Machine Learning for Signal Analysis and System Modeling: Sparse and Event Driven Strategies

用于信号分析和系统建模的机器学习:稀疏和事件驱动策略

基本信息

  • 批准号:
    RGPIN-2017-05939
  • 负责人:
  • 金额:
    $ 1.89万
  • 依托单位:
  • 依托单位国家:
    加拿大
  • 项目类别:
    Discovery Grants Program - Individual
  • 财政年份:
    2018
  • 资助国家:
    加拿大
  • 起止时间:
    2018-01-01 至 2019-12-31
  • 项目状态:
    已结题

项目摘要

The proposed research is in the area of machine learning (ML) and its applications to signal processing and system modelling. ML is one the fastest growing fields of computer science, with far-reaching applications. These diverse applications demand for new ML algorithms able to cope with massive data sets of high dimensionality. In this proposal, I describe my plan to extend my current research on nonparametric/semiparametric learning methods to ML problems that are driven by two concepts: sparsity and events. ***This challenge includes not only the development of the new basic methodology, but also to verify it in the framework of signal and system analysis. Testing of the proposed methods in concrete applications within the areas of power engineering and biological signal processing is also planned. ***My research proposal relies on the idea of blending the modern nonparametric/semiparametric learning methodology with the concepts of sparsity and events. The sparsity approach to ML is based on the observation that real-world signals and systems are well characterized by a relatively small number of relevant parameters when compared to the dimension of their original space. Sparse modeling is deeply rooted in the ancient principle of parsimony and can be related to our daily lives. The key problem is to discover a sparse representation and its form in a given setting. The current research on ML with sparsity is mostly confined to finite-dimensional linear models. In this set-up the sparsity refers to the condition that most variables are close to zero. Efficient solutions for sparse linear models are based on the convex relaxation of the penalized least-squares criteria yielding the celebrated Lasso algorithm and its extensions. ***The event-driven approach can be viewed as a specific form of obtaining sparsity by generating a representation of the infinite-dimensional object based on observations that are acquired only when the event triggering condition holds. As a result, the object is represented by sparsely and randomly distributed instances. In signal analysis concrete event-based representations can be obtained from a sequence of events like level crossings and local extremes. Various event types may result in different sparse representations. Research is planned to select or combine various event schemes for the maximum accuracy and efficiency of the event-based learning.***The challenge of this proposal is to give thorough examination of the sparsity of infinite-dimensional objects generated by classical and event-based sparse representations. I believe that the proposed sparse and event driven ML paradigm can substantially enlarge a scope of ML applications and improve the existing algorithms within the context of examined case studies. Over this 5-year cycle I propose to train 6 PhD students (3 current + 3 new) and 3 MSc students (1 current + 2 new).
拟议的研究是在机器学习领域(ML)及其在信号处理和系统建模方面的应用。 ML是计算机科学发展最快的领域之一,具有深远的应用程序。 这些不同的应用程序需求对能够应对高维度的大量数据集的新ML算法。 在此提案中,我描述了我的计划,即将目前的非参数/半参数学习方法的研究扩展到由两个概念驱动的ML问题:稀疏性和事件。 ***这一挑战不仅包括新基本方法的开发,而且还包括在信号和系统分析框架中对其进行验证。还计划了在动力工程和生物信号处理领域内的混凝土应用中提出的方法的测试。 ***我的研究建议依赖于将现代非参数/半理学方法与稀疏和事件的概念融合的想法。 ML的稀疏方法基于这样的观察,即现实信号和系统与原始空间的尺寸相比,相对较少的相关参数的特征是相对较少的相关参数。 稀疏的建模深深植根于古老的简约原则,可能与我们的日常生活有关。 关键问题是在给定的环境中发现稀疏的表示及其形式。 当前对稀疏性ML的研究主要仅限于有限维线性模型。在此设置中,稀疏性是指大多数变量接近零的条件。稀疏线性模型的有效解决方案基于惩罚最小二乘标准的凸松弛,得出了著名的套索算法及其扩展。 ***事件驱动的方法可以通过基于观察值的观测值来产生无限维对对象的表示,将事件驱动的方法视为获得稀疏性的特定形式。结果,对象由稀疏和随机分布的实例表示。在信号分析中,基于混凝土事件的表示可以从一系列事件等事件等序列中获得。各种事件类型可能会导致不同的稀疏表示。计划选择或组合各种事件方案,以最大程度地和基于事件的学习的效率。我认为,提出的稀疏和事件驱动的ML范式可以大大扩大ML应用的范围,并在检查的案例研究的背景下改善现有算法。在这个5年的周期中,我建议培训6名博士学位学生(3个当前 + 3个新学生)和3名MSC学生(1个当前 + 2个新的)。

项目成果

期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

Pawlak, Miroslaw其他文献

Modelling boredom in the EFL context: An investigation of the role of coping self-efficacy, mindfulness, and foreign language enjoyment
  • DOI:
    10.1177/13621688231182176
  • 发表时间:
    2023-06-22
  • 期刊:
  • 影响因子:
    4.2
  • 作者:
    Fathi, Jalil;Pawlak, Miroslaw;Naderi, Milad
  • 通讯作者:
    Naderi, Milad
Potential sources of foreign language learning boredom: A Q methodology study
Investigating the dynamic nature of L2 willingness to communicate
  • DOI:
    10.1016/j.system.2015.02.001
  • 发表时间:
    2015-06-01
  • 期刊:
  • 影响因子:
    6
  • 作者:
    Pawlak, Miroslaw;Mystkowska-Wiertelak, Anna
  • 通讯作者:
    Mystkowska-Wiertelak, Anna
A longitudinal study of foreign language enjoyment and boredom: A latent growth curve modeling
  • DOI:
    10.1177/13621688221082303
  • 发表时间:
    2022-03-17
  • 期刊:
  • 影响因子:
    4.2
  • 作者:
    Kruk, Mariusz;Pawlak, Miroslaw;Yazdanmehr, Elham
  • 通讯作者:
    Yazdanmehr, Elham
Boredom in online classes in the Iranian EFL context: Sources and solutions
  • DOI:
    10.1016/j.system.2021.102556
  • 发表时间:
    2021-06-14
  • 期刊:
  • 影响因子:
    6
  • 作者:
    Derakhshan, Ali;Kruk, Mariusz;Pawlak, Miroslaw
  • 通讯作者:
    Pawlak, Miroslaw

Pawlak, Miroslaw的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('Pawlak, Miroslaw', 18)}}的其他基金

Machine Learning for Signal Analysis and System Modeling: Sparse and Event Driven Strategies
用于信号分析和系统建模的机器学习:稀疏和事件驱动策略
  • 批准号:
    RGPIN-2017-05939
  • 财政年份:
    2021
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Machine Learning for Signal Analysis and System Modeling: Sparse and Event Driven Strategies
用于信号分析和系统建模的机器学习:稀疏和事件驱动策略
  • 批准号:
    RGPIN-2017-05939
  • 财政年份:
    2020
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Machine Learning for Signal Analysis and System Modeling: Sparse and Event Driven Strategies
用于信号分析和系统建模的机器学习:稀疏和事件驱动策略
  • 批准号:
    RGPIN-2017-05939
  • 财政年份:
    2019
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Statistical Pattern Recognition for Manufacturing Quality Control
制造质量控制的统计模式识别
  • 批准号:
    533141-2018
  • 财政年份:
    2018
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Engage Grants Program
Machine Learning for Signal Analysis and System Modeling: Sparse and Event Driven Strategies
用于信号分析和系统建模的机器学习:稀疏和事件驱动策略
  • 批准号:
    RGPIN-2017-05939
  • 财政年份:
    2017
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Semiparametric learning in signal processing, communication systems and pattern recognition
信号处理、通信系统和模式识别中的半参数学习
  • 批准号:
    8131-2007
  • 财政年份:
    2010
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Semiparametric learning in signal processing, communication systems and pattern recognition
信号处理、通信系统和模式识别中的半参数学习
  • 批准号:
    8131-2007
  • 财政年份:
    2009
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Semiparametric learning in signal processing, communication systems and pattern recognition
信号处理、通信系统和模式识别中的半参数学习
  • 批准号:
    8131-2007
  • 财政年份:
    2008
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Semiparametric learning in signal processing, communication systems and pattern recognition
信号处理、通信系统和模式识别中的半参数学习
  • 批准号:
    8131-2007
  • 财政年份:
    2007
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual
Nonlinear and local learning techniques in signal analysis, communication and pattern recognition
信号分析、通信和模式识别中的非线性和局部学习技术
  • 批准号:
    8131-2002
  • 财政年份:
    2006
  • 资助金额:
    $ 1.89万
  • 项目类别:
    Discovery Grants Program - Individual

相似国自然基金

水声小样本场景中机器学习信道估计机理及数据增强方法研究
  • 批准号:
    62301551
  • 批准年份:
    2023
  • 资助金额:
    30.00 万元
  • 项目类别:
    青年科学基金项目
面向大规模基带信号处理的分布式机器学习方法
  • 批准号:
    62231019
  • 批准年份:
    2022
  • 资助金额:
    292 万元
  • 项目类别:
    重点项目
基于机器学习的高剂量环境下信号特征提取及恢复方法研究
  • 批准号:
  • 批准年份:
    2020
  • 资助金额:
    24 万元
  • 项目类别:
    青年科学基金项目
基于盲源信号分离和机器学习的超低频地震地磁信号提取及特征分析研究
  • 批准号:
    41974083
  • 批准年份:
    2019
  • 资助金额:
    63 万元
  • 项目类别:
    面上项目
基于多重机器学习的无线通信网信号态势全覆盖感知算法研究
  • 批准号:
    61971473
  • 批准年份:
    2019
  • 资助金额:
    58 万元
  • 项目类别:
    面上项目

相似海外基金

Development of a Novel EMG-Based Neural Interface for Control of Transradial Prostheses with Gripping Assistance
开发一种新型的基于肌电图的神经接口,用于通过抓取辅助控制经桡动脉假体
  • 批准号:
    10748341
  • 财政年份:
    2024
  • 资助金额:
    $ 1.89万
  • 项目类别:
Genetics of Extreme Phenotypes of OSA and Associated Upper Airway Anatomy
OSA 极端表型的遗传学及相关上呼吸道解剖学
  • 批准号:
    10555809
  • 财政年份:
    2023
  • 资助金额:
    $ 1.89万
  • 项目类别:
Refining oxytocin therapy for pain: context is key
完善催产素治疗疼痛的方法:背景是关键
  • 批准号:
    10595113
  • 财政年份:
    2023
  • 资助金额:
    $ 1.89万
  • 项目类别:
Defining the role of mechanoresponsive adipocyte-to-fibroblast transition in wound fibrosis.
定义机械反应性脂肪细胞向成纤维细胞转变在伤口纤维化中的作用。
  • 批准号:
    10654464
  • 财政年份:
    2023
  • 资助金额:
    $ 1.89万
  • 项目类别:
Artificial Intelligence for Dynamic, individualized CPR guidance: AID CPR
人工智能提供动态、个性化的心肺复苏指导:AID CPR
  • 批准号:
    10644648
  • 财政年份:
    2023
  • 资助金额:
    $ 1.89万
  • 项目类别:
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了