Revisiting robustness of the union-of-subspaces model for data-adaptive learning of nonlinear signal models
Revisiting robustness of the union-of-subspaces model for data-adaptive learning of nonlinear signal models
复制标题
重新审视非线性信号模型数据自适应学习的子空间并集模型的鲁棒性
DOI：
--
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
W. Bajwa
中科院分区：
文献类型：
--
作者：
Tong Wu;W. Bajwa
本文重新审视了基于子空间联合（UoS）模型的几何信号结构的数据自适应学习问题。与以前的工作相比，它激发和研究经典UoS模型的扩展，称为度量约束子空间联盟（MC-UoS）模型。在这方面，它提出了两个迭代方法的数据自适应学习的MC-UoS在完整和缺失的数据存在。在涉及合成和真实的数据的数值实验中，所提出的方法优于现有的方法来学习UoS，这表明MC-UoS模型和所提出的方法的有效性。
This paper revisits the problem of data-adaptive learning of geometric signal structures based on the Union-of-Subspaces (UoS) model. In contrast to prior work, it motivates and investigates an extension of the classical UoS model, termed the Metric-Constrained Union-of-Subspaces (MC-UoS) model. In this regard, it puts forth two iterative methods for data-adaptive learning of an MC-UoS in the presence of complete and missing data. The proposed methods outperform existing approaches to learning a UoS in numerical experiments involving both synthetic and real data, which demonstrates effectiveness of both an MC-UoS model and the proposed methods.
影响因子：
2.5
作者：
T. Blumensath;M. Davies
通讯作者：
T. Blumensath;M. Davies