NYHET Jianfeng Wang har forskat fram en förbättrad samplingsmetod för signalrekonstruktion och har använt Bayesianska metoder som bygger på subjektiv sannolikhet för dataanalys. Han försvarar sin avhandling den 17 december vid Umeå universitet.
Jianfeng Wang, doktorand på Institutionen för matematik och matematisk statistik
BildLinghua ZhoMagnetkameraundersökning, MRI, är en medicinsk teknik för bildgivande diagnostik som kan användas för att skapa detaljerade bilder av människokroppen. Verktyget är väl lämpat för att avbilda mjukvävnader och för att exempelvis skilja tumörer från friska vävnader. Genom att använda en intelligent samplingsmetod, compressive sensing, kan undersökningstiden för patienten minskas.
Jianfeng Wang har lyckats åstadkomma en förbättrad prestanda för signalrekonstruktion genom att föreslå en ny metod för beräkningar inom compressive sensing.
Tanken är att en gles signal kan rekonstrueras med mindre insamlade mätningar vilket gör att effektiviteten i datainsamlingen förbättras avsevärt. Jianfeng Wangs teoretiska utveckling inom compressive sensing leder till en mer noggrann rekonstruktion jämfört med nuvarande rekonstruktionsmetoder.
– Jag har förbättrat hastigheten och noggrannheten för parameteruppskattningar i magnetkameradata genom att använda det inneboende beroendet bland data, säger Jianfeng Wang.
”Vi är som öar i havet, separerade på ytan men kopplade i djupet.” Det sade William James, amerikansk psykolog och filosof. Det gäller också i datavärlden. Det är i praktiken mycket sällsynt att samla in en mängd data som är ömsesidigt oberoende. Likväl i en magnetkamerabild som i simulerade klimatdata över en region påverkas varje enskild datapunkt av datapunkterna nära den.
Genom att dra nytta av den här egenskapen kan man göra statistisk inferens av parametrar på en specifik plats genom att låna styrka från dess omgivning i stället för traditionell metod som kräver upprepade mätningar på den platsen.
– I mina studier använde jag Bayesiska hierarkiska modeller för att analysera sådana data, vilket gör uppskattningsprocessen mer exakt och snabbare, säger Jianfeng Wang.
Tisdagen den 17 december försvarar Jianfeng Wang, institutionen för matematik och matematisk statistik vid Umeå universitet, sin avhandling med titeln: Enhanced block sparse signal recovery and Bayesian hierarchical models with applications. Svensk titel: Förbättrad rekonstruktion av block-glesa signaler och Bayesianska hierarkiska modeller med tillämpningar.
Disputationen äger rum klockan 13 i N450, Naturvetarhuset vid Umeå universitet. Fakultetsopponent är Prof. Jia Li, Department of Statistics, Pennsylvania State University, USA.