Novel fast random search clustering approach for mixing matrix identification in MIMO linear blind inverse problems with sparse inputs

Luengo García, David; Monzón García, Sandra y Artés Rodríguez, Antonio (2012). Novel fast random search clustering approach for mixing matrix identification in MIMO linear blind inverse problems with sparse inputs. "Neurocomputing", v. 87 (n. null); pp. 62-78. ISSN 0925-2312. https://doi.org/10.1016/j.neucom.2012.02.007.

Descripción

Título: Novel fast random search clustering approach for mixing matrix identification in MIMO linear blind inverse problems with sparse inputs
Autor/es:
  • Luengo García, David
  • Monzón García, Sandra
  • Artés Rodríguez, Antonio
Tipo de Documento: Artículo
Título de Revista/Publicación: Neurocomputing
Fecha: Junio 2012
Volumen: 87
Materias:
Palabras Clave Informales: Linear blind inverse problems; Sparse signals; Line orientation clustering; MIMO systems; Neyman–Pearson hypothesis test
Escuela: E.U.I.T. Telecomunicación (UPM) [antigua denominación]
Departamento: Ingeniería de Circuitos y Sistemas [hasta 2014]
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (19MB) | Vista Previa

Resumen

In this paper we propose a novel fast random search clustering (RSC) algorithm for mixing matrix identification in multiple input multiple output (MIMO) linear blind inverse problems with sparse inputs. The proposed approach is based on the clustering of the observations around the directions given by the columns of the mixing matrix that occurs typically for sparse inputs. Exploiting this fact, the RSC algorithm proceeds by parameterizing the mixing matrix using hyperspherical coordinates, randomly selecting candidate basis vectors (i.e. clustering directions) from the observations, and accepting or rejecting them according to a binary hypothesis test based on the Neyman–Pearson criterion. The RSC algorithm is not tailored to any specific distribution for the sources, can deal with an arbitrary number of inputs and outputs (thus solving the difficult under-determined problem), and is applicable to both instantaneous and convolutive mixtures. Extensive simulations for synthetic and real data with different number of inputs and outputs, data size, sparsity factors of the inputs and signal to noise ratios confirm the good performance of the proposed approach under moderate/high signal to noise ratios. RESUMEN. Método de separación ciega de fuentes para señales dispersas basado en la identificación de la matriz de mezcla mediante técnicas de "clustering" aleatorio.

Más información

ID de Registro: 22660
Identificador DC: http://oa.upm.es/22660/
Identificador OAI: oai:oa.upm.es:22660
Identificador DOI: 10.1016/j.neucom.2012.02.007
URL Oficial: http://www.sciencedirect.com/science/article/pii/S0925231212000744
Depositado por: Memoria Investigacion
Depositado el: 18 Mar 2014 16:59
Ultima Modificación: 21 Abr 2016 17:39
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM