ブラインド識別とは何ですか？
Blind Identification ブラインド識別 - At present, the recognition of FEC codes is mainly concentrated in the field of semi-blind identification with known types of codes. [1] Consequently, blind identification of the shaping rate for the PS-QAM signals is in an urgent demand for the flexible transceiver. [2] This paper addresses the problem of blind identification of multichannel systems. [3] However, the role of chaos in blind identification of a sparse system has not been investigated. [4] The study presented in this paper demonstrates that the cumulant-based algorithms are more adequate if the data inputs are not available (blind identification), but the kernel- and binary-measurement-based methods are more adequate if the noise is not important (SNR≥16 dB). [5] This paper is concerned with the blind identification of graph filters from graph signals. [6] Several papers have been published on blind identification of binary FEC codes but papers reported on the identification of non-binary error correcting codes are less. [7] Therefore, this paper deals with the blind and semi-blind identification of nonlinear SIMO/MIMO channels. [8] Blind identification of encoders has received increasing attention in recent years. [9] While DL has been intensively studied for modulation recognition, there are very few investigations for blind identification of Space-Time Block Codes (STBCs). [10] In this work, we study the blind identification of Hammerstein-like system with memory nonlinearity. [11] The blind identification of scrambling codes is an important issue in intelligent reception of unknown synchronous digital hierarchy (SDH) lines. [12] Based on clinical consensus for three typical DCE-MRI curve patterns, three characteristic curves as regularization constraints were introduced to the extended Tofts model (ETM) using clustering strategy, and the clustering-based blind identification of multichannel (CBM) framework was then proposed for pharmacokinetic parameter estimation. [13] Blind identification of channel codes is becoming increasingly important in signal interception and intelligent communication systems. [14] The proposed approach reduces the problem of statistical blind image deconvolution to the problem of blind identification of one-dimensional signals. [15] A blind identification of adaptive nonlinear control for inverse nonlinear transform is proposed. [16] At present, the recognition of FEC codes is mainly concentrated in the field of semi-blind identification with known types of codes. [17] Blind identification for modulations is an important issue in signal processing and wireless communications. [18] In this paper, we are interested in the blind identification of binary linear block codes from received noisy data. [19] We successfully trained and tested various multilayer perceptron-based models for blind identification, in real-time, using our implemented agricultural IoT implementation. [20] In terms of non-cooperative communication, blind identification of signal interleaving type is an important part of channel coding identification. [21] Key Findings: Participants with the most experience with the reference standards performed best on a blind identification of reference standards. [22] To get useful information from intercepted data, in noncooperative context, it is necessary to have algoritihms for blind identification of FEC code and interleaver parameters. [23] Further validation of the platform was obtained through the blind identification of D-Cycloserine, a molecule scheduled to enter phase IV clinical trials for SCI. [24] We study the problem of jointly estimating several network processes that are driven by the same input, recasting it as one of blind identification of a bank of graph filters. [25] We investigate the blind identification and separation of underdetermined linear instantaneous mixtures with a single sensor and an arbitrary known number of sources with finite known support and uniform distribution. [26] To improve the ability of blind identification and scheduling of sparse multipath channels in wireless communication networks under the background of Internet of things, a blind identification algorithm for sparse multipath wireless communication based on random sampling interval equalization and BPSK modulation is proposed. [27] Previous approaches for blind identification of space-frequency block codes (SFBCs) do not perform well for short observation periods due to their inefficient utilization of frequency-domain redundancy. [28] arundinaceus was under the same Operational Taxonomic Unit (OTU) as Phleum pratense (not present in the C3 sourced hay), so blind identification was initially wrong. [29] Blind enumeration of the number of transmit antennas and blind identification of multiple-input multiple-output (MIMO) schemes are two pivotal steps in MIMO signal identification for both military and commercial applications. [30]現在、FECコードの認識は、主に既知のタイプのコードを使用したセミブラインド識別の分野に集中しています。 [1] したがって、PS-QAM信号のシェーピングレートをブラインドで識別することは、フレキシブルトランシーバーにとって緊急の需要です。 [2] この論文は、マルチチャネルシステムのブラインド識別の問題に対処します。 [3] ただし、スパースシステムのブラインド識別におけるカオスの役割は調査されていません。 [4] この論文で提示された研究は、データ入力が利用できない場合（ブラインド識別）、キュムラントベースのアルゴリズムがより適切であることを示していますが、ノイズが重要でない場合は、カーネルおよびバイナリ測定ベースの方法がより適切です（SNR ≥16dB）。 [5] この論文は、グラフ信号からのグラフフィルタのブラインド識別に関係しています。 [6] バイナリFECコードのブラインド識別についていくつかの論文が発表されていますが、非バイナリエラー訂正コードの識別について報告されている論文は少ないです。 [7] したがって、このペーパーでは、非線形SIMO / MIMOチャネルのブラインドおよびセミブラインド識別について説明します。 [8] エンコーダのブラインド識別は、近年ますます注目を集めています。 [9] DLは変調認識について集中的に研究されてきましたが、時空間ブロックコード（STBC）のブラインド識別に関する調査はほとんどありません。 [10] この作業では、メモリの非線形性を備えたハンマースタインのようなシステムのブラインド識別を研究します。 [11] スクランブリングコードのブラインド識別は、未知の同期デジタル階層（SDH）回線のインテリジェントな受信における重要な問題です。 [12] 3つの典型的なDCE-MRI曲線パターンの臨床的コンセンサスに基づいて、正則化制約としての3つの特性曲線が、クラスタリング戦略を使用して拡張Toftsモデル（ETM）に導入され、クラスタリングベースのマルチチャネルのブラインド識別（CBM）フレームワークが提案されました。薬物動態パラメータの推定。 [13] チャネルコードのブラインド識別は、信号傍受およびインテリジェント通信システムにおいてますます重要になっています。 [14] 提案されたアプローチは、統計的ブラインド画像デコンボリューションの問題を一次元信号のブラインド識別の問題に還元します。 [15] 逆非線形変換のための適応非線形制御のブラインド識別が提案されている。 [16] 現在、FECコードの認識は、主に既知のタイプのコードを使用したセミブラインド識別の分野に集中しています。 [17] 変調のブラインド識別は、信号処理と無線通信における重要な問題です。 [18] この論文では、受信したノイズの多いデータからのバイナリ線形ブロックコードのブラインド識別に関心があります。 [19] 私たちは、実装された農業 IoT 実装を使用して、ブラインド識別のためのさまざまな多層パーセプトロンベースのモデルをリアルタイムでトレーニングおよびテストすることに成功しました。 [20] 非協調通信に関しては、信号インターリーブ タイプのブラインド識別は、チャネル コーディング識別の重要な部分です。 [21] 主な調査結果: 参照標準の経験が最も豊富な参加者は、参照標準のブラインド識別で最高の成績を収めました。 [22] 傍受されたデータから有用な情報を取得するには、非協力的なコンテキストで、FEC コードとインターリーバー パラメータをブラインドで識別するためのアルゴリズムが必要です。 [23] プラットフォームのさらなる検証は、SCI の第 IV 相臨床試験に入る予定の分子である D-サイクロセリンのブラインド同定によって得られました。 [24] 同じ入力によって駆動されるいくつかのネットワーク プロセスを共同で推定する問題を研究し、それをグラフ フィルターのバンクのブラインド識別の 1 つとして再キャストします。 [25] 単一のセンサーと、有限の既知のサポートと均一な分布を持つ任意の既知の数のソースを使用して、未決定の線形瞬時混合物のブラインド識別と分離を調査します。 [26] モノのインターネットの背景にある無線通信ネットワークにおけるスパースマルチパスチャネルのブラインド識別とスケジューリングの能力を改善するために,ランダムサンプリング間隔等化とBPSK変調に基づくスパースマルチパス無線通信のブラインド識別アルゴリズムを提案した。 [27] 空間周波数ブロック コード (SFBC) のブラインド識別のための以前のアプローチは、周波数領域の冗長性の非効率的な利用により、短い観測期間ではうまく機能しません。 [28] arundinaceus は Phleum pratense と同じ運用分類単位 (OTU) に属していたため (C3 由来の干し草には存在しない)、ブラインドによる識別は最初は間違っていました。 [29] 送信アンテナ数のブラインド列挙と、多入力多出力 (MIMO) スキームのブラインド識別は、軍事および商用アプリケーションの両方で MIMO 信号を識別するための 2 つの重要なステップです。 [30]
Order Blind Identification ブラインド識別の注文
By using mathematical derivation and empirical corroboration, the results suggest that the improved moment matching (IMM) is capable of reducing OAs effectively and reserving the EEG waveform information on the greatest extent compared to existing methods, such as independent component analysis (ICA) and second-order blind identification. [1] Here using a combination of high-density EEG, second order blind identification (SOBI), and a standard visual oddball task, we test, in humans, a two-stage novelty processing hypothesis which states that two distinct stages of novelty processing exist, one involves early-occurring domain-specific neural activity in the sensory processing areas of the brain and the other involves later-occurring domain-general neural activity involving brain regions beyond the sensory cortices. [2] A modal identification technique called second-order blind identification (SOBI) is discussed in this paper to estimate the modal parameters of tall structures subjected to ambient loading. [3] To address the issues such as less sensors than the targeted modal modes (under-determinate problem), repeated natural frequencies as well as systems with complex mode shapes, this paper proposed a complex wavelet modified second order blind identification method (CWMSOBI) by transforming the time domain problem into time-frequency domain. [4] Compared with the existing second-order blind identification and spatial smoothing SOBI algorithms, the proposed algorithm does not need the information of the first order Bragg frequency of sea clutter, so it can improve the output signal-to-clutter-noise ratio when there is an error in the first order Bragg frequency of sea clutter. [5] The four ICA algorithms are: Second Order Blind Identification (SOBI), Hyvarinen's Fixed Point Algorithm (FastICA), Infomax and Joint Approximation Diagonalization of Eigenmatrices (JADE). [6] For the issue, this paper proposes a method with inverse-sparse transform and second order blind identification (SOBI) for the separation of the activations. [7] This work proposes the utilization of signal processing techniques to decompose the electrical voltage and/or current signals into its harmonic and interhamonic component waveforms through a Blind Source Separation (BSS) algorithm named Second Order Blind Identification (SOBI). [8] Three popular dimension reduction methods, namely principal component analysis (PCA), fourth order blind identification (FOBI) and sliced inverse regression (SIR) are considered in detail and the first two moments of subsets of the eigenvalues are used to test for the dimension of the signal space. [9] Thus, DMD is a time series blind source separation algorithm in disguise, but is different from closely related second order algorithms such as the Second-Order Blind Identification (SOBI) method and the Algorithm for Multiple Unknown Signals Extraction (AMUSE). [10] DWSAE is compared with two other methods that are Second order blind identification (SOBI) and Wavelet neural network (WNN). [11] We then tested ADMIRE’s performance using full, GSO, SVD, and ICA–fourth-order blind identification (ICA-FOBI) models. [12] We then propose a method to extract blood volume pulse and eye blink and yawn signals as multiple independent sources simultaneously by multi-channel second-order blind identification (SOBI) without any other sophisticated processing, such as eye and mouth localizations. [13] This method is a combination of singular spectrum analysis (SSA) and second-order blind identification (SOBI) method. [14] Simulation results show that the proposed algorithm significantly separate the source signals with better performance measures as compared with the state-of-the-art approaches such as second-order blind identification and fast independent component analysis. [15] SOBI(second order blind identification)algorithm is applied to solve the practical problem of separating multiple targets in space. [16] In the first step, independent components are extracted from nine macroeconomic time series using second order blind identification (SOBI). [17] Diagonalization methods for IVA in the proposed system were reworked based on SCHUR decomposition offering a faster second order blind identification algorithm that can be used on time demanding applications. [18] The Second Order Blind identification (SOBI) algorithm is widely used in blind source separation (BSS) processing and has achieved many satisfactory results. [19] In this article, the use of Second-Order Blind Identification is proposed. [20] The estimator is however already known since 1989 as FOBI (Fourth order blind identification), and it indeed has many nice properties, even outside the independent component model. [21] An algorithm called Second Order Blind Identification (SOBI) has been utilized for source separation and validated using simulation. [22] Secondly, weights-adjusted second-order blind identification (WASOBI) is utilized to separate the jamming and target echo. [23] The results show that the second order blind identification (SOBI) algorithm is the best one to separate the BVP signal. [24]数学的導出と経験的裏付けを使用することにより、結果は、改善されたモーメントマッチング（IMM）がOAを効果的に削減し、独立成分分析（ICA）や2番目のような既存の方法と比較して最大の範囲でEEG波形情報を予約できることを示唆しています。 -ブラインド識別を注文します。 [1] ここでは、高密度EEG、2次ブラインド識別（SOBI）、および標準的な視覚的オッドボールタスクの組み合わせを使用して、ノベルティ処理の2つの異なる段階が存在することを示す2段階のノベルティ処理仮説を人間でテストします。脳の感覚処理領域で早期に発生するドメイン固有の神経活動を含み、もう1つは、感覚皮質を超えた脳領域を含む後期に発生するドメイン一般的な神経活動を含みます。 [2] この論文では、周囲荷重を受ける背の高い構造のモーダルパラメータを推定するために、2次ブラインド識別（SOBI）と呼ばれるモーダル識別手法について説明します。 [3] 対象となるモーダルモードよりもセンサーが少ない（不確定な問題）、繰り返される固有振動数、複雑なモード形状のシステムなどの問題に対処するために、この論文では、複素ウェーブレット修正2次ブラインド識別法（CWMSOBI）を変換して提案しました。時間領域問題を時間周波数領域に変換します。 [4] 既存の2次ブラインド識別および空間平滑化SOBIアルゴリズムと比較して、提案されたアルゴリズムは、海のクラッターの1次ブラッグ周波数の情報を必要としないため、出力信号対クラッターノイズ比を改善できます。シークラッターの1次ブラッグ周波数のエラー。 [5] 4つのICAアルゴリズムは、2次ブラインド識別（SOBI）、Hyvarinenの固定小数点アルゴリズム（FastICA）、Infomax、および固有行列の結合近似対角化（JADE）です。 [6] この問題について、この論文は、活性化の分離のための逆スパース変換と二次ブラインド識別（SOBI）を用いた方法を提案します。 [7] この作業では、信号処理技術を利用して、電圧および/または電流信号を、Second Order Blind Identification（SOBI）という名前のBlind Source Separation（BSS）アルゴリズムを介して高調波および高調波成分の波形に分解することを提案します。 [8] 3つの一般的な次元削減方法、すなわち主成分分析（PCA）、4次ブラインド識別（FOBI）、およびスライス逆回帰（SIR）が詳細に検討され、固有値のサブセットの最初の2つのモーメントが次の次元のテストに使用されます。信号空間。 [9] したがって、DMD は変装した時系列のブラインド ソース分離アルゴリズムですが、2 次ブラインド識別 (SOBI) 法や複数未知信号抽出アルゴリズム (AMUSE) などの密接に関連する 2 次アルゴリズムとは異なります。 [10] DWSAE は、2 次ブラインド識別 (SOBI) およびウェーブレット ニューラル ネットワーク (WNN) という他の 2 つの方法と比較されます。 [11] 次に、フル、GSO、SVD、および ICA の 4 次ブラインド識別 (ICA-FOBI) モデルを使用して、ADMIRE のパフォーマンスをテストしました。 [12] 次に、目や口の位置特定などの他の高度な処理を行わずに、マルチチャネルの二次ブラインド識別 (SOBI) によって、血液量パルスとまばたきとあくび信号を複数の独立したソースとして同時に抽出する方法を提案します。 [13] この方法は、特異スペクトル分析 (SSA) と 2 次ブラインド同定 (SOBI) 方法を組み合わせたものです。 [14] シミュレーション結果は、提案されたアルゴリズムが、二次ブラインド識別や高速独立成分分析などの最先端のアプローチと比較して、より優れたパフォーマンス測定値でソース信号を大幅に分離することを示しています。 [15] SOBI(二次ブラインド識別)アルゴリズムを適用して、空間内の複数のターゲットを分離するという実際の問題を解決します。 [16] 最初のステップでは、2 次ブラインド識別 (SOBI) を使用して、9 つのマクロ経済時系列から独立したコンポーネントが抽出されます。 [17] 提案されたシステムの IVA の対角化方法は、時間のかかるアプリケーションで使用できる高速な 2 次ブラインド識別アルゴリズムを提供する SCHUR 分解に基づいて作り直されました。 [18] 二次ブラインド識別 (SOBI) アルゴリズムは、ブラインド ソース分離 (BSS) 処理で広く使用されており、多くの満足のいく結果を達成しています。 [19] この記事では、二次ブラインド識別の使用が提案されています。 [20] ただし、推定量は 1989 年以来 FOBI (4 次ブラインド識別) として既に知られており、実際には、独立成分モデル以外でも多くの優れた特性を備えています。 [21] Second Order Blind Identification (SOBI) と呼ばれるアルゴリズムがソースの分離に利用され、シミュレーションを使用して検証されています。 [22] 次に、重み調整された二次ブラインド識別 (WASOBI) を利用して、ジャミングとターゲット エコーを分離します。 [23] 結果は、2 次ブラインド識別 (SOBI) アルゴリズムが BVP 信号を分離するのに最適であることを示しています。 [24]
blind identification method ブラインド識別方法
In this work, we formulate a blind identification method based on long short-term memory neural network (LSTM-NN) model. [1] To address the issues such as less sensors than the targeted modal modes (under-determinate problem), repeated natural frequencies as well as systems with complex mode shapes, this paper proposed a complex wavelet modified second order blind identification method (CWMSOBI) by transforming the time domain problem into time-frequency domain. [2] Therefore, we propose a blind identification method for mixed numerologies. [3] Second, to obtain an accurate mixing matrix estimation, a blind identification method is designed by identifying single source data. [4] As such, our method is a blind identification method for linear dynamics in a stochastic Wiener system with a quadratic nonlinearity at the output and a phase retrieval method that uses a time-evolution-model constraint and a single image at every time step. [5]この作業では、長短期記憶ニューラルネットワーク（LSTM-NN）モデルに基づくブラインド識別方法を定式化します。 [1] 対象となるモーダルモードよりもセンサーが少ない（不確定な問題）、繰り返される固有振動数、複雑なモード形状のシステムなどの問題に対処するために、この論文では、複素ウェーブレット修正2次ブラインド識別法（CWMSOBI）を変換して提案しました。時間領域問題を時間周波数領域に変換します。 [2] したがって、混合数秘術のためのブラインド識別方法を提案します。 [3] 第二に、正確な混合行列推定を得るために、単一のソースデータを識別することによってブラインド識別方法が設計されています。 [4] そのため、私たちの方法は、出力に二次非線形性を持つ確率的ウィーナー システムの線形ダイナミクスのブラインド識別法であり、時間発展モデルの制約とすべての時間ステップで単一の画像を使用する位相回復法です。 [5]
blind identification algorithm
The blind identification algorithm of nonlinear model is applied for the digital calibration of weak nonlinear circuit. [1] Diagonalization methods for IVA in the proposed system were reworked based on SCHUR decomposition offering a faster second order blind identification algorithm that can be used on time demanding applications. [2]非線形モデルのブラインド識別アルゴリズムを弱い非線形回路のデジタル較正に適用した。 [1] 提案されたシステムの IVA の対角化方法は、時間のかかるアプリケーションで使用できる高速な 2 次ブラインド識別アルゴリズムを提供する SCHUR 分解に基づいて作り直されました。 [2]
blind identification problem
In this paper we consider the blind identification problem of a single input single output (SISO) linear system. [1] 4 considers a blind identification problem with prior knowledge about the input in the form of a linear time-invariant autonomous system. [2]この論文では、単入力単出力 (SISO) 線形システムのブラインド識別問題を考察します。 [1] 図 4 は、線形時不変自律システムの形式で入力に関する事前知識を持つブラインド識別問題を考慮します。 [2]