Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/B6EF8331-FC0D-4245-906F-461FFA30127B | - |
| Αναγνωριστικό | http://www.telecom.tuc.gr/~karystinos/paper_DSP.pdf | - |
| Αναγνωριστικό | https://doi.org/10.1006/dspr.2002.0450 | - |
| Γλώσσα | en | - |
| Μέγεθος | 29 | en |
| Τίτλος | Short-data-record adaptive filtering: The auxiliary-vector algorithm | en |
| Δημιουργός | Karystinos Georgios | en |
| Δημιουργός | Καρυστινος Γεωργιος | el |
| Δημιουργός | Haoli Qian | en |
| Δημιουργός | Medley Michael J. | en |
| Δημιουργός | Batalama Stella N. | en |
| Εκδότης | Elsevier | en |
| Περιγραφή | Δημοσίευση σε επιστημονικό περιοδικό | el |
| Περίληψη | Based on statistical conditional optimization criteria, we developed an iterative algorithm that starts from the matched filter (or constraint vector) and generates a sequence of filters that converges to the minimum variance distortionless response (MVDR) solution for any positive defi- nite input autocorrelation matrix. Computationally, the algorithm is a simple recursive procedure that avoids explicit matrix inversion, decomposition, or diagonalization operations. When the input autocorrelation matrix is replaced by a conventional sample-average (positive definite) estimate, the algorithm effectively generates a sequence of MVDR filter estimators: The bias converges rapidly to zero and the covariance trace rises slowly and asymptotically to the covariance trace of the familiar sample matrix inversion (SMI) estimator. For short data records, the early, nonasymptotic, elements of the generated sequence of estimators offer favorable bias–covariance balance and are seen to outperform in mean-square estimation error constraint-LMS, RLS-type, and orthogonal multistage decomposition estimates (also called nested Wiener filters) as well as plain and diagonally loaded SMI estimates. The problem of selecting the most successful (in some appropriate sense) filter estimator in the sequence for a given data record is addressed and two data-driven selection criteria are proposed. The first criterion minimizes the cross-validated sample average variance of the filter estimator output. The second criterion maximizes the estimated J-divergence of the filter estimator output conditional distributions. Illustrative interference suppression examples drawn from the communications literature are followed throughout this presentation. | en |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2015-10-23 | - |
| Ημερομηνία Δημοσίευσης | 2002 | - |
| Θεματική Κατηγορία | adaptive filters | en |
| Θεματική Κατηγορία | biased estimators | en |
| Θεματική Κατηγορία | code division multiple access | en |
| Θεματική Κατηγορία | cross-validation | en |
| Θεματική Κατηγορία | interference suppression | en |
| Θεματική Κατηγορία | iterative methods | en |
| Θεματική Κατηγορία | least mean square methods | en |
| Θεματική Κατηγορία | auxiliary-vector filters | en |
| Θεματική Κατηγορία | MMSE filters | en |
| Θεματική Κατηγορία | MVDR filters | en |
| Θεματική Κατηγορία | filter estimation | en |
| Θεματική Κατηγορία | small sample support | en |
| Θεματική Κατηγορία | finite sample support | en |
| Θεματική Κατηγορία | short data record estimators | en |
| Θεματική Κατηγορία | Wiener filters | en |
| Θεματική Κατηγορία | antenna arrays | en |
| Θεματική Κατηγορία | smart antenna | en |
| Βιβλιογραφική Αναφορά | G. N. Karystinos, H. Qian, M. J. Medley, and S. N. Batalama, “Short-data-record adaptive filtering: The auxiliary-vector algorithm,” Digital Signal Processing, vol. 12, pp. 193-222, Apr./July 2002. doi: 10.1006/dspr.2002.0450 | en |
Copyright © DIAS 2013
