Μέθοδοι επαναληπτικές και μάθησης συναντούν τον πλεονασμό στην επεξεργασία σήματος
Περίληψη
Η παρούσα διατριβή χωρίζεται σε δύο μέρη. Στο πρώτο, αντιμετωπίζουμε δύο αντίστροφα προβλήματα, δηλαδή τη συμπιεστική δειγματοληψία (ΣΔ) και την αποθορυβοποίηση ομιλί\-ας, υπό το πρίσμα του μοντέλου αναλυτικής αραιότητας. Για το σκοπό αυτό, αξιοποιούμε ιδέες από την ανάλυση χρόνου-συχνότητας και εισάγουμε ένα νέο πλεονάζοντα τελεστή ανάλυσης σχετιζόμενο με ένα πλαίσιο Gabor, ώστε να αναπαραστήσουμε όσο αραιότερα γίνεται τα σήματα ενδιαφέροντος. Στη συνέχεια, χρησιμοποιούμε μια επαναληπτική μέθοδο για την επίλυση και των δύο προβλημάτων και συγκρίνουμε αριθμητικά την απόδοση του τελεστή ανάλυσής μας με σύγχρονους τελεστές ανάλυσης Gabor, τόσο σε συνθετικά όσο και σε πραγματικά δεδομένα. Τα πειραματικά μας αποτελέσματα υποδεικνύουν βελτιωμένη απόδοση όταν το προτεινόμενο πλαίσιο χρησιμοποιείται για την επίλυση και των δύο αντίστροφων προβλημάτων, καθώς υπερέχει των άλλων μετασχηματισμών Gabor, για όλα τα δεδομένα. Στο δεύτερο μέρος της διατριβής, επιλύουμε το πρόβλημα ΣΔ χρησιμοποιώντας ...
περισσότερα
Περίληψη σε άλλη γλώσσα
The present dissertation is divided in two parts. In the first one, we address two inverse problems, namely compressed sensing (CS) and speech denoising, through the lens of the analysis sparsity model. To that end, we leverage ideas from time-frequency analysis and introduce a new redundant analysis operator associated to a Gabor frame, which efficiently sparsifies the signals of interest. Subsequently, we employ an iterative method for solving both problems and perform a numerical comparison of our analysis operator to state-of-the-art Gabor analysis operators, on both synthetic and real-world data. Our experimental results indicate improved performance when our proposed framework is employed to solve both inverse problems, since it outperforms all other Gabor transforms, consistently for all datasets. In the second part of this dissertation, we resolve the CS problem by employing the newly-introduced field of deep unfolding, which stems from the interpretation of classic iterative a ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (6.61 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
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.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.