Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Concept

Bruit gaussien

En traitement du signal, un bruit gaussien est un bruit dont la densité de probabilité est une distribution gaussienne (loi normale). L'adjectif gaussien fait référence au mathématicien, astronome et physicien allemand Carl Friedrich Gauss. La densité de probabilité p d'une variable aléatoire gaussienne z est la fonction : :p_\mathrm G(z)=\frac{1}{\sigma\sqrt{2\pi}},\exp\left[-\frac{(z-\mu)^2}{2\sigma^2}\right] où z représente le niveau de gris, \mu la valeur de gris moyenne et \sigma son écart type. Un cas particulier est le bruit blanc gaussien, dans lequel les valeurs à toute paire de temps sont identiquement distribuées et statistiquement indépendantes (et donc ). Dans les tests et la modélisation des canaux de communication, le bruit gaussien est utilisé comme bruit blanc additif pour générer un bruit additif blanc gaussien. Dans le doma

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées

Chargement

Personnes associées

Chargement

Unités associées

Chargement

Concepts associés

Chargement

Cours associés

Chargement

Séances de cours associées

Chargement

Résumé

Source officielle

À propos de ce résultat

Publications associées (82)

Publications associées

Chargement

Personnes associées (14)

, , , , , , , , ,

Afficher plus

Personnes associées

Chargement

Unités associées (8)

Unités associées

Chargement

Concepts associés (10)

Concepts associés

Chargement

Cours associés (15)

Cours associés

Chargement

Séances de cours associées (23)

Séances de cours associées

Chargement

Bruit additif blanc gaussien

Le bruit additif blanc gaussien est un modèle élémentaire de bruit utilisé en théorie de l'information pour imiter de nombreux processus aléatoires qui se produisent dans la nature. Les adjectifs indi

Théorie de l'information

La théorie de l'information, sans précision, est le nom usuel désignant la théorie de l'information de Shannon, qui est une théorie utilisant les probabilités pour quantifier le contenu moyen en inf

Bruit thermique

Le bruit thermique, également nommé bruit de résistance, bruit Johnson ou bruit de Johnson-Nyquist, est le bruit généré par l'agitation thermique des porteurs de charges, c'est-à-dire des électrons da

CS-503: Visual intelligence : machines and minds

The course will discuss classic material as well as recent advances in computer vision and machine learning relevant to processing visual data with a primary focus on embodied intelligence and vision for active agents.

EE-543: Advanced wireless receivers

Students extend their knowledge on wireless communication systems to spread-spectrum communication and to multi-antenna systems. They also learn about the basic information theoretic concepts, about channel coding, and bit-interleaved coded modulation.

FIN-472: Computational finance

Participants of this course will master computational techniques frequently used in mathematical finance applications. Emphasis will be put on the implementation and practical aspects.

Local Nondeterminism and Local Times of the Stochastic Wave Equation Driven by Fractional-Colored Noise

Cheuk Yin Lee

We investigate the existence and regularity of the local times of the solution to a linear system of stochastic wave equations driven by a Gaussian noise that is fractional in time and colored in space. Using Fourier analytic methods, we establish strong local nondeterminism of the solution and the existence of jointly continuous local times. We also study the differentiability and moduli of continuity of the local times and deduce some sample path properties of the solution.

SPRINGER BIRKHAUSER2022

Chargement

Gaussian channel transmission of images and audio files using cryptcoding

Vladimir Ilievski

Random codes based on quasigroups (RCBQ) are cryptcodes, i.e. they are error-correcting codes, which provide information security. Cut-Decoding and 4-Sets-Cut-Decoding algorithms for these codes are defined elsewhere. Also, the performance of these codes for the transmission of text messages is investigated elsewhere. In this study, the authors investigate the RCBQ's performance with Cut-Decoding and 4-Sets-Cut-Decoding algorithms for transmission of images and audio files through a Gaussian channel. They compare experimental results for both coding/decoding algorithms and for different values of signal-to-noise ratio. In all experiments, the differences between the transmitted and decoded image or audio file are considered. Experimentally obtained values for bit-error rate and packet error rate and the decoding speed of both algorithms are compared. Also, two filters for enhancing the quality of the images decoded using RCBQ are proposed.

2019

Chargement

Simulation of 1D ARPES Data and Measures to recover the underlying Signal

Nadine Gächter

Fourier deconvolution is a good tool to remove the blurring of images with a very high SNR. However it suffers under severe noise degradation and becomes impracticable at a SNR of 20dB. If the convolution width is very high this happens even earlier. The analysis of the frequency spectrum brings information on the data, especially on the periodicity of certain features. Furthermore it can be used to better understand other processing tools. Gaussian blur and smoothing can be used with the goal to enhance image structures at different scales. They have the effect of reducing high frequency information, corresponding to high pixel to pixel variation and usually a characteristic of noise. However it also reduces detail. In 2D better resultsmay be obtained, because diagonal pixels can be used in addition. Gaussian smoothing is certainly a useful tool in the analysis of ARPES data and it should be well integrated in other measures of data recovery. If the blurring of the signal is high it is beneficial apply some Gaussian blur before proceeding to other measures. If the blurring of the signal is low, it is better to apply Gaussian smoothing only after de-convolution measures in order to not loose information on the signal.

Chargement

, , , , , , , , ,

Afficher plus