Εκμάθηση τανυστών για την ανάκτηση και ανάλυση σημάτων υψηλών διαστάσεων

Περίληψη

Πολλές εφαρμογές επεξεργασίας σημάτων βασίζονται σε πολυδιάστατα σήματα, τα οποία απαιτούν απαιτητικές διαδικασίες ανάκτησης και ανάλυσης. Οι τανυστές, οι οποίοι είναι πολυδιάστατοι πίνακες με δείκτες από πολλές μεταβλητές, είναι ένας φυσικός τρόπος για την αναπαράσταση αυτών των σημάτων. Παρά την πολυπλοκότητα που συνεπάγεται ο χειρισμός και η επεξεργασία τανυστών, τα εργαλεία ανάλυσης τανυστών μπορούν να ξεπεράσουν αποτελεσματικά τους περιορισμούς των παραδοσιακών μοντέλων επεξεργασίας. Αυτή η διατριβή παρουσιάζει καινοτόμες τεχνικές εκμάθησης τανυστών που αντιμετωπίζουν τις προκλήσεις που συνδέονται με την απόκτηση και ανάλυση σημάτων υψηλών διαστάσεων.Κατά τη διαδικασία ανάκτησης δεδομένων, μια συνηθισμένη πρόκληση είναι η καταστροφή ή η απώλεια ενός σημαντικού αριθμού μετρήσεων λόγω αποτυχιών επικοινωνίας. Επιπλέον, οι διαθέσιμες μετρήσεις συχνά περιορίζονται σε ένα συγκεκριμένο αριθμό δυαδικών ψηφίων για λόγους μετάδοσης. Για να επιτραπεί περαιτέρω ανάλυση, προτείνεται ένα μοντέλ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Many signal processing applications rely on multidimensional signals, which require demanding acquisition and analysis procedures. Tensors, which are multidimensional arrays indexed by multiple variables, are a natural way to represent these signals. Despite the complexities involved in handling and manipulating tensors, tools for tensor analysis can effectively overcome the limitations of traditional processing models. This thesis presents innovative tensor learning techniques that tackle the challenges associated with high-dimensional signal acquisition and analysis. During the data acquisition process, a common issue is the corruption or loss of a significant number of measurements due to communication failures. Additionally, the available measurements are often quantized to a specific number of bits for transmission purposes. To enable further analysis, a quantization model for high-dimensional data is proposed, along with formal methods for recovering a tensor from partially quant ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/54390
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/54390
ND
54390
Εναλλακτικός τίτλος
Tensor learning for high-dimensional signal acquisition and analysis
Συγγραφέας
Αϊδίνη, Αναστασία (Πατρώνυμο: Νικόλαος)
Ημερομηνία
2023
Ίδρυμα
Πανεπιστήμιο Κρήτης. Σχολή Θετικών και Τεχνολογικών Επιστημών. Τμήμα Επιστήμης Υπολογιστών
Εξεταστική επιτροπή
Τσακαλίδης Παναγιώτης
Αργυρός Αντώνιος
Baltasar Beferull-Lozano
Σιδηρόπουλος Νικόλαος
Δημητρόπουλος Ξενοφώντας
Τσαγκατάκης Γρηγόριος
Ροντογιάννης Αθανάσιος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Επιστήμη ηλεκτρονικών υπολογιστών, θεωρία και μέθοδοι
Λέξεις-κλειδιά
Σήματα υψηλών διαστάσεων; Ανάλυση τανυστών; Αποσύνθεση τανυστών; Ολοκλήρωση τανυστών; Κβάντιση; Συμπίεση; Ταξινόμηση; Εκμάθηση τανυστών
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.