Theses metadata

“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.

Export

Creator:	Stanković, Đorđe
Title:	Estimacija i klasifikacija jednodimenzionih i dvodimenzionih signala korišćenjem kombinovanih transformacionih domena i neuralnih mreža
Copyright date:	2025
Trajni link:	https://phaidra.ucg.ac.me/detail_object/o:1928?tab=0#mda
Pregled teze:
Download link:
Select license:	Autorstvo-Nekomercijalno-Bez prerade 3.0 Srbija (CC BY-NC-ND 3.0)

Academic metadata

Theses Type:	Phd. theses
Academic Expertise :	Tehnicko-tehnološke nauke
Academic Title:	doktor nauka - elektrotehnika i računarstvo
University:	Univerzitet Crne Gore
Faculty:	Elektrotehnički fakultet
Group:	Studijski program Elektronika

Other Theses Metadata

Title translated:	Estimation and classification of onedimensional and two-dimensional signals using combined transform domains and neural networks
Format:	PDF/A (pages)
Abstract:	Kombinovanje različitih algoritama i tehnika razvijenih u obradi signala omogućava efikasne primjene u širokom spektru oblasti. U tom smislu, važnu ulogu igraju transformacioni domeni koji se dobijaju kao optimalni estimatori za odre ene klase signala. Optimalni estimatori pružaju mogućnost predstavljanja signala sa malim brojem transformacionih koeficijenata a istovremeno obezbije uju minimalnu varijansu pri estimaciji signala zahvaćenih šumom. U ovoj tezi su razmatrani optimalni estimatori za slučaj signala sa nedostajućim odbircima i u tom kontekstu su data ograni enja vezano za minimalan broj dostupnih odbiraka za koji Kramer-Rao granica minimalne varijanse i dalje važi. Primjenom odgovarajuće transformacije u kombinaciji sa klasifikacionim algoritmima dobijeni su pristupi koji omogućavaju efikasnu redukciju šuma i prepoznavanje odre enih formi signala. Poseban akcenat je stavljen na dvodimenzioni slučaj slika zahvaćenih šumom, gdje je kombinacijom pristupa kompresivnog odabiranja, klasifikacionih algoritama i konveks-optimizacionih rekonstrukcionih metoda dobijen efikasan sistem za redukciju šuma kod slike. Tako će, kombinacijom transformacionih domena (sa različitim veličinama blokova), robustne statistike i rekonstrukcionih algoritama predložen je sistem za potpunu ekstrakciju stacionarnih - Moareovih (Moiré) formi tekstura iz odre enog dvodimenzionog oblika koji može biti i prirodna slika. Razmatrani su i klasifikacioni algoritmi bazirani na skupu signala za obu avanje, za koje su predložene efikasne arhitekture za hardverske realizacije. Na ovaj način je omogućena aplikacija u realnom vremenu za širok spektar primjena, od seizmičkih signala do slika u boji. Realizovani su sistemi bazirani na klasifikacionim pristupima Parzenovog prozora i k-tog najbližeg susjednog odbiraka. Pomenute klasifikacione tehnike i konveksoptimizacioni algoritmi za rekonstrukciju korišteni su u kombinaciji sa Hopfildovom neuralnom mrežom u cilju poboljšanja njenih performansi. Kompleksna teorijska razmatranja i predloženi pristupi su verifikovani velikim brojem statističkih i numeričkih primjera kao i na slučajevima realnih signala, kako jednodimenzionih tako i dvodimenzionih.
Abstract:	Combining various algorithms and techniques developed in signal processing enables efficient implementations in a wide area of research. In that sense, using appropriate transform domains that represent optimal estimators for a specific type of signals have an important role. Optimal estimators provide the possibility of sparse representation of signals, which also provide minimal variance of estimated parameters of signals affected by noise. In this thesis, the optimal estimators are considered for cases of signals with missing samples and in this context is also given a minimum number of available samples for which the theory of lower bound of variance holds. By applying the appropriate transforms, combined with classification algorithms, approaches for pattern recognition, variable compressive sensing and noise reduction have been developed. Namely, combining transform domains (using different block sizes), robust statistics and reconstruction algorithms, a new method for the extraction of the stationary Moiré pattern from the host natural image is proposed. Also, combining the method for compressive sensing, classification algorithms and convex optimization reconstruction, an efficient system for block characterization, variable compressive sensing and noise reduction is proposed. Classification algorithms based on training datasets of signals are also considered, for which an efficient architecture for hardware realizations are proposed. In this way, a real-time application is facilitated for a wide variety of implementations, ranging from one-dimensional seismic signals to two-dimensional images represented by three channels. In that sense, the systems based on the Parzen window and k-th nearest neighbors methods are realized. Classification techniques and convex optimization reconstruction algorithms are also used with Hopfield neural network in order to improve the performance of pattern reconstruction. Based on that, the performances of the neural network are significantly enhanced. Theoretical considerations and proposed methods are verified by various statistical and numerical examples, as well as in cases with real-world one-dimensional and two-dimensional signals.
Authors Key words:	transformacioni domeni, detekcija estimacije, Kramer-Rao granica, spars signali, klasifikacioni algoritmi, Hopfildova mreža
Authors Key words:	transform domains, detection and estimation, Cramer-Rao bound, sparse signals, classification algorithms, Hopfield neural network
Language:	Serbian

Abstract:

Kombinovanje različitih algoritama i tehnika razvijenih u obradi signala omogućava efikasne primjene u širokom spektru oblasti. U tom smislu, važnu ulogu igraju transformacioni domeni koji se dobijaju kao optimalni estimatori za odre ene klase signala. Optimalni estimatori pružaju mogućnost predstavljanja signala sa malim brojem transformacionih koeficijenata a istovremeno obezbije uju minimalnu varijansu pri estimaciji signala zahvaćenih šumom. U ovoj tezi su razmatrani optimalni estimatori za slučaj signala sa nedostajućim odbircima i u tom kontekstu su data ograni enja vezano za minimalan broj dostupnih odbiraka za koji Kramer-Rao granica minimalne varijanse i dalje važi. Primjenom odgovarajuće transformacije u kombinaciji sa klasifikacionim algoritmima dobijeni su pristupi koji omogućavaju efikasnu redukciju šuma i prepoznavanje odre enih formi signala. Poseban akcenat je stavljen na dvodimenzioni slučaj slika zahvaćenih šumom, gdje je kombinacijom pristupa kompresivnog odabiranja, klasifikacionih algoritama i konveks-optimizacionih rekonstrukcionih metoda dobijen efikasan sistem za redukciju šuma kod slike. Tako će, kombinacijom transformacionih domena (sa različitim veličinama blokova), robustne statistike i rekonstrukcionih algoritama predložen je sistem za potpunu ekstrakciju stacionarnih - Moareovih (Moiré) formi tekstura iz odre enog dvodimenzionog oblika koji može biti i prirodna slika. Razmatrani su i klasifikacioni algoritmi bazirani na skupu signala za obu avanje, za koje su predložene efikasne arhitekture za hardverske realizacije. Na ovaj način je omogućena aplikacija u realnom vremenu za širok spektar primjena, od seizmičkih signala do slika u boji. Realizovani su sistemi bazirani na klasifikacionim pristupima Parzenovog prozora i k-tog najbližeg susjednog odbiraka. Pomenute klasifikacione tehnike i konveksoptimizacioni algoritmi za rekonstrukciju korišteni su u kombinaciji sa Hopfildovom neuralnom mrežom u cilju poboljšanja njenih performansi. Kompleksna teorijska razmatranja i predloženi pristupi su verifikovani velikim brojem statističkih i numeričkih primjera kao i na slučajevima realnih signala, kako jednodimenzionih tako i dvodimenzionih.