用于高分辨率时频分布的核心学习
信号处理
2021-07-19 v2
摘要
高分辨率且无交叉项(CT)的时频分布(TFD)设计一直是一个开放问题。即便在最优导出参数下，经典的基于核的方法也受限于TFD分辨率与CT抑制之间的权衡。为突破当前局限，我们提出一种直接基于Wigner-Ville分布(WVD)的数据驱动核学习模型。所提出的基于核学习的TFD(KL-TFD)模型包含若干堆叠的多通道学习卷积核。具体而言，利用跳跃算子维持正确的信息传输，并采用加权块以利用空间与通道依赖关系。这两种设计同时实现了高TFD分辨率与CT消除。在合成与真实数据上的数值实验证实了所提KL-TFD相对于传统核函数方法的优越性。
引用
@article{arxiv.2007.00322,
title = {Kernel Learning for High-Resolution Time-Frequency Distribution},
author = {Lei Jiang and Haijian Zhang and Lei Yu and Guang Hua},
journal= {arXiv preprint arXiv:2007.00322},
year = {2021}
}