[发明专利]一维信号的无监督学习

说明书

背景技术

对于许多学科和技术而言，从数据中识别出图案和信号是最基本的。学习数据中的图案和信号允许系统中的元素/参数被识别，元素/参数之间的关系被量化，以及对于系统的影响被建立。

附图说明

所附附图说明了在此所述的原理的多个示例并且是说明书的一部分。所示示例仅是示例并不限制权利要求的范围。

图1是根据在此所述原理的一个示例、用于一维信号的无监督学习的系统的示图。

图2示出了根据在此所述原理的一个示例、用于一维信号的无监督学习的方法的参数和结果的曲线图。

图3示出了根据在此所述原理的一个示例、用于应用于非最小相位示例的一维信号的无监督学习的方法的参数和结果的曲线图。

图4示出了根据在此所述原理的一个示例、用于应用于图3的非最小相位示例但是利用了更大数量模型元素的一维信号的无监督学习的方法的参数和结果的曲线图。

图5示出了根据在此所述原理的一个示例、用于应用于非恒模信号(modulus signal)的一维信号的无监督学习的方法的参数和结果的曲线图。

图6是根据在此所述原理的一个示例、示出了用于一维信号的无监督学习的方法的流程图。

在整个附图中，相同的附图标记表示相似、但是不是必然完全一样的元件。

具体实施方式

在此所述的系统和方法仅从相关信号的测量提供没有监督的一维信号、图案或动态系统的学习。这些方法围绕计算恒模(CM)最小化问题的绝对最小值建立。在一个示例中，这些方法使用来自给定一维信号的有限集样本，以近似嵌入在图案中的信号。这些方法通过识别更高维度的自然空间来工作，在该自然空间中函数曲面是凸的。这些方法然后将非线性问题转换为在具有更易处理属性的更高维度空间中的凸优化的问题。在计算的自然凸空间中确定解的估计。然后，从计算的自然凸空间中算出的解中提取原始空间中解的估计。

这些方法的一个区别特性在于当已知某些方法失败时它们被证实也能工作，该某些方法诸如最小平方误差(MSE)，最小平方(LS)，维纳(Wiener)估计，卡尔曼(Kalman)滤波和最小均方(LMS)。此外，由于方法的带宽效率、数学的易处理性和免除利用训练集的算法训练的能力，甚至在其它算法具有普遍使用的情况下，所提出的方法也作为一个强有力的可替换方案。

与为本领域中最成功的盲自适应方法的常规CM算法相比，这些方法提供了至少三个显著的好处：(1)这些方法以合理的0(n²)阶时间复杂性在各处收敛；(2)这些方法在非CM或更高阶的复合信号存在时进行得很好，该复合信号例如多符号正交幅度调制(M-QAM)组；以及(3)这些方法的特性在其与截顶滤波、非最小或混合相位系统一起使用时，或者在附加噪音存在时，得到很好的理解。

这些方法非常通用并且可以广泛使用在多个工程领域，包括数字信号处理，自适应滤波，图像分析，无线信道估计，电子设计自动化，自动控制系统，最优设计问题，网络设计和操作，金融，供应链管理，调度，概率和统计学，计算几何学，数据拟合以及许多子领域。

在下面的描述中，为了解释的目的，阐述了许多具体的细节以便提供本系统和方法的详尽理解。然而，对于本领域技术人员而言显而易见的是，没有这些具体的细节，本设备、系统和方法也可以实施。说明书中的“示例”或类似语言意味着与该示例有关描述的特定特征、结构或特性包括在至少一个示例中，但是不是必然包括在其它示例中。

在此所述的方法和原理可以通过至少一个计算装置实施。图1示出了用于一维信号的无监督学习的系统(100)，其包括至少一个计算装置(105)。在该示例中，计算装置(105)可以包括多个组件，其包括计算处理器(110)，随机存取存储器(RAM)(115)，和硬盘驱动器(120)。

处理器(110)表示计算装置接收并执行指令以实施一维信号的无监督学习的方法(155)的能力。处理器可以是单芯处理器，多芯处理器，通用处理器和数学协处理器的组合，图形处理器，或在多个计算装置之间分布的处理能力。