Resumen

El problema del aprendizaje de diccionarios se ha convertido en un tema activo desde hace décadas. La mayoría de los métodos de aprendizaje existentes entrenan el diccionario para que se adapte a una clase concreta de señales. Pero a medida que aumenta el número de átomos del diccionario para representar las señales de forma mucho más dispersa, la coherencia entre los átomos es mayor. Según las teorías codiciosa y de detección comprimida, esto va en contra de la aplicación de la codificación dispersa. En este artículo se propone un nuevo enfoque para aprender el diccionario que minimiza el error de representación dispersa según las señales de entrenamiento, teniendo en cuenta la coherencia. La coherencia se restringe haciendo que la matriz Gram del diccionario deseado se aproxime a una matriz de identidad de dimensión adecuada. El método para manejar el modelo propuesto se basa principalmente en el procedimiento de minimización alternante y, en cada paso, se deriva la solución de forma cerrada. Se realiza una serie de experimentos con datos sintéticos y señales de audio para demostrar el prometedor rendimiento del diccionario incoherente aprendido y la superioridad del método de aprendizaje frente a los existentes.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Aprendizaje de diccionarios; métodos de aprendizaje; señales; coherencia; codificación dispersa; matriz de Gram.
• Keywords:Dictionary learning; learning methods; signals; coherence; sparse coding; Gram matrix