Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Zorzi, Mattia (2013) Generalized Moment Problems for Estimation of Spectral Densities and Quantum Channels. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF - Versione sottomessa
1031Kb

Abstract (inglese)

This thesis is concerned with two generalized moment problems arising in the estimation of stochastic models.
Firstly, we consider the THREE approach, introduced by Byrnes Georgiou and Lindquist, for estimating spectral densities. Here, the output covariance matrix of a known bank of filters is used to extract information on the input spectral density which needs to be estimated. The parametrization of the family of spectral densities matching the output covariance is a generalized moment problem. An estimate of the input spectral density is then chosen from this family. The choice criterium is based on the minimization of a suitable divergence index among spectral densities. After the introduction of the THREE-like paradigm, we present a multivariate extension of the Beta divergence for solving the problem. Afterward, we deal with the estimation of the output covariance of the filters bank given a finite-length
data generated by the unknown input spectral density.
Secondly, we deal with the quantum process tomography. This problem consists in the estimation of a quantum channel which can be thought as the quantum equivalent of the Markov transition matrix in the classical setting. Here, a quantum system prepared in a known pure state is fed to the unknown channel. A measurement of an observable is performed on the output state. The set of the employed pure states and observables represents the experimental setting. Again, the parametrization of the family of quantum channels matching the measurements is a generalized moment problem. The choice criterium for the best estimate in this family is based on the maximization of maximum likelihood functionals. The corresponding estimate,
however, may not be unique since the experimental setting is not "rich" enough in many cases of interest. We characterize the minimal experimental setting which guarantees the uniqueness of the estimate. Numerical simulation evidences that experimental settings richer than the minimal one do not lead to better performances

Abstract (italiano)

In questa tesi vengono presentati e analizzati due problemi dei momenti generalizzati che vengono utilizzati per la stima di modelli stocastici. Inizieremo col considerare l'approccio THREE, introdotto da Byrnes Georgiou e Lindquist, per la stima di densita spettrali. In questo metodo la covarianza dell'uscita di un banco di filtri noto è utilizzata per estrarre informazione
sulla densità spettrale da stimare del segnale all'ingresso del banco. La parametrizzazione della famiglia di densità spettrali compatibili con la covarianza di uscita è un problema dei momenti generalizzato. Una stima di questa densità spettrale è scelta in questa famiglia. Il criterio di tale scelta si basa sulla minimizzazione di un opportuno indice di divergenza tra densità spettrali. Dopo aver introdotto il paradigma di tipo THREE, presenteremo una estensione multivariata della Beta divergenza per risolvere questo problema. Successivamente, affronteremo il problema della stima della matrice di covarianza dell'uscita del banco di filtri avendo a disposizione una sequenza di dati generati dalla densità spettrale all'ingresso del banco. Infine, tratteremo la tomografia di processi quantistici. Questo problema consiste nello stimare un canale quantistico che può essere pensato come l'equivalente della matrice di transizione di un processo Markoviano nel caso classico. Più precisamente, il canale quantistico da identicare è alimentato da un sistema quantistico preparato in uno stato puro noto. Il corrispondente stato all'uscita è successivamente soggetto alla misura di un osservabile. L'insieme di questi stati puri e osservabili caratterizza il setting sperimentale. Anche in questo caso, la parametrizzazione della famiglia di canali quantistici compatibili con le misure costituisce un problema dei momenti generalizzato.
Il criterio di scelta della stima migliore in questa famiglia si basa sul principio a massima verosimiglianza. Tale stima può tuttavia non essere unica perchè l'esperimento in molti casi non è sufficientemente "ricco". Individueremo il setting sperimentale minimo che garantisce l'unicità della stima. Le simulazioni numeriche evidenziano che setting sperimentali più ricchi di quello minimo non portano a migliori prestazioni

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Ferrante, Augusto
Dottorato (corsi e scuole):Ciclo 25 > Scuole 25 > INGEGNERIA DELL'INFORMAZIONE > SCIENZA E TECNOLOGIA DELL'INFORMAZIONE
Data di deposito della tesi:21 Gennaio 2013
Anno di Pubblicazione:21 Gennaio 2013
Parole chiave (italiano / inglese):Generalized moment problem, convex optmization
Settori scientifico-disciplinari MIUR:Area 09 - Ingegneria industriale e dell'informazione > ING-INF/04 Automatica
Struttura di riferimento:Dipartimenti > Dipartimento di Ingegneria dell'Informazione
Codice ID:5393
Depositato il:14 Ott 2013 13:57
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

[1] A. Aiello, G. Puentes, D. Voigt, and J. P. Woerdman. Maximum-likelihood estimation of mueller matrices. Opt. Lett., 31(6):817–819, 2006. Cerca con Google

[2] N.I. Akhiezer. The classical moment problem: and some related questions in analysis. Hafner Publishing, New York, 1965. Cerca con Google

[3] R. Alicki and K. Lendi. Quantum Dynamical Semigroups and Applications. Springer-Verlag, Berlin, 1987. Cerca con Google

[4] A. Basu, I.R. Harris, N.L. Hjort, and M.C. Jones. Robust and efficient estimation by minimising a density power divergence. Biometrika, 85(3):549–559, 1998. Cerca con Google

[5] G. Benenti and G. Strini. Simple representation of quantum process tomography. Phys. Rev. A, 80(2):022318, 2009. Cerca con Google

[6] R. Bhatia. Matrix Analysis. Springer-Verlag, New York, 1997. Cerca con Google

[7] R. B. Blackman and J. W. Tukey. The measurement of Power Spectra from the Point of View of Computation Engineering. Dover, New York, 1958. Cerca con Google

[8] I. Bongioanni, L. Sansoni, F. Sciarrino, G. Vallone, and P. Mataloni. Experimental quantum process tomography of non-trace-preserving maps. Phys. Rev. A, 82 (4):042307, 2010. Cerca con Google

[9] N. Boulant, T. F. Havel, M. A. Pravia, and D. G. Cory. Robust method for estimating the lindblad operators of a dissipative quantum process from measurements of the density operator at multiple time points. Phys. Rev. A, 67(4):042322, 2003. Cerca con Google

[10] D. Bouwmeester, A. Ekert, and A. Zeilinger, editors. The Physics of Quantum Information: Quantum Cryptography, Quantum Teleportation, Quantum Computation. Springer-Verlag, 2000. Cerca con Google

[11] S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press, Cambridge, U.K., 2004. Cerca con Google

[12] J. P. Burg, D. G. Luenberger, and D. L. Wenger. Estimation structured covariance matrices. Proceedings of the IEEE, 70:963–974, 1982. Cerca con Google

[13] C.I Byrnes, Per Enqvist, and A. Lindquist. Identifiability and well­posedness of shaping-filter parameterizations: A global analysis approach. SIAM J. Control and Optimization, 41(1):23–59, Mar. 2002. Cerca con Google

[14] C.I. Byrnes, T.T. Georgiou, and A. Lindquist. A new approach to spectral estimation: A tunable high-resolution spectral estimator. IEEE Trans. Signal Processing, 48(11):3189–3205, Nov. 2000. Cerca con Google

[15] C.I. Byrnes, T.T. Georgiou, and A. Lindquist. A generalized entropy criterion for Nevanlinna-Pick interpolation with degree constraint. IEEE Trans. Autom. Control, 46(5):822–839, May 2001. Cerca con Google

[16] C.I. Byrnes, T.T. Georgiou, A. Lindquist, and A. Megretski. Generalized interpolation in H-infinity with a complexity constraint. Trans. American Math. Society, 358(3):965–987, Dec. 2004. Cerca con Google

[17] C.I Byrnes, S. Gusev, and A. Lindquist. A convex optimization approach to the rational covariance extension problem. SIAM J. Control and Optimization, 37(1):211–229, Oct. 1998. Cerca con Google

[18] C.I. Byrnes and A. Lindquist. On the partial stochastic realization problem. IEEE Trans. Autom. Control, 42(8):1049–1070, Aug 1997. Cerca con Google

[19] C.I. Byrnes, A. Lindquist, S.V. Gusev, and A.S. Matveev. A complete parameterization of all positive rational extensions of a covariance sequence. IEEE Trans. Autom. Control, 40(11):1841–1857, Nov 1995. Cerca con Google

[20] A. Cichocki and S. Amari. Families of Alpha-Beta-and Gamma-divergences: Flexible and robust measures of similarities. Entropy, 12(6):1532–1568, Jun. 2010. Cerca con Google

[21] A. Cichocki, S. Cruces, and S. Amari. Generalized Alpha-Beta divergences and their application to robust nonnegative matrix factorization. Entropy, 13(1):134–170, Jan. 2011. Cerca con Google

[22] A. Cichocki, R. Zdunek, A.H. Phan, and S. Amari. Nonnegative Matrix and Tensor Factorizations. John Wiley & Sons, Chichester, U.K., 2009. Cerca con Google

[23] T. M. Cover and J. A. Thomas. Information Theory. Wiley, New York, 1991. Cerca con Google

[24] G. M. D’Ariano, L. Maccone, and M. G. A. Paris. Quorum of observables for universal quantum estimation. Journal of Physics A: Mathematical and General, 34(1):93, 2001. Cerca con Google

[25] J. V. Davis, B. Kulis, P. Jain, S. Sra, and I. S. Dhillon. Information-theoretic metric learning. In in NIPS 2006 Workshop on Learning to Compare Examples, 2007. Cerca con Google

[26] A. Ferrante, C. Masiero, and M. Pavon. Time and spectral domain relative entropy: A new approach to multivariate spectral estimation. IEEE Trans. Autom. Control, 57(10):2561–2575, Oct. 2012. Cerca con Google

[27] A. Ferrante, M. Pavon, and F. Ramponi. Hellinger versus Kullback-Leibler multivariable spectrum approximation. IEEE Trans. Autom. Control, 53(4):954–967, May 2008. Cerca con Google

[28] A. Ferrante, M. Pavon, and F. Ramponi. Constrained approximation in the Hellinger distance. In Proceedings of the European Control Confer­ence 2007 (ECC’07), pages 322–327, Kos, Greece, July 2007. Cerca con Google

[29] A. Ferrante, M. Pavon, and M. Zorzi. A maximum entropy enhancement for a family of high-resolution spectral estimators. IEEE Trans. Autom. Control, 57(2):318–329, Feb. 2012. Cerca con Google

[30] A. Ferrante, M. Pavon, and M. Zorzi. Structured covariance estimation in high resolution spectral analysis. In Proc. of Int. Symp. Mathematical Theory of Network and Systems, MTNS 2012. Melbourne, 2012. Cerca con Google

[31] J. Fiurášek and Z. Hradil. Maximum-likelihood estimation of quantum processes. Phys. Rev. A, 63(2):020101, Jan 2001. Cerca con Google

[32] T. T. Georgiou. Realization of power spectra from partial covariance sequences. IEEE Trans. Acoust., Speech Signal Processing, 35(4):438– 449, Apr. 1987. Cerca con Google

[33] T. T. Georgiou. Spectral estimation by selective harmonic ampli.cation. IEEE Trans. Aut. Control, 46:29–42, Jan. 2001. Cerca con Google

[34] T. T. Georgiou. Structured covariances and related approximation questions. In A. Rantzer and C. Byrnes, editors, Directions in Mathematical Systems Theory and Optimization, volume 286 of Lecture Notes in Con­trol and Information Sciences, pages 135–140. Springer Berlin / Heidelberg, 2003. Cerca con Google

[35] T.T. Georgiou. Spectral analysis based on the state covariance: The maximum entropy spectrum and linear fractional parametrization. IEEE Trans. Autom. Control, 47(11):1811–1823, Nov. 2002. Cerca con Google

[36] T.T. Georgiou. The structure of state covariances and its relation to the power spectrum of the input. IEEE Trans. Autom. Control, 47(7):1056– 1066, Jul. 2002. Cerca con Google

[37] T.T. Georgiou. Relative entropy and the multivariable multidimensional moment problem. IEEE Trans. Inform. Theory, 52(3):1052–1066, Mar. 2006. Cerca con Google

[38] T.T. Georgiou and A. Lindquist. Kullback-Leibler approximation of spectral density functions. IEEE Trans. Inform. Theory, 49(11):2910– 2917, Nov. 2003. Cerca con Google

[39] T.T. Georgiou and A. Lindquist. Remarks on control design with degree constraint. IEEE Trans. Autom. Control, 51(7):1150–1156, Jul. 2006. Cerca con Google

[40] T.T. Georgiou and A. Lindquist. A convex optimization approach to ARMA modeling. IEEE Trans. Autom. Control, 53(5):1108–1119, Jun. 2008. Cerca con Google

[41] H. Hamburger. Über eine Erweiterung des Stieltjesschen Momenten­problems. Math. Ann., 81(2-4):235–319, 1920. Cerca con Google

[42] R. A. Horn and C. R. Johnson. Matrix Analysis. Cambridge University Press, New York, 1990. Cerca con Google

[43] E.T. Jaynes. On the rationale of maximum-entropy methods. Proc. of the IEEE, 70:939–952, Sep. 1982. Cerca con Google

[44] J. Karlsson and P. Enqvist. Input-to-state covariances for spectral anal­ysis: The biased estimate. In Proc. of Int. Symp. Mathematical Theory of Network and Systems, MTNS 2012. Melbourne, 2012. Cerca con Google

[45] J. Karlsson and T. T. Georgiou. Uncertainty Bounds for Spectral Esti­mation. ArXiv e-prints, 2012. Cerca con Google

[46] M.G. Kendall, J.K. Stuart, and J.K. Ord. Advanced theory of statistics, volume 2. Macmillan, New York, 4th edition, 1983. Cerca con Google

[47] K. Kraus. States, Effects, and Operations: Fundamental Notions of Quantaum Theory. Lecture notes in Physics. Springer-Verlag, Berlin, 1983. Cerca con Google

[48] M.G. Krein and A.A. Nudelman. The Markov Moment Problem and Extremal Problems. American Mathematical Society, 1977. Cerca con Google

[49] M. Minami and S. Eguchi. Robust blind source separation by Beta divergence. Neural Computation, 14(8):1859–1886, Aug. 2002. Cerca con Google

[50] M. Mohseni, A. T. Rezakhani, and D. A. Lidar. Quantum-process tomography: Resource analysis of different strategies. Phys. Rev. A, 77(3):032322, 2008. Cerca con Google

[51] M. Mollah, N. Sultana, M. Minami, and S. Eguchi. Robust extraction of local structures by the minimum of Beta-divergence method. Neural Networks, 23(2):226–238, 2010. Cerca con Google

[52] A. Nasiri Amini, E.S. Ebbini, and T.T. Georgiou. Noninvasive estimation of tissue temperature via high-resolution spectral analysis techniques. IEEE Trans. Biomed. Eng., 52(2):221–228, Feb. 2005. Cerca con Google

[53] M.A. Nielsen and I.L. Chuang. Quantum Computation and Quantum Information. Cambridge University Press, Cambridge, U.K., 2004. Cerca con Google

[54] M. G. A. Paris and J. Rehacek, editors. Quantum States Estimation, volume 649 of Lecture Notes Physics. Springer, Berlin Heidelberg, 2004. Cerca con Google

[55] D. Petz. Quantum Information Theory and Quantum Statistics. Springer Verlag, 2008. Cerca con Google

[56] F. Ramponi, A. Ferrante, and M. Pavon. A globally convergent matricial algorithm for multivariate spectral estimation. IEEE Trans. Autom. Control, 54(10):2376– 2388, Oct. 2009. Cerca con Google

[57] F. Ramponi, A. Ferrante, and M. Pavon. On the well-posedness of multivariate spectrum approximation and convergence of high-resolution spectral estimators. Systems & Control Letters, 59:167–172, 2010. Cerca con Google

[58] M. F. Sacchi. Maximum-likelihood reconstruction of completely positive maps. Phys. Rev. A, 63(5):054104, Apr 2001. Cerca con Google

[59] J.A. Shohat and J.D. Tamarkin. The Problem of Moments. American Mathematical Society, New York, 1943. Cerca con Google

[60] T.J. Stieltjes. Recherches sur les fractions continues. 1894. Cerca con Google

[61] P. Stoica and R. Moses. Introduction to Spectral Analysis. Prentice Hall, New York, 1997. Cerca con Google

[62] J. Rehacek, B.-G. Englert, and D. Kaszlikowski. Minimal qubit tomography. Phys. Rev. A, 70(5):052321, 2004. Cerca con Google

[63] P. Villoresi, T. Jennewein, F. Tamburini, C. Bonato M. Aspelmeyer, R. Ursin, C. Pernechele, V. Luceri, G. Bianco, A. Zeilinger, and C. Barbieri. Experimental verification of the feasibility of a quantum channel between space and earth. New Journal of Physics, 10:033038, 2008. Cerca con Google

[64] M. Ziman, M. Plesch, V. Buzek, and P. Stelmachovic. Process reconstruction: From unphysical to physical maps via maximum likelihood. Phys. Rev. A, 72(2):022106, 2005. Cerca con Google

[65] M. Ziman. Incomplete quantum process tomography and principle of maximal entropy. Phys. Rev. A, 78:032118, 2008. Cerca con Google

[66] M. Zorzi. A new family of high-resolution multivariate spectral estimators. ArXiv e-prints, October 2012. Cerca con Google

[67] M. Zorzi and A. Ferrante. On the estimation of structured covariance matrices. Automatica, 48(9):2145–2151, Sep. 2012. Cerca con Google

[68] M. Zorzi, F. Ticozzi, and A. Ferrante. On Quantum Channel Estimation with Minimal Resources. ArXiv e-prints, June 2011. Cerca con Google

[69] M. Zorzi, F. Ticozzi, and A. Ferrante. Estimation of quantum channels: Identifiability and ML methods. 51st IEEE Conference on Decision and Control. Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record