Dei due approcci principali al classico problema della separazione delle fonti, solo uno non impone vincoli di modello e probabilità potenzialmente irragionevoli: l’approccio statistico bayesiano. I metodi bayesiani incorporano le informazioni disponibili sui parametri del modello e non solo consentono la stima delle sorgenti e dei coefficienti di mescolamento, ma consentono anche di trarre da essi delle inferenze. Statistica bayesiana multivariata: modelli per la separazione delle sorgenti e la separazione dei segnali offre una trattazione approfondita e autonoma del problema della separazione delle sorgenti. Dopo un'introduzione al problema utilizzando l'analogia del "cocktail party", la Parte I fornisce il contesto statistico necessario per il modello di separazione della sorgente bayesiana. La Parte II considera i modelli di mescolamento costante istantaneo, in cui i vettori osservati e le sorgenti non osservate sono indipendenti nel tempo ma possono essere dipendenti all'interno di ciascun vettore. La Parte III descrive in dettaglio modelli più generali in cui le sorgenti possono essere ritardate, i coefficienti di mescolamento possono cambiare nel tempo e i vettori di osservazione e sorgente possono essere correlati nel tempo. Per ciascun modello discusso, l'autore fornisce due modi distinti per stimare i parametri. I problemi di separazione delle fonti nel mondo reale, incontrati in discipline che vanno dall’ingegneria e dall’informatica all’economia e all’elaborazione delle immagini, sono più difficili di quanto sembri. Questo libro fornisce materiale statistico fondamentale e risultati di ricerca aggiornati che consentono ai lettori di comprendere e applicare i metodi bayesiani per aiutare a risolvere i numerosi problemi dei "cocktail party" che possono affrontare nella pratica.
caricamento...
