generated from marius/TUM_Slides
More work on presentation
This commit is contained in:
parent
da61687db3
commit
74e8413532
15 changed files with 1240 additions and 5 deletions
102
main.typ
102
main.typ
|
|
@ -14,12 +14,104 @@
|
|||
),
|
||||
)
|
||||
|
||||
= Einführung
|
||||
= Ausgangslage
|
||||
|
||||
== Ausgangslage
|
||||
== 1-Bit Quantisierung
|
||||
|
||||
== Planung
|
||||
#figure(
|
||||
include("./graphics/background/sign-based-overlay.typ"),
|
||||
// caption: []
|
||||
)
|
||||
|
||||
- Stufe des Quantisiererfunktion nahe des Erwartungswertes der Wahrscheinlichkeitsverteilung
|
||||
|
||||
== Optimierung der 1-Bit Quantisierung
|
||||
|
||||
- Eingangswerte als Gewichtete Summen
|
||||
|
||||
#v(1em)
|
||||
|
||||
$ f(bold(x), bold(h)) = h_1 x_1 + h_2 x_2 + h_3 x_3 $
|
||||
|
||||
- $h_i$ als Helperdaten
|
||||
|
||||
#v(1em)
|
||||
|
||||
- Betragsmäßige Maximierung von $f(bold(x), bold(h))$ für möglichst wenige Werte nahe der $0$
|
||||
|
||||
#v(1em)
|
||||
|
||||
$ max_(h_1, h_2, h_3) |f(bold(x), bold(h))| $
|
||||
|
||||
== Optimierung der 1-Bit Quantisierung (2)
|
||||
|
||||
#align(horizon)[
|
||||
#figure(
|
||||
include("./graphics/background/z_distribution.typ"),
|
||||
caption: [Optimierte Sign-Based Quantisierung]
|
||||
)]
|
||||
|
||||
== Verallgemeinerung auf n-Bit
|
||||
|
||||
- Definition der Quantisierung höherer Ordnung als mehrstufige Funktion
|
||||
|
||||
#v(1em)
|
||||
|
||||
#figure(
|
||||
include("./graphics/background/two-bit-enroll.typ")
|
||||
)
|
||||
|
||||
- Problem: Optimale Position der Quantisierergrenzen $g_1$ und $g_2$
|
||||
|
||||
== Verallgemeinerung auf n-Bit --- Optimierungsbedingung
|
||||
|
||||
- Zwei Möglichkeiten zur optimalen Positionierung der Linearkombinationen:
|
||||
1. Beste Approximation zur Mitte einer Quantisiererstufe
|
||||
2. Maximierung des Abstandes zur nächstgelegenen Grenze der Linearkombination
|
||||
|
||||
== Verallgemeinerung auf n-Bit --- Algorithmus
|
||||
|
||||
1. Naives Raten der Grenzen $g_(1,2)$ und erste Optimierung
|
||||
2. Über eCDF der resultierenden Verteilung neue Grenzen definieren, sodass jedes Symbol gleich wahrscheinlich ist
|
||||
|
||||
|
||||
|
||||
== Verallgemeinerung auf n-Bit --- Probleme
|
||||
|
||||
- Approximation zur Mitte konvergiert, allerdings keine Verbesserung der Fehlerrate
|
||||
- Maximierung des Abstandes konvergiert nicht
|
||||
|
||||
#figure(
|
||||
grid(
|
||||
columns: (1fr, 1fr),
|
||||
rows: (2),
|
||||
[//#figure(
|
||||
#image("./graphics/background/bach/instability/frame_1.png", width: 80%)
|
||||
#v(-0.5em)
|
||||
//)
|
||||
Iteration 1],
|
||||
[//#figure(
|
||||
#image("./graphics/background/bach/instability/frame_18.png", width: 80%)
|
||||
#v(-0.5em)
|
||||
//)
|
||||
Iteration 18],
|
||||
),
|
||||
)
|
||||
|
||||
= Implementierung
|
||||
|
||||
== Mögliche Lösungen
|
||||
|
||||
- Rekursiver Ansatz
|
||||
|
||||
- Vorgabe des Codeworts
|
||||
|
||||
- Brute-Force Ansatz
|
||||
|
||||
== Rekursiver Ansatz
|
||||
|
||||
== Vorgabe des Codeworts
|
||||
|
||||
== Brute-Force Ansatz
|
||||
|
||||
= Ergebnisse
|
||||
|
||||
== Hier dann
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue