权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

CIF: Small: Complex-Valued Statistical Signal Processing with Dependent Data

CIF：小型：具有相关数据的复值统计信号处理

基本信息

批准号：
1617610
负责人：
Jitendra Tugnait
金额：
$ 41.85万
依托单位：
Auburn University
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2016
资助国家：
美国
起止时间：
2016-07-01 至 2021-06-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1617610&HistoricalAwards=false
关键词：
CIF Small Complex Valued Statistical

项目摘要

Complex-valued random signals arise in many areas of science and engineering such as communications, radar, sonar, geophysics, oceanography, optics, electromagnetics, and acoustics. If the cross-covariance function of the signal with its complex conjugate vanishes, the signal is called proper, otherwise it is improper. If the underlying signals are improper, much can be gained in performance if they are treated as improper. If it is not known apriori whether a signal of interest is proper or improper, this information must be obtained from its noisy measurements. Existing approaches to determination of propriety are limited to the case where the measurements consist of a sequence of independent random vectors. Practical real-life signals do not typically consist of independent measurement samples. This research focuses on approaches designed to handle dependent data. Novel, efficient approaches are investigated in this research with emphasis on frequency-domain, improper signals, and applications. The signals are modeled as stationary but are not necessarily Gaussian. The following thrusts form the core of this research. (1) Testing for impropriety of dependent multichannel data with arbitrary distribution unlike past work which is limited to independent sequences, typically assumed to be Gaussian. (2) Comparison of random complex signals involving statistical tests to ascertain if two multichannel random signals have the same second-order statistics. Application of such tests for user authentication in wireless networks is investigated. (3) Detection of multichannel complex signals in noise using a generalized likelihood ratio test formulation is studied, without requiring a structured model or Gaussian assumption. (4) This research also involves reexamination and modification of all aforementioned approaches to be robust with respect to additive or innovations outlier model.

复值随机信号存在于通信、雷达、声纳、地球物理、海洋学、光学、电磁学和声学等许多科学和工程领域。如果信号及其复共轭的互协方差函数为零，则称该信号为真信号，否则称其为真信号。如果基本信号是不正确的，如果它们被视为不正确，则可以在性能上获得很大提高。如果事先不知道感兴趣的信号是正确的还是不正确的，则必须从其噪声测量中获得该信息。现有的确定适当性的方法仅限于测量由一系列独立的随机向量组成的情况。实际生活中的信号通常不包含独立的测量样本。这项研究的重点是为处理相关数据而设计的方法。在这项研究中，研究了新的、有效的方法，重点是频域、不正确的信号和应用。信号被建模为平稳的，但不一定是高斯的。以下是本研究的核心内容。(1)测试具有任意分布的相关多通道数据的不适当，不同于以往仅限于独立序列的工作，通常假设独立序列为高斯。(2)包含统计检验的随机复信号的比较，以确定两个多通道随机信号是否具有相同的二阶统计量。研究了这种测试在无线网络中的用户认证中的应用。(3)研究了在不需要结构模型或高斯假设的情况下，利用广义似然比检验公式检测噪声中的多通道复信号。(4)本研究还涉及对上述所有方法的重新检验和修改，以使其对加性或创新离群点模型具有稳健性。

项目成果

期刊论文数量（15）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Graph Learning from Multi-Attribute Smooth Signals

多属性平滑信号的图学习

DOI：
10.1109/mlsp49062.2020.9231563
发表时间：
2020
期刊：
2020 IEEE 30th International Workshop on Machine Learning for Signal Processing (MLSP
影响因子：
0
作者：
Tugnait, Jitendra K.
通讯作者：
Tugnait, Jitendra K.

Consistency of Sparse-Group Lasso Graphical Model Selection for Time Series

时间序列稀疏组Lasso图形模型选择的一致性

DOI：
10.1109/ieeeconf51394.2020.9443298
发表时间：
2020
期刊：
and Computers
影响因子：
0
作者：
Tugnait, Jitendra K.
通讯作者：
Tugnait, Jitendra K.

Corrections to “Sparse-Group Lasso for Graph Learning From Multi-Attribute Data”

对“从多属性数据进行图学习的稀疏组套索”的更正

DOI：
10.1109/tsp.2021.3104727
发表时间：
2021
期刊：
IEEE Transactions on Signal Processing
影响因子：
5.4
作者：
Tugnait, Jitendra
通讯作者：
Tugnait, Jitendra

Scad-Penalized Complex Gaussian Graphical Model Selection

Scad 惩罚复杂高斯图形模型选择

DOI：
10.1109/mlsp49062.2020.9231821
发表时间：
2020
期刊：
2020 IEEE 30th International Workshop on Machine Learning for Signal Processing (MLSP
影响因子：
0
作者：
Tugnait, Jitendra K.
通讯作者：
Tugnait, Jitendra K.

New Results on Graphical Modeling of High-Dimensional Dependent Time Series

高维相关时间序列图形建模的新结果

DOI：
10.1109/ieeeconf53345.2021.9723239
发表时间：
2021
期刊：
and Computers
影响因子：
0
作者：
Tugnait, Jitendra K.
通讯作者：
Tugnait, Jitendra K.

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Jitendra Tugnait其他文献

An Edge Exclusion Test for Complex Gaussian Graphical Model Selection

复杂高斯图形模型选择的边缘排除测试

DOI：
发表时间：
2018
期刊：
Symposium on Software Performance
影响因子：
0
作者：
Jitendra Tugnait
通讯作者：
Jitendra Tugnait

Adaptive estimation and identification for discrete systems with Markov jump parameters

DOI：
10.1109/cdc.1981.269444
发表时间：
1981-12
期刊：
1981 20th IEEE Conference on Decision and Control including the Symposium on Adaptive Processes
影响因子：
0
作者：
Jitendra Tugnait
通讯作者：
Jitendra Tugnait

On Multisensor Detection of Improper Signals

DOI：
10.1109/tsp.2018.2887404
发表时间：
2019-02
期刊：
IEEE Transactions on Signal Processing
影响因子：
5.4
作者：
Jitendra Tugnait
通讯作者：
Jitendra Tugnait

Blind equalization and estimation of digital communication FIR channels using cumulant matching

DOI：
10.1109/acssc.1992.269100
发表时间：
1992-10
期刊：
[1992] Conference Record of the Twenty-Sixth Asilomar Conference on Signals, Systems & Computers
影响因子：
0
作者：
Jitendra Tugnait
通讯作者：
Jitendra Tugnait