http://www.tu-ilmenau.de

Logo TU Ilmenau


You are here

INHALTE

Publikationen

Anzahl der Treffer: 2773
Erstellt: Thu, 09 Apr 2020 23:00:35 +0200 in 0.0554 sec


Weise, Konstantin; Numssen, Ole; Thielscher, Axel; Hartwigsen, Gesa; Knösche, Thomas R.;
A novel approach to localize cortical TMS effects. - In: NeuroImage : a journal of brain function.. - Orlando, Fla. : Academic Press, ISSN 1095-9572, Bd. 209 (2020), 116486, S. 1-17

https://doi.org/10.1016/j.neuroimage.2019.116486
Sokal, Bruno; Almeida, André L.F.; Haardt, Martin;
Semi-blind receivers for MIMO multi-relaying systems via rank-one tensor approximations. - In: Signal processing : a European journal devoted to the methods and applications of signal processing.. - Amsterdam [u.a.] : Elsevier, Volume 166 (2020), 107254, Seite 1-13

https://doi.org/10.1016/j.sigpro.2019.107254
Sousa, Marcelo N.; deCardoso, Rafael L.; Melo, Henrique S.; Parente, José W. C.; Thomä, Reiner;
Machine learning and multipath fingerprints for emitter localization in urban scenario. - In: Developments and advances in defense and security : proceedings of MICRADS 2019.. - Singapore : Springer, (2020), S. 217-230

https://doi.org/10.1007/978-981-13-9155-2_18
Sokal, Bruno; Haardt, Martin; Almeida, André L. F.;
Semi-blind receiver for two-hop MIMO relaying systems via selective Kronecker product modeling. - In: IEEE Xplore digital library. - New York, NY : IEEE, ISSN 2473-2001, (2019), S. 714-718

https://doi.org/10.1109/CAMSAP45676.2019.9022648
Ardah, Khaled; Pesavento, Marius; Haardt, Martin;
A novel sensing matrix design for compressed sensing via mutual coherence minimization. - In: IEEE Xplore digital library. - New York, NY : IEEE, ISSN 2473-2001, (2019), S. 66-70

https://doi.org/10.1109/CAMSAP45676.2019.9022467
Prévost, Clemence; Usevich, Konstantin; Comon, Pierre; Haardt, Martin; Brie, David;
Performance bounds for coupled CP model in the framework of hyperspectral super-resolution. - In: IEEE Xplore digital library. - New York, NY : IEEE, ISSN 2473-2001, (2019), S. 201-205

https://doi.org/10.1109/CAMSAP45676.2019.9022504
Brachvogel, Marius; Niestroj, Michael; Zorn, Soeren; Meurer, Michael; Hasnain, Syed N.; Stephan, Ralf; Hein, Matthias;
Interference and spoofer resilient attitude estimation using observations from distributed linear sub-arrays separated by long baselines. - Manassas : The Institute of Navigation. - 1 Online-Ressource (14 Seiten). - Publikation entstand im Rahmen der Veranstaltung: 32nd International Technical Meeting of the Satellite Division of The Institute of Navigation (ION GNSS+ 2019), Miami, Florida, September 2019, pp. 3484-3497

https://doi.org/10.33012/2019.16930
Milanezi Junior, Jayme; Costa, João Paulo C. L.; Maranhão, João Paulo A.; Sousa, Rafael T.; Del Galdo, Giovanni;
A Chinese remainder theorem based perfect secret sharing scheme with enhanced secret range values using tensor based operations. - In: IEEE Xplore digital library. - New York, NY : IEEE, ISSN 2473-2001, (2019), insges. 6 S.

https://doi.org/10.1109/ICSPCS47537.2019.9008712
Naskovska, Kristina;
Advanced tensor based signal processing techniques for wireless communication systems and biomedical signal processing. - Ilmenau : Universitätsbibliothek, 2019. - 1 Online-Ressource (xxi, 224 Seiten).
Technische Universität Ilmenau, Dissertation 2019

Zahlreiche messbare Signale in verschiedenen Bereichen der digitalen Signalverarbeitung, z.B. in der drahtlosen Kommunikation, im Mobilfunk, biomedizinischen Anwendungen, der Bild- oder akustischen Signalverarbeitung und dem maschinellen Lernen sind mehrdimensional. Tensoren erhalten die mehrdimensionale Struktur und stellen eine natürliche Darstellung dieser Signale/Daten dar. Darüber hinaus bieten Tensoren oft eine verbesserte Trennbarkeit von enthaltenen Signalkomponenten. Daher profitieren wir von der Verwendung der Tensor-Algebra in den oben genannten Anwendungen und vielen mehr. In dieser Arbeit stellen wir die Vorteile der Nutzung der Tensor-Algebra in zwei Bereichen der Signalverarbeitung vor: drahtlose MIMO (Multiple-Input Multiple-Output) Kommunikationssysteme und biomedizinische Signalverarbeitung. Darüber hinaus tragen wir zu theoretischen Aspekten der Tensor-Algebra bei, indem wir neue Eigenschaften und Berechnungsmethoden für die Tensor-Zerlegung ableiten. Oftmals verfügen wir lediglich über eine elementweise oder ebenenweise Beschreibung des Signalmodells, welche nicht die explizite Tensorstruktur zeigt. Daher ist die Ableitung aller Tensor-Unfoldings nicht offensichtlich, wodurch die multidimensionale Struktur dieser Modelle nicht trivial nutzbar ist. Wir schlagen eine alternative Darstellung der elementweisen Multiplikation oder der ebenenweisen Multiplikation auf der Grundlage des generalisierten Tensor-Kontraktionsoperators vor. Weiterhin nutzen wir diese neuartige Darstellung und deren Eigenschaften zur Ableitung der letztendlichen Tensor-Modelle. Es existieren eine Vielzahl von Tensor-Zerlegungen, die verschiedene Signalmodelle beschreiben, wie die HOSVD (Higher Order Singular Value Decomposition), CP/PARAFAC (Canonical Polyadic/ PARallel FACtors) Zerlegung, die BTD (Block Term Decomposition), die PARATUCK2-(PARAfac und TUCker2) und die PARAFAC2-Zerlegung (PARAllel FACtors2). Dabei ist die CP-Zerlegung am weitesten verbreitet und wird findet in zahlreichen Gebieten Anwendung. Daher ist die Entwicklung von Algorithmen zur effizienten Berechnung der CP-Zerlegung von besonderer Bedeutung. Das SECSI (Semi-Algebraic Framework for approximate CP decomposition via Simultaneaous matrix diagonalization) Framework ist ein effizientes und robustes Werkzeug zur Berechnung der approximierten Low-Rank CP-Zerlegung durch simultane Matrixdiagonalisierung. In dieser Arbeit stellen wir fünf Erweiterungen des SECSI-Frameworks vor, welche die Rechenkomplexität des ursprünglichen Frameworks reduzieren bzw. Einschränkungen für die Faktormatrizen einführen. Darüber hinaus werden die PARAFAC2- und die PARATUCK2-Zerlegung in der Regel mit einer ebenenweisen Notation beschrieben, die sich in Form der allgemeinen Tensor-Kontraktion, wie sie in dieser Arbeit vorgeschlagen wird, ausdrücken lässt. Wir nutzen diese neuartige Darstellung, um explizite Tensormodelle für diese beiden Zerlegungen abzuleiten. Darüber hinaus verwenden wir das PARAFAC2-Modell, um einen ALS-Algorithmus (Alternating Least-Squares) für die Berechnung der PARAFAC2-Zerlegungen abzuleiten. Weiterhin nutzen wir die neuartigen Kontraktionseigenschaften für elementweise und ebenenweise Multiplikationen, um MIMO Multi-Carrier-Mobilfunksysteme zu modellieren. Wir zeigen, dass dieses sehr allgemeine Modell verwendet werden kann, um das Tensor-Modell des empfangenen Signals für MIMO-OFDM- (Multiple- Input Multiple-Output - Orthogonal Frequency Division Multiplexing), Khatri-Rao codierte MIMO-OFDM- und zufällig codierte MIMO-OFDM-Systeme abzuleiten. Wir schlagen die Übertragungstechniken der Khatri-Rao-Kodierung und zufällige Kodierung vor, um eine zusätzliche Tensor-Struktur des Sendesignal-Tensors einzuführen, welcher gewöhnlich keine bestimmte Struktur aufweist. Darüber hinaus zeigen wir, dass dieses Modell auf andere Multi-Carrier-Techniken wie GFDM (Generalized Frequency Division Multiplexing) erweitert werden kann. Unter Verwendung dieser Modelle auf der Empfängerseite entwerfen wir verschiedene Typen von Empfängern für diese Systeme, die die traditionellen matrixbasierten Lösungen in Bezug auf die Symbolfehlerrate übertreffen. Im letzten Teil dieser Arbeit zeigen wir die Vorteile der Verwendung von Tensor-Algebra in der biomedizinischen Signalverarbeitung durch die gemeinsame Zerlegung von EEG-(ElectroEncephaloGraphy) und MEG- (MagnetoEncephaloGraphy) Signalen. Diese werden in der Regel gleichzeitig erfasst, wobei sie gemeinsame Aspekte derselben Gehirnaktivität beschreiben. Daher können EEG- und MEG-Signale mit gekoppelten Tensor-Zerlegungen wie der gekoppelten CP Zerlegung analysiert werden. Wir nutzen das vorgeschlagene gekoppelte SECSI-Framework (eine der vorgeschlagenen Erweiterungen des SECSI-Frameworks) für die Berechnung der gekoppelten CP Zerlegung, um zunächst den photic driving effect zu validieren und zu analysieren. Darüber hinaus validieren wir die Auswirkungen von Schädeldefekten auf die Messsignale von EEG und MEG durch eine gemeinsame EEG-MEG-Zerlegung mit dem gekoppelten SECSI-Framework. Beide Anwendungen zeigen, dass wir von gekoppelten Tensor-Zerlegungen profitieren, wobei die Methoden des gekoppelten SECSI-Frameworks erfolgreich zur Analyse biomedizinischer Daten genutzt werden können.



https://www.db-thueringen.de/receive/dbt_mods_00040540
Dreyer, Nils; Artner, Gerald; Hein, Matthias; Backwinkel, Frank; Kürner, Thomas;
Evaluating automotive antennas for cellular radio communications. - In: IEEE Xplore digital library. - New York, NY : IEEE, ISSN 2473-2001, (2019), insges. 5 S.

https://doi.org/10.1109/ICCVE45908.2019.8965240