User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Asymptotically Optimal Channel Estimation and Learning Suitable Compressive Sensing Matrices
Translated title:
Asymptotisch optimale Kanalschätzung und das Lernen geeigneter Compressive-Sensing-Matrizen
Author:
Koller, Michael
Year:
2022
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Utschick, Wolfgang (Prof. Dr.)
Referee:
Utschick, Wolfgang (Prof. Dr.); Schober, Robert (Prof. Dr.)
Language:
en
Subject group:
ELT Elektrotechnik
TUM classification:
ELT 515
Abstract:
We aim to recover channel vectors from noisy linear observations. First, we approximate the unknown channel probability density function by means of a sequence of Gaussian mixture models. Thereafter, we define a corresponding sequence of conditional mean channel estimators and prove its convergence to the optimal estimator. Further, we propose a distribution matching problem which aims to learn an observation matrix with a restricted isometry property.
Translated abstract:
Diese Arbeit beschäftigt sich mit der Rekonstruktion von Kanalvektoren aus rauschbehafteten linearen Beobachtungen. Eine Folge gaußscher Mischmodelle approximiert zunächst die unbekannte Kanaldichte. Danach wird eine zugehörige Folge bedingter Mittelwertkanalschätzer definiert und deren Konvergenz zum Optimum bewiesen. Abschließend wird ein Verteilungsanpassungsproblem vorgeschlagen, das eine passende Beobachtungsmatrix mit einer eingeschränkten Isometrieeigenschaft lernen soll.
WWW:
https://mediatum.ub.tum.de/?id=1659309
Date of submission:
09.06.2022
Oral examination:
16.12.2022
File size:
1425707 bytes
Pages:
97
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221216-1659309-1-9
Last change:
20.03.2023
 BibTeX