Digital Signal Processing with Kernel Methods

بررسی واقع بینانه و جامع رویکردهای مشترک برای یادگیری ماشین و الگوریتم های پردازش سیگنال، با کاربرد در ارتباطات، چند رسانه ای، و سیستم های مهندسی زیست پزشکی

پردازش سیگنال دیجیتال با روش‌های هسته نقاط عطف در ترکیب مدل‌های پردازش سیگنال دیجیتال کلاسیک و ابزارهای یادگیری آماری ماشین‌های هسته پیشرفته را بررسی می‌کند. مفاهیم اساسی از هر دو زمینه یادگیری ماشین و پردازش سیگنال را توضیح می‌دهد تا خوانندگان بتوانند به سرعت برای شروع توسعه مفاهیم و نرم‌افزار کاربردی در تحقیقات خود به سرعت بالا بروند.

سیگنال دیجیتال. پردازش با روش‌های کرنل نمای کلی جامعی از روش‌های هسته در پردازش سیگنال، بدون محدودیت در هیچ زمینه کاربردی، ارائه می‌کند. همچنین برنامه‌های کاربردی نمونه و آزمایش‌های معیار دقیق را با مجموعه داده‌های واقعی و مصنوعی در سراسر ارائه می‌دهد. خوانندگان می توانند نمونه های کار شده بیشتر با کد منبع Matlab را در یک وب سایت توسعه یافته توسط نویسندگان بیابند.

• ایده‌های اساسی لازم را از مفاهیم پردازش سیگنال دیجیتال و یادگیری ماشین ارائه می‌کند
• به‌روزرسانی پیشرفته‌ترین الگوریتم‌های SVM را برای طبقه‌بندی و تشخیص مشکلات در زمینه پردازش سیگنال
• بررسی پیشرفت‌ها در پردازش سیگنال هسته فراتر از الگوریتم‌های SVM برای ارائه سایر روش‌های هسته بسیار مرتبط برای پردازش سیگنال دیجیتال

کتابی عالی برای محققان پردازش سیگنال و متخصصان، پردازش سیگنال دیجیتال با روش های هسته همچنین برای کسانی که در یادگیری ماشین و تشخیص الگو فعالیت دارند جذاب خواهد بود.

A realistic and comprehensive review of joint approaches to machine learning and signal processing algorithms, with application to communications, multimedia, and biomedical engineering systems

Digital Signal Processing with Kernel Methods reviews the milestones in the mixing of classical digital signal processing models and advanced kernel machines statistical learning tools. It explains the fundamental concepts from both fields of machine learning and signal processing so that readers can quickly get up to speed in order to begin developing the concepts and application software in their own research.

Digital Signal Processing with Kernel Methods provides a comprehensive overview of kernel methods in signal processing, without restriction to any application field. It also offers example applications and detailed benchmarking experiments with real and synthetic datasets throughout. Readers can find further worked examples with Matlab source code on a website developed by the authors. 

• Presents the necessary basic ideas from both digital signal processing and machine learning concepts
• Reviews the state-of-the-art in SVM algorithms for classification and detection problems in the context of signal processing
• Surveys advances in kernel signal processing beyond SVM algorithms to present other highly relevant kernel methods for digital signal processing

An excellent book for signal processing researchers and practitioners, Digital Signal Processing with Kernel Methods will also appeal to those involved in machine learning and pattern recognition.