คำถามติดแท็ก optimization

สมมติตัวกรอง IIR อันดับแรกดังต่อไปนี้: y[n]=αx[n]+(1−α)y[n−1]y[n]=αx[n]+(1−α)y[n−1] y[n] = \alpha x[n] + (1 - \alpha) y[n - 1] ฉันจะเลือกพารามิเตอร์αα \alpha st ที่ IIR ประมาณเท่าที่จะทำได้ FIR ซึ่งเป็นค่าเฉลี่ยเลขคณิตของkk k ตัวอย่างล่าสุดได้อย่างไร: z[n]=1kx[n]+1kx[n−1]+…+1kx[n−k+1]z[n]=1kx[n]+1kx[n−1]+…+1kx[n−k+1] z[n] = \frac{1}{k}x[n] + \frac{1}{k}x[n-1] + \ldots + \frac{1}{k}x[n-k+1] โดยที่n∈[k,∞)n∈[k,∞) n \in [k, \infty) หมายถึงอินพุตสำหรับ IIR อาจยาวกว่าkk k และยังต้องการให้การประมาณค่าเฉลี่ยที่ดีที่สุดของอินพุตสุดท้ายkk k ฉันรู้ว่า IIR มีการตอบสนองต่อแรงกระตุ้นอย่างไม่มีที่สิ้นสุดดังนั้นฉันจึงมองหาการประมาณค่าที่ดีที่สุด ฉันยินดีที่จะใช้โซลูชันการวิเคราะห์ไม่ว่าจะเป็นฟังก์ชั่นการคิดต้นทุนL2L2 …

24 filters  filter-design  infinite-impulse-response  optimization  approximation 

ขณะนี้ฉันกำลังเรียนรู้เกี่ยวกับการประมาณกำลังสองน้อยที่สุด (และอื่น ๆ ) สำหรับการถดถอยและจากสิ่งที่ฉันกำลังอ่านในวรรณกรรมอัลกอริทึมแบบปรับตัวบางครั้งมักใช้วลี "... และเนื่องจากพื้นผิวข้อผิดพลาดนูน ... " ปรากฏขึ้นและ ความลึกใด ๆ ที่เป็นสาเหตุว่าทำไมจึงต้องมีการนูนเพื่อเริ่มต้นด้วยไม่ว่าจะอยู่ที่ไหน ... ดังนั้นสิ่งที่ทำให้มันนูน ? ฉันพบว่าการละเลยซ้ำนี้น่ารำคาญเล็กน้อยเพราะฉันต้องการออกแบบอัลกอริธึมแบบปรับตัวเองพร้อมฟังก์ชั่นต้นทุนของตัวเอง แต่ถ้าฉันไม่สามารถบอกได้ว่าฟังก์ชั่นค่าใช้จ่ายของฉันส่งผลให้เกิดข้อผิดพลาดนูนหรือไม่ ไปไกลเกินกว่าที่จะใช้บางสิ่งบางอย่างเช่นการไล่ระดับสีแบบไล่ระดับเพราะจะไม่มีค่าขั้นต่ำระดับโลก บางทีฉันอาจต้องการที่จะสร้างสรรค์ - บางทีฉันอาจไม่ต้องการใช้กำลังสองน้อยที่สุดเป็นเกณฑ์ในข้อผิดพลาดของฉัน เมื่อขุดลึกลงไป (และคำถามของฉันเริ่มต้นที่นี่) ฉันพบว่าเพื่อให้สามารถบอกได้ว่าคุณมีพื้นผิวข้อผิดพลาดนูนหรือไม่คุณต้องตรวจสอบให้แน่ใจว่าเมทริกซ์ Hessianของคุณนั้นเป็นกึ่งบวกแน่นอน สำหรับการเข้าคู่แบบสมมาตรการทดสอบนี้ง่ายมาก - ตรวจสอบให้แน่ใจว่าค่าลักษณะเฉพาะทั้งหมดของเมทริกซ์ Hessian นั้นไม่เป็นลบ (หากเมทริกซ์ของคุณไม่สมมาตรคุณสามารถทำให้สมมาตรได้โดยการเพิ่มลงในทรานสโพสของตัวเองและทำการทดสอบค่าลักษณะเฉพาะเดียวกันโดยอาศัยอำนาจของGramianแต่นั่นไม่สำคัญเลย) Hessian matrix คืออะไร เมทริกซ์ของ Hessian ประมวลผลการผสมผสานระหว่างส่วนที่เป็นไปได้ของฟังก์ชันต้นทุนของคุณ มีกี่ Partials จำนวนคุณลักษณะในเวกเตอร์ฟีเจอร์ของคุณมากพอ ๆ วิธีคำนวณชิ้นงาน? ใช้อนุพันธ์บางส่วน 'ด้วยมือ' จากฟังก์ชันต้นทุนดั้งเดิม นั่นคือสิ่งที่ฉันทำ: ฉันคิดว่าเรามีเมทริกซ์ข้อมูลmmm x nnnซึ่งแสดงโดยเมทริกซ์XXXโดยที่mmmหมายถึงจำนวนตัวอย่างและnnnหมายถึงจำนวนคุณลักษณะต่อตัวอย่าง …

17 autocorrelation  covariance  least-squares  optimization 

ฉันยังใหม่กับหัวข้อของการตรวจจับการบีบอัด ฉันอ่านบทความเกี่ยวกับเรื่องนี้โดย R.Baranuik, Y.Eldar, Terence Tao เป็นต้นเอกสารเหล่านี้โดยทั่วไปให้รายละเอียดทางคณิตศาสตร์ที่อยู่เบื้องหลังมันคือ Sparsity, RIP, L1 norm minimization เป็นต้นอย่างไรก็ตามทุกคนสามารถให้รหัส MATLAB ได้ ที่บรรลุการรับรู้การบีบอัด? ขอบคุณล่วงหน้าสำหรับความช่วยเหลือใด ๆ

13 matlab  compressive-sensing  optimization