Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Asymptotically Optimal Channel Estimation and Learning Suitable Compressive Sensing Matrices
Übersetzter Titel:
Asymptotisch optimale Kanalschätzung und das Lernen geeigneter Compressive-Sensing-Matrizen
Autor:
Koller, Michael
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Utschick, Wolfgang (Prof. Dr.)
Gutachter:
Utschick, Wolfgang (Prof. Dr.); Schober, Robert (Prof. Dr.)
Sprache:
en
Fachgebiet:
ELT Elektrotechnik
TU-Systematik:
ELT 515
Kurzfassung:
We aim to recover channel vectors from noisy linear observations. First, we approximate the unknown channel probability density function by means of a sequence of Gaussian mixture models. Thereafter, we define a corresponding sequence of conditional mean channel estimators and prove its convergence to the optimal estimator. Further, we propose a distribution matching problem which aims to learn an observation matrix with a restricted isometry property.
Übersetzte Kurzfassung:
Diese Arbeit beschäftigt sich mit der Rekonstruktion von Kanalvektoren aus rauschbehafteten linearen Beobachtungen. Eine Folge gaußscher Mischmodelle approximiert zunächst die unbekannte Kanaldichte. Danach wird eine zugehörige Folge bedingter Mittelwertkanalschätzer definiert und deren Konvergenz zum Optimum bewiesen. Abschließend wird ein Verteilungsanpassungsproblem vorgeschlagen, das eine passende Beobachtungsmatrix mit einer eingeschränkten Isometrieeigenschaft lernen soll.
WWW:
https://mediatum.ub.tum.de/?id=1659309
Eingereicht am:
09.06.2022
Mündliche Prüfung:
16.12.2022
Dateigröße:
1425707 bytes
Seiten:
97
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221216-1659309-1-9
Letzte Änderung:
20.03.2023
 BibTeX