Matches in SemOpenAlex for { <https://semopenalex.org/work/W59217343> ?p ?o ?g. }
- W59217343 abstract "La teoria del procesado estadistico de la senal halla un amplio abanico de aplicaciones en los campos de las comunicaciones de datos, asi como tambien en el procesado con agrupaciones de sensores. Ciertamente, un gran numero de estas aplicaciones pueden ser interpretadas como un problema de estimacion parametrica, tipicamente resuelto mediante una operacion de filtrado lineal actuando sobre un conjunto de observaciones multidimensionales. Esta disertacion esta dedicada al diseno y evaluacion de metodos de procesado estadistico de la senal en condiciones de implementacion realistas encontradas en la practica.Las tecnicas tradicionales de procesado estadistico de la senal proporcionan un rendimiento satisfactorio dada la disponibilidad de un numero particularmente elevado de observaciones de dimension finita. En efecto, las condiciones de optimalidad originales no pueden garantizarse en teoria a menos que el numero de muestras disponibles aumente de forma asintotica. En base a esta suposicion, en ocasiones se puede obtener una caracterizacion estadistica haciendo uso de la teoria de grandes muestras para matrices de covarianza muestral. En la practica, no obstante, la aplicacion de estos metodos debe necesariamente basarse en una ventana de observacion de longitud finita. Ademas, la dimension de las muestras recibidas, y el tamano de la ventana de observacion son a menudo comparables en magnitud. En estas situaciones, los planteamientos basados en el analisis estadistico multivariante clasico pierden eficiencia de forma significativa.En esta tesis se proporciona un marco teorico para la caracterizacion de la perdida de eficiencia que los enfoques estadisticos clasicos experimentan en aplicaciones tipicas del procesado de la senal en las condiciones practicas mencionadas con anterioridad. En base a la teoria del analisis espectral de matrices aleatorias de grandes dimensiones, o teoria de matrices aleatorias, se construye una familia de metodos de inferencia estadistica que superan las limitaciones de los esquemas de estimacion tradicionales para un tamano de muestra y dimension de la observacion comparativamente grandes. Especificamente, los estimadores de la nueva clase obtenida generalizan las implementaciones al uso siendo consistentes incluso para observaciones con dimension arbitrariamente grande. En particular, el marco teorico propuesto es empleado para caracterizar de forma adecuada el rendimiento de sistemas multi-antena con preambulos de entrenamiento en un regimen asintotico mas acorde definido por un tamano y dimension de las muestras que crecen sin limite con razon constante. Ademas, el problema de filtrado optimo de rango reducido es revisado y extendido de forma que se satisfaga la definicion anterior de consistencia generalizada. Por otro parte, se proporciona una caracterizacion asintotica en el doble limite de un conjunto de formas cuadraticas de las potencias negativas de la covarianza de la observacion que generaliza los resultados existentes referentes a los momentos negativos de la distribucion de Wishart. A partir de estos resultados, se construye una clase de estimadores de potencia de fuente mejorados que son robustos a imprecisiones en el conocimiento del nivel de ruido y de la matriz de covarianza real.Con el proposito de reducir la complejidad computacional asociada a implementaciones practicas basadas en la inversion de matrices, se aborda una solucion a los problemas anteriores en terminos de las potencias positivas de la matriz de covarianza muestral. A tal efecto, se obtienen una clase de estimadores consistentes generalizados del espectro de la matriz de covarianza y del nivel de potencia en el subespacio de Krylov definido por la covarianza real y el vector de firma asociado al parametro de interes. Como contribucion final, se propone una arquitectura de filtrado robusto a constricciones de la firma que es consistente en el regimen doblemente asintotico de referencia a lo largo de la tesis." @default.
- W59217343 created "2016-06-24" @default.
- W59217343 creator A5030791943 @default.
- W59217343 creator A5036761092 @default.
- W59217343 date "2008-06-13" @default.
- W59217343 modified "2023-09-27" @default.
- W59217343 title "Generalized Consistent Estimation in Arbitrarily High Dimensional Signal Processing" @default.
- W59217343 cites W1487444668 @default.
- W59217343 cites W1494904807 @default.
- W59217343 cites W1501711713 @default.
- W59217343 cites W1506268158 @default.
- W59217343 cites W1506342804 @default.
- W59217343 cites W1506558619 @default.
- W59217343 cites W1526295091 @default.
- W59217343 cites W1533002550 @default.
- W59217343 cites W1535921844 @default.
- W59217343 cites W1546004968 @default.
- W59217343 cites W1550578314 @default.
- W59217343 cites W1559749676 @default.
- W59217343 cites W1561428091 @default.
- W59217343 cites W1564239959 @default.
- W59217343 cites W1572210620 @default.
- W59217343 cites W1572777589 @default.
- W59217343 cites W1575372003 @default.
- W59217343 cites W1576347883 @default.
- W59217343 cites W1580334350 @default.
- W59217343 cites W1580589996 @default.
- W59217343 cites W1586554030 @default.
- W59217343 cites W1589236794 @default.
- W59217343 cites W1594563152 @default.
- W59217343 cites W1627545668 @default.
- W59217343 cites W171918163 @default.
- W59217343 cites W1862952238 @default.
- W59217343 cites W1964183649 @default.
- W59217343 cites W1964919148 @default.
- W59217343 cites W1965392255 @default.
- W59217343 cites W1966661241 @default.
- W59217343 cites W1968046779 @default.
- W59217343 cites W1969097180 @default.
- W59217343 cites W1971210014 @default.
- W59217343 cites W1971523416 @default.
- W59217343 cites W1972912363 @default.
- W59217343 cites W1973389914 @default.
- W59217343 cites W1974169366 @default.
- W59217343 cites W1980073352 @default.
- W59217343 cites W1980334027 @default.
- W59217343 cites W1981228894 @default.
- W59217343 cites W1988105503 @default.
- W59217343 cites W2001414066 @default.
- W59217343 cites W2004557788 @default.
- W59217343 cites W2005602327 @default.
- W59217343 cites W2011058684 @default.
- W59217343 cites W2011892826 @default.
- W59217343 cites W2016185133 @default.
- W59217343 cites W2018843852 @default.
- W59217343 cites W2023426016 @default.
- W59217343 cites W2025139978 @default.
- W59217343 cites W2027068125 @default.
- W59217343 cites W2037831591 @default.
- W59217343 cites W2037940437 @default.
- W59217343 cites W2039953809 @default.
- W59217343 cites W2044444394 @default.
- W59217343 cites W2048804753 @default.
- W59217343 cites W2049742719 @default.
- W59217343 cites W2051304830 @default.
- W59217343 cites W2052911216 @default.
- W59217343 cites W2055791817 @default.
- W59217343 cites W2056099894 @default.
- W59217343 cites W2059586807 @default.
- W59217343 cites W2060581589 @default.
- W59217343 cites W2062890396 @default.
- W59217343 cites W2063698478 @default.
- W59217343 cites W2066218102 @default.
- W59217343 cites W2068961333 @default.
- W59217343 cites W2069766942 @default.
- W59217343 cites W2070722587 @default.
- W59217343 cites W2071031249 @default.
- W59217343 cites W2071128523 @default.
- W59217343 cites W2072184935 @default.
- W59217343 cites W2081825044 @default.
- W59217343 cites W2085569087 @default.
- W59217343 cites W2094553393 @default.
- W59217343 cites W2097886685 @default.
- W59217343 cites W2098239165 @default.
- W59217343 cites W2100375013 @default.
- W59217343 cites W2102388381 @default.
- W59217343 cites W2102764819 @default.
- W59217343 cites W210359992 @default.
- W59217343 cites W2103665886 @default.
- W59217343 cites W2103870658 @default.
- W59217343 cites W2105089185 @default.
- W59217343 cites W2106069438 @default.
- W59217343 cites W2106929598 @default.
- W59217343 cites W2108617900 @default.
- W59217343 cites W2109378630 @default.
- W59217343 cites W2109672127 @default.
- W59217343 cites W2109974986 @default.
- W59217343 cites W2110562101 @default.
- W59217343 cites W2111057874 @default.
- W59217343 cites W2111937449 @default.