Sparsity and random projections in time-frequency-based communication systems
| Promotie: | Dhr. M. (Matthias) Gay |
| Wanneer: | 03 maart 2017 |
| Aanvang: | 16:15 |
| Promotors: | M. (Michael) Biehl, Prof, prof. dr. T. Villmann, prof. dr. A. Lampe |
| Waar: | Academiegebouw RUG |
| Faculteit: | Science and Engineering |
Onderzoek naar signaalreconstructie
Het onderwerp van het promotieonderzoek van Matthias Gay ligt op het raakvlak van twee disciplines in de toegepaste wiskunde en de communicatietechnologie. Het concentreert zich op schaarse reconstructie- en schaarse modelleringsmethoden van de recentelijk vastgestelde Compressed Sensing theorie, die zich bezighoudt met het verkrijgen en reconstrueren van een signaal.
Gay heeft de theorie toegepast op communicatiesystemen gebruikmakend van Orthogonal Frequency Division Multiplexing (OFDM). Deze klasse van transmissiesystemen heeft een inherent tijd-frequentie model, dat het mogelijk maakt om de theorie en methoden van Compressed voor de schatting van schaarse tijdsdomein signalen toe te passen. De nadruk ligt op het algoritmeontwerp voor het oplossen van problemen die inherent zijn aan OFDM systemen, zich richtend op de problemen die als een schaars reconstructieprobleem gemodelleerd kunnen worden.
In plaats van het streven naar de vervanging van de traditionele methoden, heeft Gay technieken ontwikkeld die kunnen assisteren of gecombineerd worden met de klassieke technieken. In deze context bestudeert hij een aantal mogelijkheden om een specifiek schaars reconstructiealgoritme te implementeren op een kosten efficiënte manier.
Gay ontwikkelt ook een visie op een ander soort schaarsheid, namelijk parametrische schaarsheid, voor welke een andere benadering toegepast kan worden. Daarnaast heeft hij het concept Compressed Sensing vergeleken met het begrip sparse coding in machine learning, waarbij de verschillen en de overeenkomsten aangeduid worden. Gebruikmakend van bekende ideeën in de communicatietechniek worden een aantal machine learning algoritmen uitgebreid voor complexe getallen. Dit omvat de sparse coding benadering, alsook de klasse van Generalized Learning Vector Quantization algoritmen en gekerneliseerde versies hiervan.
Het promotieonderzoek van Matthias Gay vond plaats bij de afdeling Intelligente Systemen van het Johann Bernoulli Instituut. Hij werkt nu als Research associate bij de Fraunhofer Gesellschaft.