- Код статьи
- 10.31857/S0005231023070073-1
- DOI
- 10.31857/S0005231023070073
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 7
- Страницы
- 121-145
- 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.
- Ключевые слова
- статистическая сложность обнаружение сигнала информационная дивергенция
- Дата публикации
- 15.07.2023
- Год выхода
- 2023
- Всего подписок
- 0
- Всего просмотров
- 9
Библиография
- 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
