Семинар: Интеллектуальная обработка изображений и сигналов

phan-page-001СВЕДЕНИЯ О ДОКЛАДЧИКЕ:

Д-р Анх-Хуэй Фан является старшим научным сотрудником в Лаборатории

усовершенствованной обработки сигналов мозга, RIKEN, Института мозга, который является ведущим исследовательским институтом, работающим при полной поддержке правительства Японии.

В сферу исследовательских интересов докладчика входит машинное обучение, обработка сигналов и изображений в системах с ограниченной или искаженной информацией, в особенности на основе слепого выделения источника, анализ независимых компонентов (ICA), неотрицательное матричное разложение (NMF), слепое выявление систем, регрессия на основе многочленов от нескольких переменных, нейро-компьютерный интерфейс, полилинейная алгебра, тензорные вычисления, тензорное представление сетей и задачи комплексной оптимизации.

Докладчик также является соавтором трех монографий (книг) по обработке изображений и сигналов и трех комплектов инструментальных средств MATLAB для анализа независимых компонентов и тензорного разложения, а также автором более 80 научных работ, опубликованных в виде журнальныхстатей под редакцией ведущих специалистов отрасли и представленных на конференциях по обработке сигналов/изображений.   Публикации докладчика цитировались более 3000 раз.

Докладчик ведет плодотворное научное сотрудничество с коллегами во всем мире.

КРАТКОЕ СОДЕРЖАНИЕ СЕМИНАРА:

Для слепой системы ввода-вывода, обрабатывающей сигналы (данные) на основе полученных в процессе обучения знаний, разработана концепция интеллектуальной обработки сигналов (IPS). Таким образом, выходной сигнал является результатом процесса обучения.

Двумя возможными примерами реализации IPS являются слепое выделение источника и слепая идентификация, при этом тензорное разложение стало успешным подходом к решению этой проблемы за счет изучения матрицы смешивания исключительно на основе наблюдений с присутствием шумов.

Для приложений по удалению шума и дополнению данных, базовые шаблоны моделирования данных можно изучить на основе тензорного разложения с соответствующей организацией тензоров (тензоризация).  Затем такие шаблоны используются в качестве словарей для восстановления данных.  Альтернативный подход заключается в том, что мы можем изучить комплексную систему, представляющую образец данных, с учетом данных соседних систем. Таким образом, система воспринимается как «черный ящик» и задача сводится к выявлению нелинейных систем. Математическое описание системы может быть представлено соответствующими операторами Вольтерра или в виде многочлена от нескольких переменных. При этом, количество параметров при обучении на основе многочлена от нескольких переменных растет экспоненциально по мере роста количества переменных, что требует большого объема вычислений. Таким образом, мы показываем, что низкосортное представление на основе тензоров является жизнеспособным подходом для выявления нелинейных систем. Для демонстрации эффективности нашего метода используется пример дополнения данных в изображения.

Изучение системы также может применяться для классификации и распознавания. В таких задачах тензорное разложение выступает в роли многостороннего инструмента, с помощью которого определяются отличительные особенности. Мы приведем практические примеры реализации такого подхода, включая классификацию данных ЭЭГ для нейро-компьютерного интерфейса.

Наконец, мы покажем тензорное разложение в общем виде для представления нелинейных систем в машине опорных векторов, анализе канонических корреляций, методе частных наименьших квадратов, дискриминантном анализе и сжатом восприятии.

Tweet about this on Twitter0Share on Facebook0Pin on Pinterest0Share on Tumblr0Share on VK