MARC

 008260126s2025        us                              c    eng  d
■001000017359793
■00520260202105215
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291565551
■035    ▼a(MiAaPQ)AAI32271748
■035    ▼a(MiAaPQ)umichrackham006454
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aMalinas,  Robert  P.
■24510▼aSignal  Detection  with  High-Dimensional  Random  Matrix  Models
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a217  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Hero,  Alfred  O.,  III.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aAdvancements  in  computing  over  recent  decades  have  enabled  real-time  processing  of  signals  with  hundreds  to  tens  of  thousands  of  features.  However,  in  modern  applications,  the  number  of  available  samples  often  falls  far  short  of  the  requirements  of  classical,  large-sample  estimation  and  detection  methods.  In  this  dissertation,  we  explore  techniques  for  high-dimensional  signal  detection  through  the  lens  of  random  matrix  theory.  Unlike  classical  large-sample  asymptotics-where  the  number  of  features  is  fixed  while  the  number  of  samples  grows  indefinitely-we  focus  on  a  high-dimensional  asymptotic  regime,  where  both  the  number  of  features  and  samples  grow  proportionally  and  approach  infinity  together.  This  setting  exhibits  the  concentration  of  measure  phenomenon,  which  gives  rise  to  surprising  universal  behaviors  in  high  dimensions  that  can  be  exploited  for  estimation  and  detection.  After  introducing  key  concepts  from  high-dimensional  probability  and  random  matrix  theory  (RMT),  we  overview  some  applications  in  statistical  signal  processing.  In  this  dissertation,  we  show  how  RMT  can  be  used  to  enhance  signal  detection  in  high  dimensions,  illustrating  the  theory  for  the  applications  of  space-time  adaptive  processing  (STAP),  sequential  change  point  detection,  and  community  detection  in  static  and  temporal  graphs.  We  demonstrate  that,  in  the  high-dimensional  regime,  biased  estimators  that  exploit  concentration  of  measure  phenomena  significantly  outperform  traditional  estimators.  These  results  highlight  the  practical  advantages  of  high-dimensional  techniques  in  modern  signal  processing  and  are  supported  by  theoretical  performance  guarantees.
■590    ▼aSchool  code:  0127.
■650  4▼aStatistics
■650  4▼aMathematics
■650  4▼aElectrical  engineering
■653    ▼aRandom
■653    ▼aRadar
■653    ▼aMatrix
■653    ▼aSignal  detection
■690    ▼a0544
■690    ▼a0405
■690    ▼a0463
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359793▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books