Estimation robuste de matrices de dispersion structurées pour des modèles bien/mal spécifiés
Résumé
In most modern signal processing applications, observations are generally modeled by non-Gaussian distributions with covariance matrices exhibiting a particular structure. Taking these properties into account in the estimation scheme improves drastically the estimation accuracy. In this paper, we consider the estimation of structured scatter matrix, where the assumed model can differ from the true model of the data. Specifically, we propose a novel class of estimators, named StructurEd ScAtter Matrix Estimator (SESAME) in the mismatched framework. We also conduct a theoretical analysis of its asymptotic performance.
Dans la plupart des méthodes récentes en traitement du signal, les données sont modélisées par des distributions non gaussiennes, dont la matrice de covariance possède une structure particulière. Prendre ces propriétés en compte dans le processus d'estimation améliore nettement la qualité des estimées. Dans ce papier, nous considérons l'estimation de matrices de dispersion structurées, où le modèle supposé peut différer du vrai modèle des données. Plus précisément, nous proposons une nouvelle classe d'estimateurs dénommée StructurEd ScAtter Matrix Estimator (SESAME) dans un contexte de modèles mal spécifiés. Nous menons aussi une analyse théorique de leurs performances asymptotiques.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...