Andrzej Cichocki

Erschienen in: Latent Variable Analysis and Signal Separation

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper deals with estimation of structured signals such as damped sinusoids, exponentials, polynomials, and their products from single channel data. It is shown that building tensors from this kind of data results in tensors with hidden block structure which can be recovered through the tensor diagonalization. The tensor diagonalization means multiplying tensors by several matrices along its modes so that the outcome is approximately diagonal or block-diagonal of 3-rd order tensors. The proposed method can be applied to estimation of parameters of multiple damped sinusoids, and their products with polynomial.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Fast Nonnegative Matrix Factorization and Completion Using Nesterov Iterations
Nächstes Kapitel High-Resolution Subspace-Based Methods: Eigenvalue- or Eigenvector-Based Estimation?
Anhänge
Nur mit Berechtigung zugänglich
Fußnoten
1
The NLS algorithm is available in the Tensorlab toolbox at www.​tensorlab.​net.
 
Literatur
1.
Cichocki, A., Zdunek, R., Phan, A.-H., Amari, S.: Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation. Wiley, Chichester (2009)CrossRef
2.
Cichocki, A., Mandic, D., Caiafa, C., Phan, A.-H., Zhou, G., Zhao, Q., Lathauwer, L.D.: Multiway component analysis: tensor decompositions for signal processing applications. IEEE Sig. Process. Mag. 32(2), 145–163 (2015)CrossRef
3.
Comon, P., Jutten, C. (eds.): Handbook of Blind Source Separation: Independent Component Analysis and Applications. Academic Press, Cambridge (2010)
4.
Proakis, J., Manolakis, D.: Digital Signal Processing: Principles, Algorithms, Applications. Macmillan, London (1992)
5.
Kumaresan, R., Tufts, D.: Estimating the parameters of exponentially damped sinusoids and pole-zero modelling in noise. IEEE Trans. Acoust. Speech Sig. Proces. 30(7), 837–840 (1982)
6.
Hua, Y., Sarkar, T.: Matrix pencil method for estimating parameters of exponentially damped/undamped sinusoid in noise. IEEE Trans. Acoust. Speech Sig. Process. 38(5), 814–824 (1990)MathSciNetCrossRefMATH
7.
Papy, J.M., De Lathauwer, L., Van Huffel, S.: Exponential data fitting using multilinear algebra: the single-channel and the multichannel case. Numer. Linear Algebra Appl. 12(9), 809–826 (2005)MathSciNetCrossRefMATH
8.
Nion, D., Sidiropoulos, N.D.: Tensor algebra and multidimensional harmonic retrieval in signal processing for MIMO radar. IEEE Trans. Sig. Process. 58, 5693–5705 (2010)MathSciNetCrossRef
9.
Wen, F., So, H.C.: Robust multi-dimensional harmonic retrieval using iteratively reweighted HOSVD. IEEE Sig. Process. Lett. 22, 2464–2468 (2015)CrossRef
10.
Sørensen, M., De Lathauwer, L.: Multidimensional harmonic retrieval via coupled canonical polyadic decomposition - Part 1: model and identifiability. IEEE Trans. Sig. Process. 65(2), 517–527 (2017)MathSciNetCrossRef
11.
De Lathauwer, L.: Blind separation of exponential polynomials and the decomposition of a tensor in rank-(\(L_r\),\(L_r\),1) terms. SIAM J. Matrix Anal. Appl. 32(4), 1451–1474 (2011)MathSciNetCrossRefMATH
12.
De Lathauwer, L.: Block component analysis, a new concept for blind source separation. In: Proceedings of the 10th International Conference on LVA/ICA, Tel Aviv, 12–15 March, pp. 1–8 (2012)
13.
Tichavský, P., Phan, A.-H., Cichocki, A.: Tensor diagonalization-a new tool for PARAFAC and block-term decomposition (2014). arXiv preprint arXiv:​1402.​1673
14.
Kouchaki, S., Sanei, S.: Tensor based singular spectrum analysis for nonstationary source separation. In: Proceedings of the 2013 IEEE International Workshop on Machine Learning for Signal Processing, Southampton, UK (2013)
15.
Debals, O., Lathauwer, L.: Stochastic and deterministic tensorization for blind signal separation. In: Vincent, E., Yeredor, A., Koldovský, Z., Tichavský, P. (eds.) LVA/ICA 2015. LNCS, vol. 9237, pp. 3–13. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-22482-4_​1
16.
Boussé, M., Debals, O., De Lathauwer, L.: A tensor-based method for large-scale blind source separation using segmentation. IEEE Trans. Sig. Process. 65(2), 346–358 (2017)MathSciNetCrossRef
17.
Cichocki, A., Namgil, L., Oseledets, I., Phan, A.-H., Zhao, Q., Mandic, D.P.: Tensor networks for dimensionality reduction and large-scale optimization. Found. Trends\(\textregistered \) Mach. Learn. 9(4–5) (2017)
18.
Sorber, L., Van Barel, M., De Lathauwer, L.: Structured data fusion. IEEE J. Sel. Top. Sign. Proces. 9(4), 586–600 (2015)CrossRef
19.
Hayes, M.: Statistical Digital Signal Processing and Modeling. Wiley, Hoboken (1996)
Metadaten
Titel
Blind Source Separation of Single Channel Mixture Using Tensorization and Tensor Diagonalization
verfasst von
Anh-Huy Phan
Petr Tichavský
Andrzej Cichocki
Copyright-Jahr
2017
Buch
Latent Variable Analysis and Signal Separation

Print ISBN: 978-3-319-53546-3

Electronic ISBN: 978-3-319-53547-0

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-53547-0_4