Informaatio- ja tietoliikennetekniikan laitos

Rakenteellinen ja stokastinen mallinnus

Rakenteellisen ja stokastisen mallinnuksen ryhmä tekee tilastollisen signaalinkäsittelyn ja data-analyysin tutkimusta keskittyen perustavanlaatuisiin kysymyksiin siitä, miten dataa, jossa on satunnaisuutta tai kohinaa, voidaan mallintaa ja kuvata.

Käytännössä lähes kaikessa datassa on satunnaisuutta tai epätarkkuutta, olipa kyse luontaisesta stokastisuudesta tai mittauskohinasta. Tutkimusryhmässämme tutkitaan miten tälläiseen dataan sisältyvää tietoa voidaan mallintaa ja kuvata mahdollisimman tehokkaasti niin, että voidaan muodostaa mahdollisimman tehokkaita estimaattoreita ja algoritmeja. Tutkimustuloksia sovelletaan kaukokartoitukseen, audiosignaalin käsittelyyn sekä spektroskopiaan.

Teemme yhteistyötä kansainvälisten kumppaneiden, kuten Leuvenin katolisen yliopiston, Lundin yliopiston ja Tukholman kuninkaallisen teknillisen korkeakoulun kanssa.

Tämänhetkiset tutkimusaiheet

Optimaalinen siirto signaalinkäsittelyssä: käytämme optimaalisen siirron käsitettä geometrisen rakenteen indusoimiseksi signaaliavaruuteen ja rakennamme tehokkaita työkaluja mallintamiseen ja estimointiin.
Spatiotemporaalinen mallinnus: tehokas datan tai signaalin tila-aika mallinnus, kuten esimerkiksi laajakaistaisten monianturisignaalien, joita esiintyy tutkasignaalien ja audiosignaalin käsittelyssä.
Mallien virheellinen määrittely: vaikutus estimointiin ja päättelyyn silloin, kun (joskus tarkoituksellisesti) käytetään ”väärää” mallia tietojen kuvaamiseen.
Optimaalinen otanta: miten kerätään mittauksia datan tietosisällön maksimoimiseksi erityisesti sellaisten sovellusten osalta, joissa tiedonkeruu on kallista tai aikaa vievää.

Rakenteellisen ja stokastisen mallinnuksen ryhmää johtaa professori Filip Elvander.

Tutkimusportaali

Julkaistu: 27.9.2023
Päivitetty: 23.11.2023

Rakenteellinen ja stokastinen mallinnus

Tämänhetkiset tutkimusaiheet

Tutkimusryhmän jäsenet

Filip Elvander

Anton Björkman

Viimeisimmät julkaisut

Adaptive Coding in Wireless Acoustic Sensor Networks for Distributed Blind System Identification

Optimal Transport Based Impulse Response Interpolation in the Presence of Calibration Errors

Estimation of Impulse Responses for a Moving Source Using Optimal Transport Regularization

Distributed Adaptive Norm Estimation for Blind System Identification in Wireless Sensor Networks

Using optimal mass transport in bearing-time records for underwater target localization and tracking

Estimating Inharmonic Signals with Optimal Transport Priors

Variance analysis of covariance and spectral estimates for mixed-spectrum continuous-time signals

Fast Low-Latency Convolution by Low-Rank Tensor Approximation

Low-Rank Room Impulse Response Estimation

Simultaneous Acoustic Echo Sorting and 3-D Room Geometry Inference