Статистическая сложность как критерий задачи обнаружения полезного сигнала

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Рассматриваются три варианта функции статистической сложности, которая используется в качестве критерия в задаче обнаружения полезного сигнала в сигнально-шумовой смеси. Получены вероятностные распределения, максимизирующие рассматриваемые варианты статистической сложности, и сделаны выводы об эффективности использования того или иного варианта для задач обнаружения. На примере синтезированных сигналов продемонстрировано сравнение рассмотренных информационных характеристик и проиллюстрированы аналитические результаты. Предложен способ выбора порога информационного критерия, превышение которого позволяет сделать вывод о появлении полезного сигнала в сигнально-шумовой смеси. Выбор порога априорно зависит от максимальных значений, полученных аналитически. Врезу льтате сложность на основе полной вариации меры показала наилучшую способность обнаружения полезного сигнала.

Об авторах

А. А. Галяев

Институт проблем управления им. В.А. Трапезникова РАН

Email: galaev@ipu.ru
Москва

П. В. Лысенко

Институт проблем управления им. В.А. Трапезникова РАН

Email: pavellysen@ipu.ru
Москва

Л. М Берлин

Институт проблем управления им. В.А. Трапезникова РАН

Автор, ответственный за переписку.
Email: berlin.lm@phystech.edu
Москва

Список литературы

  1. Shannon C.E. A Mathematical Theory of Communication // Bell Syst. Tech. J. 1948. V. 27. P. 379-423.
  2. Gray R.M. Entropy and Information Theory. New York: Springer, 2011. https://doi.org/10.1007/978-1-4419-7970-4
  3. Holub A., Perona P., Burl M.C. Entropy-based Active Learning for Object Recognition // Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), IEEE. 2008. P. 1-8. https://doi.org/10.1109/CVPRW.2008.4563068
  4. Osisanwo F.Y., Akinsola J.E.T., Awodele O. et al. Supervised Machine Learning Algorithms: Classification and Comparison // Int. J. Comput. Trends Technol. (IJCTT). 2017. V. 48. No. 3. P. 128-138. https://doi.org/10.14445/22312803/IJCTT-V48P126
  5. Shen J., Hung J., Lee L. Robust Entropy-based Endpoint Detection for Speech Recognition in Noisy Environments // Proc. 5th International Conference on Spoken Language Processing (ICSLP). 1998. https://doi.org/10.21437/icslp.1998-527
  6. Ribeiro M., Henriques T., Castro L., Souto A., Antunes L., Costa-Santos C., Teixeira A. The Entropy Universe // Entropy. 2021. V. 222. No. 2. art. 222. https://doi.org/10.3390/e23020222
  7. Ramirez J., Segura J.C., Benitez C. et al. A New Kullback-Leibler VAD for Speech Recognition in Noise // IEEE Signal Proc. Lett. 2004. V. 11. No. 2. P. 266-269. https://doi.org/10.1109/LSP.2003.821762
  8. Horie T., Burioka N., Amisaki T., Shimizu E. Sample Entropy in Electrocardiogram During Atrial Fibrillation // Yonago Acta Medica. 2018. V. 61. No. 1. P. 49-57. https://doi.org/10.33160/yam.2018.03.007
  9. Lamberti P.W., Martin M.T., Plastino A., Rosso O.A.Intensive Entropic NonTriviality Measure // Phys. A: Stat. Mech. Appl. 2004. V. 334. No. 1. P. 119-131. https://doi.org/10.1016/j.physa.2003.11.005
  10. Lopez-Ruiz R. Shannon Information, LMC Complexity and Renyi Entropies: A Straightforward Approach // Biophys. Chem. 2005. V. 115. No. 3. P. 215-218. https://doi.org/10.1016/j.bpc.2004.12.035
  11. Zunino L., Soriano M.C., Rosso O.A. Distinguishing Chaotic and Stochastic Dynamics from Time Series by Using a Multiscale Symbolic Approach // Phys. Rev. E. Stat. Nonlin. Soft. Matter Phys. 2012. V. 86. No. 4. P. 1-5. https://doi.org/10.1103/PhysRevE.86.046210
  12. Ronald L.A., Duncan W.M. Signal Analysis: Time, Frequency, Scale, and Structure. N.J.: IEEE Press, 2004.
  13. Ширяев А.Н. Вероятностно-статистические методы в теории принятия решений. М.: МЦНМО: НМУ, 2020.
  14. Kishan G.M., Chilukuri K.M., HuaMing Huang. Anomaly Detection Principles and Algorithms. Cham: Springer. 2017. https://doi.org/10.1007/978-3-319-67526-8
  15. Berlin L.M., Galyaev A.A., Lysenko P.V. Comparison of Information Criteria for Detection of Useful Signals in Noisy Environments // Sensors. 2023. V. 23. No. 4. art. 2133. https://doi.org/10.3390/s23042133
  16. Johnson P., Moriarty J., Peskir G. Detecting Changes in Real-Time Data: A User's Guide to Optimal Detection // Philos. Trans. Royal Soc. A. 2017. V. 375. P. 16. art. 2100. https://doi.org/10.1098/rsta.2016.0298
  17. Li Z., Li Y., Zhang K.A. Feature Extraction Method of Ship-Radiated Noise Based on Fluctuation-Based Dispersion Entropy and Intrinsic Time-Scale Decomposition // Entropy. 2019. V. 21. No. 7. art. 693. https://doi.org/10.3390/e21070693
  18. Sason I. On f-Divergences: Integral Representations, Local Behavior, and Inequalities // Entropy. 2018. V. 20. No. 5. art. 383. https://doi.org/10.3390/e20050383

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023