Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Implicit estimation of Wiener series

Franz, M., & Schölkopf, B. (2004). Implicit estimation of Wiener series. In A. Barros, J. Principe, J. Larsen, T. Adali, & S. Douglas (Eds.), 14th IEEE Signal Processing Society Workshop Machine Learning for Signal Processing 2004 (pp. 735-744). Piscataway, NJ, USA: IEEE Operations Center.

Item is

 

einblenden: alle

Basisdaten

ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-F397-9 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0007-8DB7-C
Genre: Konferenzbeitrag

Dateien

ausblenden: Dateien
:
MLSP-2004-Franz.pdf (beliebiger Volltext), 192KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0007-8DB8-B
Name:
MLSP-2004-Franz.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

ausblenden:
externe Referenz:
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1423040 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

ausblenden:
 Urheber:
Franz, MO1, 2, Autor           
Schölkopf, B1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

ausblenden:
Schlagwörter: -
 Zusammenfassung: The Wiener series is one of the standard methods to systematically
characterize the nonlinearity of a system. The classical estimation
method of the expansion coefficients via cross-correlation suffers
from severe problems that prevent its application to high-dimensional
and strongly nonlinear systems. We propose an implicit estimation
method based on regression in a reproducing kernel Hilbert space that
alleviates these problems. Experiments show performance advantages in
terms of convergence, interpretability, and system sizes that can be
handled.

Details

ausblenden:
Sprache(n):
 Datum: 2005-042004-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 2643
 Art des Abschluß: -

Veranstaltung

ausblenden:
Titel: 14th IEEE Signal Processing Society Workshop Machine Learning for Signal Processing (MLSP 2004)
Veranstaltungsort: Sao Luis, Brazil
Start-/Enddatum: 2004-09-29 - 2004-10-01

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

ausblenden:
Titel: 14th IEEE Signal Processing Society Workshop Machine Learning for Signal Processing 2004
Genre der Quelle: Konferenzband
 Urheber:
Barros, A, Herausgeber
Principe, J, Herausgeber
Larsen, J, Herausgeber
Adali, T, Herausgeber
Douglas, S, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Piscataway, NJ, USA : IEEE Operations Center
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 735 - 744 Identifikator: ISBN: 0-7803-8608-4