Georgios B. Giannakis (nacido el 27 de febrero de 1958) es un profesor, ingeniero e inventor greco-estadounidense. Ha sido Profesor Titular de Telecomunicaciones Inalámbricas, fue Director del Centro de Tecnología Digital y actualmente es Presidente Presidencial McKnight en el Departamento de Ingeniería Eléctrica e Informática de la Universidad de Minnesota.
Georgios B. Giannakis | |
---|---|
Nació | |
Nacionalidad | Estados Unidos y griego |
alma mater | |
Carrera científica | |
Campos | |
Instituciones | |
Sitio web | spincom |
Giannakis es conocido internacionalmente por su trabajo en las áreas de procesamiento estadístico de señales , estimación distribuida usando redes de sensores , comunicaciones inalámbricas y diseños de redes entre capas , sobre temas como la identificación de sistemas de media móvil auto-regresiva usando estadísticas de orden superior , [1] [2] bancos de filtros de componentes principales , [3] precodificación lineal, [4] modulación multiportadora, [5] comunicaciones de banda ultraancha , [6] radios cognitivas y redes inteligentes . El trabajo fundamental incluye el desarrollo de sistemas de comunicación inalámbrica de precodificación lineal , [4] que proporcionaron un enfoque unificado para diseñar códigos de bloques de espacio-tiempo que logran altas tasas de datos y confiabilidad, y la propuesta de relleno de cero como una alternativa al prefijo cíclico para múltiples -sistemas de comunicaciones portadoras , [7] que tuvieron impacto en el estándar multibanda de banda ultra ancha. [6] La investigación actual se centra en big data , aprendizaje de gráficos y ciencia de redes con aplicaciones a redes sociales, cerebrales y energéticas con energías renovables .
Giannakis ha dejado un legado académico sustancial como asesor de más de 54 Ph.D. disertaciones y mentor de más de 26 investigadores postdoctorales en la Universidad de Virginia y la Universidad de Minnesota .
Vida temprana
Nacido en El Pireo y criado en Corinto , Grecia , Giannakis recibió su Maestría en Ingeniería Eléctrica de la Universidad Técnica Nacional de Atenas en 1981, su M.Sc. en Ingeniería Eléctrica de la Universidad del Sur de California en 1983, su M.Sc. en Matemáticas de la Universidad del Sur de California en 1986, y su doctorado en Ingeniería Eléctrica de la Universidad del Sur de California también en 1986. [8] Después de completar su doctorado, comenzó su carrera académica en la Universidad de Virginia en 1987. y se trasladó a la Universidad de Minnesota en 1999. Como profesor, formó un grupo de investigación distinguido que hizo contribuciones en muchas áreas, incluido el procesamiento de señales estadísticas , comunicaciones inalámbricas , sensores y redes ad hoc móviles y análisis de datos .
Premios y honores
- Miembro de la Academia Europaea (Sección de Informática), 2020. [9]
- Asociación Europea para el Procesamiento de Señales ( EURASIP ) "Athanasios Papoulis", Premio de la Sociedad, 2020. [10]
- Miembro de la Academia Europea de Ciencias (EurASC), 2020. [11]
- Premio de la sociedad "Norbert Wiener" del procesamiento de señales del Instituto de ingenieros eléctricos y electrónicos ( IEEE ), 2019. [12]
- Miembro de la Academia Nacional de Inventores de EE. UU. ( NAI ), 2019. [13]
- Premio de Educación de la Sociedad de Comunicaciones IEEE, 2019. [14]
- Miembro de la Universidad de Fudan; Cátedra Distinguida, Universidad de Zhejiang, PR China, 2018.
- Doctorado Honoris Causa, Dpto. Comp. Ing. & Informática, y Departamento de ECE, U. de Patras, Grecia, 2018.
- Doctorado Honoris Causa, Departamento de Informática y Telecomunicaciones, U. de Peloponeso, Grecia, 2018.
- Presidente dotado por el presidente McKnight en la Universidad de Minnesota, desde 2016. [15]
- Primer ganador del premio IEEE Fourier por procesamiento de señales , 2015. [16]
- Junta de Regentes, Universidad de Patras , Grecia, 2013-2017. [17]
- Miembro de EURASIP , 2008. [18]
- Premio al logro técnico de EURASIP , 2005. [19]
- Cátedra Dotada de Telecomunicaciones Inalámbricas, Universidad de Minnesota, desde 2001. [20]
- Premio al logro técnico de la IEEE Signal Processing Society , 2000. [21]
- Miembro del IEEE , 1997. [22]
- En el top 20 de los investigadores altamente citados de ISI en ECE y ciencias de la computación; [23] más de 81.300 citas; Índice H = 150. [24]
- En Thomson Reuters "Las mentes científicas más influyentes del mundo" (entre 300 de todos los campos de la ingeniería, la informática y la informática). [25]
Giannakis también es coautor de diez premios a los mejores artículos de revistas, incluido el premio Gugliermo Marconi Prize Paper Award de la IEEE Communications Society por su trabajo en precodificación lineal, [26] el premio al mejor artículo de la revista SP de la IEEE Signal Processing Society 2003 por un artículo sobre comunicación inalámbrica multiportadora , [27] [28] Premio al Mejor Documento de la Sociedad de Procesamiento de Señales de IEEE en 2001 por su trabajo en análisis de factores paralelos en el procesamiento de matrices de sensores, [29] Premio al Mejor Papel de la Sociedad de Procesamiento de Señales de IEEE , 2000 por su trabajo en el diseño de precodificadores y ecualizadores de bancos de filtros. [3]
Invención y comercialización
Giannakis tiene 34 patentes estadounidenses y extranjeras emitidas en los campos de las comunicaciones inalámbricas (varias relacionadas con el estándar 4G LTE), detección de radio cognitiva, procesamiento de señales, monitoreo de sistemas de energía e inversores fotovoltaicos en distribución de energía residencial. A través de ellos se convirtió en miembro de la Academia Nacional de Inventores de EE. UU., "... la más alta distinción profesional otorgada a los inventores académicos que han demostrado un espíritu prolífico de innovación ..." La Universidad de Minnesota presentó múltiples demandas contra Sprint, T-Mobile, Verizon y AT&T [30] sobre la base de las patentes de Giannakis. [31] [32] [33] [34]
Contribuciones a la investigación
Procesamiento estadístico de señales: teoría y aplicaciones (1985-1995)
Giannakis estableció un resultado importante al identificar un sistema lineal con entrada estadísticamente independiente, basado solo en su salida. Demostró que los modelos de media móvil autorregresiva no causal y de fase no mínima se pueden recuperar de forma única a través de estadísticas de orden superior (HOS). [1] [2] Sólo los modelos de fase cero, máxima o mínima pueden recuperarse si se utilizan estadísticas de salida de segundo orden. [35] Además, estableció que HOS garantiza la identificación de sistemas con entradas ruidosas ( errores en variables ) y sistemas de circuito cerrado con ruido gaussiano correlacionado de espectros desconocidos, así como sistemas multidimensionales y multicanal con solo salida de datos y entradas independientes. . Los HOS identifican tales sistemas de múltiples entradas y múltiples salidas (MIMO) eliminando la ambigüedad rotacional ( matriz unitaria ) presente con las estadísticas de segundo orden, un resultado básico que condujo a la reconocida herramienta de análisis de componentes independientes y permitió una separación ciega de las fuentes recibidas. por matrices de sensores. También es muy apreciada la identificación de Giannakis de sistemas lineales variables en el tiempo utilizando modelos de expansión de bases que incluyen bases de Fourier y bases de ondículas y profundidades multirresolución elegidas de manera óptima ; Pruebas de linealidad y gaussianidad basadas en HOS, detección, estimación, reconocimiento de patrones , cancelación de ruido , registro de objetos , estimación de movimiento de imágenes y la primera prueba de que HOS puede estimar direcciones de llegada de más fuentes con menos elementos de antena. Además de las señales estacionarias no gaussianas, contribuyó con resultados influyentes sobre la consistencia y la normalidad asintótica de HOS para una clase de procesos no estacionarios y ciclostacionarios . Para ellos, desarrolló pruebas estadísticas ampliamente aplicadas para la presencia de ciclostacionalidad, así como algoritmos para la recuperación de armónicos en presencia de ruido multiplicativo y aditivo; análisis de series de tiempo con errores aleatorios y periódicos; estimadores de retardo-Doppler basados en la función de ambigüedad de orden superior ; Señales de fase polinomial multicomponente para radar de apertura sintética y su impacto en la estimación del movimiento de la imagen que varía en el tiempo.
Comunicaciones inalámbricas en la capa física (1994-2004)
Giannakis y sus colaboradores hicieron contribuciones fundamentales en los sistemas de comunicación inalámbrica . Una de las principales contribuciones fue mostrar cómo la precodificación lineal basada en bloques podría transformar un canal MIMO de frecuencia selectiva en un conjunto de canales paralelos de frecuencia plana. [4] Otra contribución principal fue desarrollar un enfoque unificado para diseñar códigos de bloques de espacio-tiempo en canales MIMO. Dichos códigos permiten la máxima diversidad y ganancias de codificación a velocidad máxima (1 símbolo por uso de canal) para cualquier número de antenas de transmisión-recepción. [26] La precodificación lineal se usa ampliamente en sistemas inalámbricos comerciales como IEEE 802.11n [36] y 3GPP LTE. [37] Otra contribución fundamental resultó en una técnica de comunicación multiportadora que es resistente a la interferencia entre símbolos y multiusuario selectiva en frecuencia . Además, diseñó la precodificación lineal de múltiples portadoras combinada con una operación de expansión de bloques que, en conjunto, hacen que la matriz de firmas del usuario en el receptor esté bien acondicionada, sin control de potencia o sobreexpansión del ancho de banda. [27] Este resultado muestra que el procesamiento en bloque de las señales de comunicación se convierte en una dimensión importante que puede mejorar el rendimiento de la comunicación sin alterar la potencia o el ancho de banda. Una innovación adicional de valor comercial fue el uso de relleno de ceros en lugar de un prefijo cíclico . [7] El uso de un prefijo cero tiene ventajas en la aplicación para multibanda OFDM en banda ultra ancha porque se extiende el rango de cobertura evitando potencia de back-off en el transmisor. [6] [5] Otras contribuciones seminales incluyen el componente principal de filtros que los puntos de referencia el rendimiento de multirresolución basado esquemas de compresión ; [38] Ciclostacionalidad inducida por el transmisor que garantiza la identificabilidad de los canales selectivos en frecuencia incluso a partir de estadísticas de segundo orden; entrenamiento óptimo, así como estimación ciega y ecualización de canales selectivos en tiempo y frecuencia utilizando un modelo de expansión de base; [39] ecualizadores multicanal lineales de canales Volterra no lineales con memoria; [40] y un enfoque cicloestacionario unificador para la sincronización de portadora y temporización asistida por datos (no) totalmente digital . Giannakis y sus colaboradores también contribuyeron con enfoques pioneros para las comunicaciones de múltiples antenas que incluyen sistemas de multiplexación por división de frecuencia ortogonal codificados en espacio-tiempo-frecuencia-Doppler que alcanzan el orden de diversidad máxima; utilizar la retroalimentación de la media o correlación del canal para desarrollar formadores de haz de transmisión óptimos que superen notablemente los diseños de SNR de recepción máxima; y también puede permitirse una parametrización simple y general muy aclamada que permite un análisis de rendimiento cuantificable cuando se comunica a través de canales inalámbricos con desvanecimiento de una o varias antenas . [41] Otros resultados muy citados abarcan las comunicaciones inalámbricas de banda ultraancha, [42] algoritmos de sincronización innovadores, sus análisis de rendimiento y el impacto en los sistemas de posicionamiento de alta precisión . [43]
Diseños de redes entre capas (2003-2008)
El modelo de interconexión de sistemas abiertos (OSI) de las redes de comunicación comprende múltiples capas de diseño. Por razones de manejabilidad, cada capa se optimizó individualmente, hasta que se reconoció que los diseños de juntas pueden ofrecer un rendimiento notablemente mejorado. Para las redes inalámbricas, Giannakis y sus colaboradores fueron los primeros en demostrar cómo, aprovechando el conocimiento del canal en el transmisor, un modulador que se adapta al canal de desvanecimiento previsto en la capa física (PHY) puede ser co-diseñado de manera fructífera con la solicitud de repetición automática (ARQ ) en la capa de control de acceso al medio (MAC) para mejorar el rendimiento . [44] [45] Además de PHY-MAC, investigaron codiseños que involucraban planificadores con garantías de calidad de servicio (QoS), así como colas con codificación y modulación adaptativa . [46] Además, contribuyeron con diseños de control de contención y congestión entre capas para redes inalámbricas ad hoc , [47] optimización entre capas de multidifusión , [44] acceso aleatorio multisalto inalámbrico , [47] y redes de radio cognitivas inalámbricas .
Redes de sensores inalámbricos e inferencia distribuida (2004-2012)
El procesamiento de la información y la inferencia a través de sensores de bajo consumo y bajo costo conectados de forma inalámbrica tienen méritos bien documentados en dominios de aplicación como la detección ambiental para la vigilancia del hábitat, la agricultura inteligente y el monitoreo de la salud utilizando redes de área corporal . Tales redes de sensores inalámbricos (WSN) con o sin una unidad de computación central (centro de fusión) enfrentan desafíos importantes debido a su ancho de banda limitado, poder estricto para prolongar la vida útil del sensor, la necesidad de hacer frente a datos no estacionarios y correlacionados espacio-temporal, sincronización, acceso y asignación de recursos, para llevar a cabo las tareas de inferencia distribuidas deseadas. Giannakis y su equipo fueron pioneros en la programación de sensores energéticamente eficientes , modulaciones energéticamente eficientes y estimadores con restricciones de ancho de banda, [48] junto con límites de rendimiento fundamentales relevantes, [49] al investigar la inferencia junto con la compresión , cuantificación y censura . Sorprendentemente, incluso con unos pocos (1-3) bits por muestra de sensor, el centro de fusión podría alcanzar el 90% de la estimación y el rendimiento de seguimiento posibles con observaciones no cuantificadas, incluso con un rastreador de Kalman que utiliza solo el signo de las innovaciones. Aunque se conoce como un enfoque de optimización en entornos deterministas, Giannakis y sus colaboradores también fueron los primeros en revelar la importancia del método de multiplicadores de dirección alterna (ADMM) para la inferencia estadística completamente distribuida utilizando procesamiento WSN (ad hoc) basado en operaciones de consenso. [50] En una serie de resultados muy influyentes, contribuyeron con enfoques estáticos y basados en ADMM en línea para la regresión distribuida y el filtrado de partículas para el seguimiento distribuido, [51] clasificación utilizando SVM distribuidas , [52] agrupación y reducción de dimensionalidad adaptada para WSN.
Comunicaciones y detección de radio cognitiva inalámbrica (2007-2017)
La demanda cada vez mayor de ancho de banda para adaptarse a las aplicaciones multimedia emergentes y la interconexión a gran escala de dispositivos heterogéneos han dado como resultado un crecimiento explosivo del tráfico de protocolo de Internet (IP). Esto generó la necesidad de sensores, comunicaciones y redes de radio cognitiva inalámbrica (CR) que puedan mitigar la interferencia de radiofrecuencia (RF) y asignar juiciosamente el espectro, controlar la congestión del tráfico y el enrutamiento, así como monitorear el estado de la red, marcar los riesgos. y, en general, garantizan una conectividad segura. Giannakis y su equipo de investigación contribuyeron con herramientas históricas para detectar el ambiente de RF, los canales de propagación y, en general, proporcionar una descripción sucinta del estado de la red , lo que ahora se conoce ampliamente como cartografía de la densidad espectral, ganancias de canal, retrasos de ruta, utilización de enlaces, etc. y desvelar anomalías. Ya sea a ciegas o con entrenamiento, se creía que la estimación de canal requiere al menos datos de salida o entrada-salida, lo que significa que uno debe tener acceso al extremo de recepción y quizás también al de transmisión. Giannakis pasó por alto los transceptores CR no cooperativos reformulando la estimación de ganancia de canal como una tarea de interpolación de funciones utilizando un número suficiente de muestras espacio-temporales. [53] Él aprovechó aún más las propiedades estructurales de esta función de aprendizaje (generalmente dinámica), a saber, escasez , [54] [55] [56] rango bajo, [54] correlación espacio-tiempo, Kriging , [53] y radio- tomografía relacionada técnicas, para obtener mapas de detección precisos incluso con mediciones cuantificadas. Junto con sus colaboradores, utilizaron estos mapas para la programación CR distribuida, la gestión dinámica de recursos utilizando retroalimentación de tasa limitada, [57] control de potencia con intercambios imperfectos, detección conjunta de CR y asignación de CR multicanal, formación de haces óptima, enrutamiento estadístico, entre capas optimización mediante tweets de interferencia y gestión óptima con restricciones de azar de radios de acceso múltiple por división de frecuencia ortogonal (OFDMA).
Sistemas eléctricos y redes inteligentes con energías renovables (2011-2019)
Giannakis y su grupo de investigación han contribuido con el procesamiento de señales de última generación, el aprendizaje automático y algoritmos de optimización diseñados para monitorear y administrar las redes eléctricas contemporáneas . [58] Críticos para el monitoreo han sido los enfoques innovadores para la estimación del estado del sistema de energía, incluyendo solucionadores robustos y distribuidos basados en programación semidefinida , [59] y redes neuronales profundas ; [60] ubicación óptima de las unidades de medida fasorial para facilitar el conocimiento de la situación; [61] identificación eficiente de datos defectuosos y cortes de energía utilizando la escasez para señalar de manera efectiva los cortes de energía ; [62] y previsión de la demanda, elasticidad de carga en tiempo real y fijación de precios para la carga de vehículos eléctricos , así como predicción de los precios del mercado de la electricidad. Las contribuciones fundamentales para la gestión de la red eléctrica inteligente incluyen la programación distribuida incluso cuando se pierden los mensajes de control residencial; [63] flujo de energía óptimo descentralizado para microrredes ; [64] gestión de potencia reactiva activa y estocástica con energías renovables (eólica y fotovoltaica); [65] respuesta de la demanda a gran escala para la compensación del mercado ; patentes sobre el despacho óptimo de inversores fotovoltaicos en la distribución de energía residencial; [66] regulación de voltaje mediante aprendizaje de refuerzo profundo , [67] y control de energía ergódica aprovechando la variabilidad de recursos para redes de distribución multifase . [68]
Ciencia de datos, aprendizaje de gráficos e inteligencia artificial (2008-2020)
Con experiencia documentada en estadísticas y herramientas de optimización, el equipo de investigación de Giannakis contribuyó con soluciones innovadoras para desafiar los problemas de la ciencia y la ingeniería al capitalizar la avalancha de datos, al tiempo que aprovechaba conjuntamente modelos guiados por la física y basados en datos. Sus novedades clave han avanzado notablemente en el aprendizaje automático con datos recopilados en agentes distribuidos y ofrecen modelos de aprendizaje que tienen en cuenta las dependencias, estructuras, dinámicas y valores atípicos de datos no lineales . Fueron los primeros en desarrollar esquemas distribuidos ( chismes ) basados en consenso para clasificación , regresión dispersa y agrupamiento utilizando el método de multiplicadores de dirección alterna (ADMM); [69] y fue pionero en un solucionador basado en cabezas de clúster cuidadosamente diseñadas para acelerar la optimización descentralizada. [70] La escasez y el rango bajo fueron las estructuras de datos que explotaron desde el principio para desarrollar estimadores en línea de señales dispersas; [71] para hacer frente al muestreo compresivo perturbado utilizando mínimos cuadrados totales dispersos , [72] y también vincular de manera perspicaz la detección compresiva con estadísticas robustas , simplemente porque los datos atípicos son escasos. [73] Este vínculo condujo a resultados importantes en el suavizado robusto de señales dinámicas a través de restricciones de valores atípicos; modelos de regresión polinomial dispersa; regresión no paramétrica robusta a través del control de la dispersión; análisis robusto de componentes principales , escalamiento multidimensional robusto y esquemas de agrupamiento robustos . [74] Impulsados por la difícil tarea NP de reconstruir una señal a partir de su magnitud, también desarrollaron algoritmos de última generación para resolver sistemas aleatorios de ecuaciones cuadráticas. [75] Además, establecieron la identificabilidad de los modelos que comprenden una matriz de rango bajo más una matriz comprimida. [76] Este resultado no solo es intrigante por sí mismo (puede encontrar los sumandos de la suma), sino que también es impactante para revelar anomalías en el tráfico de la red y acelerar las imágenes de resonancia magnética dinámica a niveles de resolución deseables. Otra contribución fundamental a los modelos de aprendizaje no lineal fue permitir la búsqueda de una función de base no paramétrica a través del aprendizaje escaso basado en kernel , [77] lo que llevó al primer enfoque para completar y extrapolar tensores con aplicaciones a cartografía de espectro, predicción de flujo de red e imputación de genes. datos de expresión .
Una piedra angular de la ciencia de datos es aprender de big data , donde este último se refiere al volumen (dimensionalidad y número) de datos, su velocidad (de transmisión de datos) y variedad (multimodalidad). [78] Para extraer la información buscada que a menudo reside en pequeños subespacios y hacer frente a datos submuestreados o faltantes , Giannakis y sus colaboradores propusieron un enfoque de censura en línea para regresiones y rastreadores a gran escala , [79] donde solo se retienen datos informativos para aprendiendo. En lugar de censurar , también adoptaron un número limitado de proyecciones de datos aleatorios (bocetos) y validaron si contienen datos informativos, antes de emplearlos para la agrupación (subespacial) para obtener compensaciones deseables de rendimiento y complejidad. [80] Además, introdujeron esquemas de imputación y aprendizaje subespacial lineal para tensores de transmisión; aprendizaje subespacial categórico en línea; y rastreadores subespaciales no lineales basados en kernel con un presupuesto limitado. [81]
Los gráficos sustentan la estructura y el funcionamiento de las redes en todas partes: desde Internet hasta la red eléctrica , los mercados financieros, las redes sociales, la regulación genética y la funcionalidad cerebral. Ya sea que los bordes de los gráficos capturen interconexiones físicas o interdependencias entre nodos o variables, aprender un gráfico y realizar inferencias de procesos en un gráfico son dos tareas de suma importancia en la ciencia de datos , la ciencia de redes y las aplicaciones. Giannakis y sus colaboradores establecieron condiciones para identificar primero topologías de gráficos dirigidos utilizando modelos de ecuaciones estructurales lineales o no lineales dispersas [82] y estáticas o dinámicas . [83] Estos modelos relacionan variables nodales endógenas con o sin insumos exógenos, bajo restricciones de escasez y rango bajo. Los gráficos multicapa , así como los gráficos en evolución con memoria (como los que surgen con modelos autorregresivos de vectores estructurales generalmente no lineales ) se consideran entradas exógenas. Si estos últimos no están disponibles, los resultados del equipo de Giannakis muestran cómo identificar "a ciegas" topologías de gráficos dirigidos mediante la descomposición de las estadísticas de tensor de datos nodales obtenidos bajo cambios de gráficos dinámicos. [84] Además, emplearon gráficos como información previa para ofrecer un enfoque unificador basado en el kernel de gráficos para la inferencia estadística de procesos (no) estacionarios sobre gráficos. [85] Ya sea para interpolación , eliminación de ruido o extrapolación , su innovación explica las interdependencias dinámicas y / o no lineales de los procesos nodales. Estos son fundamentales en la práctica para predecir procesos dinámicos parcialmente observados en redes de comunicación; [86] para estimar el tráfico IP y mapear anomalías en dichas redes; inferir funciones sobre redes cerebrales , así como procesos regulatorios aprovechando perturbaciones genéticas en redes genéticas ; e incluso realizar un seguimiento de las cascadas en las redes sociales con una dinámica fluida o de conmutación. Para hacer frente a gráficos a gran escala, desarrollaron aún más herramientas de análisis de correlación canónica para datos gráficos; estrategias de muestreo activo adaptativo de datos ; incrustaciones de nodos con similitudes adaptativas; y difusiones adaptativas impulsadas por caminatas aleatorias que pueden superar a las redes neuronales convolucionales gráficas de última generación. [87]
Giannakis y sus colaboradores también han contribuido al resurgimiento de la inteligencia artificial (IA), y específicamente a las áreas de crowdsourcing , aprendizaje conjunto , aprendizaje interactivo y los análisis de rendimiento asociados. Resultados altamente aclamados incluyen ciega y activa de múltiples clases de meta-aprendizaje con información categórica de los alumnos de manera desigual fiables con datos posiblemente correlacionados y secuenciales; [88] aprendizaje multinúcleo en línea basado en funciones aleatorias en entornos con dinámicas desconocidas; [89] y un enfoque bayesiano a través de procesos conjuntos (no) gaussianos para el aprendizaje en línea con escalabilidad, robustez y cuantificación de la incertidumbre a través de análisis de arrepentimiento . Los avances importantes adicionales incluyen el aprendizaje por refuerzo (profundo) aplicado al almacenamiento en caché adaptativo en redes de entrega de contenido jerárquico . [90] Los nuevos esquemas de almacenamiento en caché dan cuenta de la popularidad del contenido espacio-temporal en las redes de comunicación de la generación futura, y también de los precios del almacenamiento dinámico.
Libros seleccionados y capítulos de libros
- GB Giannakis, Y. Hua, P. Stoica, L. Tong, Editores, Avances en el procesamiento de señales en comunicaciones móviles e inalámbricas, vol. 1: Tendencias en las estimaciones del canal y ecualización, Prentice Hall, 2000.
- GB Giannakis, Y. Hua, P. Stoica, L. Tong, Editores, Avances en el procesamiento de señales en comunicaciones móviles e inalámbricas, vol. 2: Tendencias en sistemas de usuario único y multiusuario, Prentice Hall, Inc., 2000.
- GB Giannakis, Z. Liu, X. Ma y S. Zhou, Codificación espacio-temporal para comunicaciones inalámbricas de banda ancha, John Wiley & Sons, Inc., 2007.
- V. Kekatos, G. Wang, H. Zhu y GB Giannakis, "PSSE redux: Relajación convexa, enfoques descentralizados, robustos y dinámicos", Capítulo de Avances en Energía Eléctrica y Energía; M. El-Hawary Editor, 2018.
- G. Mateos y GB Giannakis, "Robust PCA by control sparsity in model residuals", capítulo en T. Bouwmans, E. Zahzah y N. Aybat, editores, CRC Press, 2017.
- GB Giannakis, G. Mateos, ID Schizas, H. Zhu y Q. Ling, "Aprendizaje descentralizado para comunicaciones inalámbricas y redes", Capítulo en Métodos de división ... por R. Glowinski, S. Osher y W. Yin, Editores, Nueva York, Springer, 2016.
- X. Ma y GB Giannakis, "Comunicación sobre canales inalámbricos doblemente selectivos", capítulo en espacio-tiempo inalámbrico ..., H. Boelcskei, D. Gesbert, CB Papadias y A.-J. van der Veen Eds., Cambridge U. Press, 2006.
- Z. Tian, T. Davidson, X. Luo, X. Wu y GB Giannakis, "Ultra-Wideband Pulse-Shaper Design", Capítulo en UWB Wireless Communications, H. Arslan e Y. Chen, Wiley 2005.
- GB Giannakis, "Procesamiento estadístico de señales", Capítulo en DSP, VK Madisetti, D. Williams, Editores en Jefe, CRC Press, 1998.
- GB Giannakis, "Tendencias en el análisis espectral: Estadísticas cíclicas y de orden superior", Capítulo en Digital Signal Proc. Tech., P. Papamichalis y R. Kerwin, Eds., Págs. 74-97, vol. CR57, 1995.
Publicaciones Seleccionadas
- S. Gezici, Z. Tian, GB Giannakis, H. Kobayashi, AV Molisch, HV Poor y Z. Sahinoglu, "Localización mediante radios de banda ultraancha", IEEE Signal Processing Magazine , vol. 22, no. 4, págs. 70–84, julio de 2005.
- L. Yang y GB Giannakis, "Comunicaciones de banda ultra ancha: una idea a la que ha llegado el momento", IEEE Signal Processing Magazine , vol. 21, no. 6, págs. 26–54, noviembre de 2004.
- Q. Liu, S. Zhou y GB Giannakis, "Combinación entre capas de modulación adaptativa y codificación con ARQ truncado sobre enlaces inalámbricos", IEEE Trans. sobre comunicaciones inalámbricas , vol. 3, no. 5, págs. 1746-1755, septiembre de 2004.
- Z. Wang y GB Giannakis, "Una parametrización simple y general que cuantifica el rendimiento en canales que se desvanecen", IEEE Transactions on Communications , vol. 51, no. 8, págs. 1389-1398, agosto de 2003.
- P. Xia y GB Giannakis, "Diseño y análisis de la formación del haz de transmisión basado en la retroalimentación de velocidad limitada", IEEE Transactions on Signal Processing, vol. 54, no. 5, págs. 1853–1863, mayo de 2006.
- GB Giannakis, P. Anghel y Z. Wang, "CDMA de múltiples portadoras generalizadas: unificación y ecualización", EURASIP Journal of Applied Signal Processing , págs. 743–756, febrero de 2005.
- Y. Xin, Z. Wang y GB Giannakis, "Sistemas de diversidad espacio-tiempo basados en la precodificación de constelaciones lineales", IEEE Transactions on Wireless Communications , vol. 2, no. 2, págs. 294-309, marzo de 2003.
- ND Sidiropoulos, R. Bro y GB Giannakis, "Análisis de factores paralelos en el procesamiento de matrices de sensores", IEEE Transactions on Signal Processing , vol. 48, págs. 2377-2388, agosto de 2000.
- Z. Wang y GB Giannakis, "Comunicaciones inalámbricas de múltiples portadoras: donde Fourier se encuentra con Shannon", IEEE Signal Processing Magazine , vol. 17, págs. 29–48, mayo de 2000.
- A. Scaglione, GB Giannakis y S. Barbarossa, "Precodificadores y ecualizadores de banco de filtros redundantes Parte I: Unificación y diseños óptimos", Transacciones de IEEE sobre procesamiento de señales , vol. 47, págs. 1988– 2006, julio de 1999.
- MK Tsatsanis y GB Giannakis, "Bancos de filtros de componentes principales para un análisis óptimo de múltiples resoluciones", IEEE Transactions on Signal Processing , vol. 43, págs. 1766-1777, agosto de 1995.
- GB Giannakis y JM Mendel, "Identificación de sistemas de fase no mínima utilizando estadísticas de orden superior", IEEE Transactions on Acoustics Speech and Signal Processing , vol. 37, págs. 360–377, marzo de 1989.
Patentes seleccionadas
- GB Giannakis y X. Ma, "Estimación de compensaciones de frecuencia y canales de múltiples antenas en sistemas MIMO-OFDM", Patente de EE. UU. Núm. US 10,700,800 B2; emitido el 30 de junio de 2020; LTE afectado (3GPP Tech. Spec. 36.211, Sec.6.10).
- S. Dhople, GB Giannakis y E. Dall'Anese, "Despacho óptimo descentralizado de inversores fotovoltaicos en sistemas de distribución de energía", Patente de EE. UU. Núm. 10.139.800 B2, emitida el 27 de noviembre de 2018.
- GB Giannakis y H. Zhu, "Estimación estatal de redes de energía eléctrica utilizando relajación semidefinita", Patente de EE. UU. Núm. 9,863,985, emitido el 9 de enero de 2018.
- GB Giannakis, E. Dall'Anese, JA Bazerque, H. Zhu y G. Mateos, "Construcción robusta de mapas de densidad de espectro de potencia paramétrica", Patente de EE.UU. 9.363.679, emitida el 7 de junio de 2016; Mapas de RF para radios cognitivas inalámbricas.
- GB Giannakis, G. Mateos y JA Bazerque, "Construcción de mapas de densidad espectral de potencia no paramétrica", Patente de EE. UU. Núm. 9.191.831, emitida el 17 de noviembre de 2015.
- GB Giannakis, Y. Xin y Z. Wang, "Sistema de comunicación inalámbrica con codificador lineal", Patente de EE. UU. Núm. RE45,230, emitido el 4 de noviembre de 2014; códigos de campo complejo que combaten los efectos de desvanecimiento para garantizar enlaces inalámbricos rápidos y fiables.
- GB Giannakis, P. Xia y S. Zhou, "Acceso múltiple de múltiples portadoras con uso eficiente del ancho de banda y energía para comunicaciones inalámbricas de banda ancha de enlace ascendente", Patente de EE. UU. Núm. 7,672,384, emitida el 2 de marzo de 2010.
Referencias
- ^ a b Giannakis, GB; Mendel, JM (marzo de 1989). "Identificación de sistemas de fase no mínima utilizando estadísticas de orden superior". Transacciones IEEE sobre acústica, habla y procesamiento de señales . 37 (3): 360–377. doi : 10.1109 / 29.21704 . ISSN 0096-3518 .
- ^ a b Giannakis, GB; Swami, A. (marzo de 1990). "Sobre la estimación de modelos ARMA no causales de fase no mínima de procesos no gaussianos". Transacciones IEEE sobre acústica, habla y procesamiento de señales . 38 (3): 478–495. doi : 10.1109 / 29.106866 . ISSN 0096-3518 .
- ^ a b Scaglione, A .; Giannakis, GB; Barbarossa, S. (julio de 1999). "Precodificadores y ecualizadores de bancos de filtros redundantes. I. Unificación y diseños óptimos". Transacciones IEEE sobre procesamiento de señales . 47 (7): 1988-2006. doi : 10.1109 / 78.771047 . ISSN 1053-587X .
- ^ a b c Scaglione, A .; Stoica, P .; Barbarroja, S .; Giannakis, GB; Sampath, H. (mayo de 2002). "Diseños óptimos para precodificadores y decodificadores lineales espacio-temporales". Transacciones IEEE sobre procesamiento de señales . 50 (5): 1051–1064. CiteSeerX 10.1.1.16.9100 . doi : 10.1109 / 78.995062 . ISSN 1053-587X .
- ^ a b Batra, Anuj; Giannakis, GB (mayo de 2000). "Comunicaciones inalámbricas multiportadora". Revista de procesamiento de señales IEEE . 17 (3): 29–48. doi : 10.1109 / 79.841722 . ISSN 1053-5888 .
- ^ a b c Batra, A; Balakrishnan, J; Aiello, G; Foerster, J; Dabak, A (septiembre de 2004). "Diseño de sistema OFDM multibanda para entornos de canales UWB realistas". Transacciones IEEE sobre teoría y técnicas de microondas . 52 (9): 2123–2138. CiteSeerX 10.1.1.330.5178 . doi : 10.1109 / TMTT.2004.834184 . S2CID 16835205 .
- ^ a b Muquet, B .; Wang, Zhengdao; Giannakis, GB; Courville, M. de; Duhamel, P. (diciembre de 2002). "¿Prefijo cíclico o relleno de cero para transmisiones inalámbricas multiportadora?". Transacciones IEEE sobre comunicaciones . 50 (12): 2136-2148. CiteSeerX 10.1.1.12.6811 . doi : 10.1109 / TCOMM.2002.806518 . ISSN 0090-6778 .
- ^ Grados de Georgios B. Giannakis en umn.edu. Consultado el 5 de septiembre de 2013.
- ^ "Academia de Europa: Giannakis Georgios" . www.ae-info.org . Consultado el 28 de julio de 2020 .
- ^ "Premio Athanasios Papoulis" .
- ^ "Academia Europea de Ciencias" .
- ^ "Premios de la Sociedad de Procesamiento de Señales" .
- ^ "El profesor de la U of M Georgios Giannakis será admitido en la Academia Nacional de Inventores" .
- ^ "El profesor Georgios Giannakis recibe el premio a la educación de la Sociedad de Comunicaciones IEEE 2019" .
- ^ "Georgios Giannakis galardonado con la prestigiosa silla presidencial de McKnight" .
- ^ "Premio IEEE Fourier, Premio de campo técnico para destinatarios de procesamiento de señales" .
- ^ "La composición de la Fundación Consejo" .
- ^ "Becarios EURASIP" .
- ^ "Técnico Individual" .
- ^ "Georgios B. Giannakis" .
- ^ "Premio al Logro Técnico de la Sociedad de Procesamiento de Señal IEEE" (PDF) .
- ^ "Directorio de becarios IEEE" .
- ^ "Los mejores científicos informáticos del mundo: clasificación de ciencias de la computación de índice H" . www.guide2research.com . Consultado el 8 de julio de 2020 .
- ^ "GB Giannakis Google scholar" .
- ^ "31 investigadores griegos entre las mentes científicas más influyentes del mundo" .
- ^ a b Xin, Yan; Wang, Zhengdao; Giannakis, GB (marzo de 2003). "Sistemas de diversidad espacio-temporal basados en precodificación de constelaciones lineales". Transacciones IEEE sobre comunicaciones inalámbricas . 2 (2): 294-309. CiteSeerX 10.1.1.12.8101 . doi : 10.1109 / TWC.2003.808970 . ISSN 1536-1276 .
- ^ a b Wang, Zhendao; Giannakis, GB (mayo de 2000). "Comunicaciones inalámbricas multiportadora". Revista de procesamiento de señales IEEE . 17 (3): 29–48. doi : 10.1109 / 79.841722 . ISSN 1053-5888 .
- ^ "Premio al mejor artículo de la revista Signal Processing de la IEEE Signal Processing Society" (PDF) .
- ^ Sidiropoulos, ND; Bro, R .; Giannakis, GB (agosto de 2000). "Análisis de factores paralelos en el procesamiento de matrices de sensores". Transacciones IEEE sobre procesamiento de señales . 48 (8): 2377–2388. CiteSeerX 10.1.1.21.4217 . doi : 10.1109 / 78.852018 . ISSN 1053-587X .
- ^ "AT&T, Verizon, otros burlaron las patentes de la U. de Minnesota, dice el traje" .
- ^ US Grant 7,251,768 , Georgios Giannakis & Shengli Zhou, "Sistema de comunicación inalámbrica con codificador de control de errores y precodificador lineal", publicado el 5 de febrero de 2004, emitido el 31 de julio de 2007, asignado a los Regentes de la Universidad de Minnesota (Minneapolis, MN)
- ^ US Grant 8.588.317 , Georgios Giannakis, Xiaoli Ma & Xiaoli Ma, "Estimación de compensaciones de frecuencia y canales de múltiples antenas en sistemas MIMO OFDM", publicado el 19 de noviembre de 2013, emitido el 19 de noviembre de 2013, asignado a los Regentes de la Universidad de Minnesota (Minneapolis, MN)
- ^ US Grant 8,718,185 , Georgios Giannakis, Xiaoli Ma & Xiaoli Ma, "Estimación de compensaciones de frecuencia y canales de múltiples antenas en sistemas MIMO OFDM", publicado el 6 de mayo de 2014, publicado el 6 de mayo de 2014, asignado a los regentes de la Universidad de Minnesota (Minneapolis, MN)
- ^ US Grant 8,774,309 , Georgios Giannakis, Xiaoli Ma & Xiaoli Ma, "Estimación de compensaciones de frecuencia y canales de múltiples antenas en sistemas MIMO OFDM", publicado el 08 de julio de 2014, publicado el 08 de julio de 2014, asignado a los regentes de la Universidad de Minnesota (Minneapolis, MN)
- ^ Mendel, Jerry M. (marzo de 1991). "Tutorial sobre estadística de orden superior (espectros) en procesamiento de señales y teoría de sistemas: resultados teóricos y algunas aplicaciones". Actas del IEEE . 79 (3): 278-305. doi : 10.1109 / 5.75086 .
- ^ "Estándar IEEE 802.11n" . IEEE . Consultado el 26 de julio de 2017 .
- ^ Especificación técnica de 3GPP 36.211; Secciones 6.3.3, 6.3.4 y 6.10
- ^ Tsatsanis, MK; Giannakis, GB (1995). "Bancos de filtros de componentes principales para un análisis óptimo de multiresolución". Transacciones IEEE sobre procesamiento de señales . 43 (8): 1766-1777. doi : 10.1109 / 78.403336 . ISSN 1053-587X .
- ^ Giannakis, GB; Tepedelenlioglu, C. (octubre de 1998). "Modelos de expansión de base y técnicas de diversidad para la identificación ciega y la ecualización de canales variables en el tiempo". Actas del IEEE . 86 (10): 1969–1986. doi : 10.1109 / 5.720248 .
- ^ Giannakis, GB; Serpedin, E. (1996). "Ecualizadores ciegos de canales FIR Volterra multicanal lineal-cuadrático". Actas del octavo taller sobre procesamiento estadístico de señales y matrices . Computación IEEE. Soc. Presione: 371–374. doi : 10.1109 / ssap.1996.534893 . ISBN 0-8186-7576-4. S2CID 124873969 .
- ^ Wang, Zhengdao; Giannakis, GB (agosto de 2003). "Una parametrización simple y general que cuantifica el desempeño en canales con desvanecimiento". Transacciones IEEE sobre comunicaciones . 51 (8): 1389-1398. doi : 10.1109 / tcomm.2003.815053 . ISSN 0090-6778 .
- ^ Yang, L .; Giannakis, GB (noviembre de 2004). "Comunicaciones de banda ultra ancha: una idea cuyo momento ha llegado". Revista de procesamiento de señales IEEE . 21 (6): 26–54. doi : 10.1109 / MSP.2004.1359140 . ISSN 1053-5888 .
- ^ Gezici, S .; Zhi, T .; Giannakis, GB; Kobayashi, H .; Molisch, AF; Pobre, HV; Sahinoglu, Z. (julio de 2005). "Localización a través de radios de banda ultra ancha: una mirada a los aspectos de posicionamiento para futuras redes de sensores". Revista de procesamiento de señales IEEE . 22 (4): 70–84. doi : 10.1109 / MSP.2005.1458289 . ISSN 1053-5888 . S2CID 2174942 .
- ^ a b Rajawat, Ketan; Gatsis, Nikolaos; Giannakis, Georgios B. (octubre de 2011). "Diseños de capa cruzada en redes de desvanecimiento inalámbricas codificadas con multidifusión". Transacciones IEEE / ACM sobre redes . 19 (5): 1276-1289. arXiv : 1003.5239 . doi : 10.1109 / tnet.2011.2109010 . ISSN 1063-6692 . S2CID 8871776 .
- ^ Liu, Q .; Zhou, S .; Giannakis, GB (septiembre de 2004). "Combinación entre capas de modulación adaptativa y codificación con ARQ truncado sobre enlaces inalámbricos". Transacciones IEEE sobre comunicaciones inalámbricas . 3 (5): 1746-1755. doi : 10.1109 / twc.2004.833474 . ISSN 1536-1276 . S2CID 7439785 .
- ^ Liu, Qingwen; Zhou, Shengli; Giannakis, GB (mayo de 2005). "Cola con modulación adaptativa y codificación sobre enlaces inalámbricos: análisis y diseño de capas cruzadas". Transacciones IEEE sobre comunicaciones inalámbricas . 4 (3): 1142-1153. doi : 10.1109 / twc.2005.847005 . ISSN 1536-1276 . S2CID 9287319 .
- ^ a b Kliazovich, Dzmitry; Granelli, Fabrizio (noviembre de 2006). "Control de congestión entre capas en redes inalámbricas ad hoc" . Redes Ad Hoc . 4 (6): 687–708. doi : 10.1016 / j.adhoc.2005.08.001 . ISSN 1570-8705 .
- ^ Ribeiro, A .; Giannakis, GB (2006). "Estimación distribuida de ancho de banda restringido para redes de sensores inalámbricos-parte I: caso de Gauss". Transacciones IEEE sobre procesamiento de señales . 54 (3): 1131-1143. doi : 10.1109 / TSP.2005.863009 . ISSN 1941-0476 . S2CID 16223482 .
- ^ Zhu, Hao; Cano, Alfonso; Giannakis, Georgios (junio de 2010). "Demodulación distribuida basada en consenso: algoritmos y análisis de errores". Transacciones IEEE sobre comunicaciones inalámbricas . 9 (6): 2044–2054. doi : 10.1109 / twc.2010.06.090890 . ISSN 1536-1276 . S2CID 1708666 .
- ^ Schizas, Ioannis D .; Ribeiro, Alejandro; Giannakis, Georgios B. (2008). "Consenso en WSN ad hoc con enlaces ruidosos - Parte I: Estimación distribuida de señales deterministas" . Transacciones IEEE sobre procesamiento de señales . 56 (1): 350–364. doi : 10.1109 / TSP.2007.906734 . ISSN 1053-587X . S2CID 17406788 .
- ^ Ribeiro, Alejandro; Schizas, Ioannis D .; Roumeliotis, Stergios I .; Giannakis, Georgios B. (2010). "Filtrado de Kalman en redes de sensores inalámbricos: reducción de costos de comunicación en problemas de estimación de estado" . Revista IEEE Control Systems . 30 (2): 66–86. doi : 10.1109 / MCS.2009.935569 . ISSN 1066-033X . S2CID 8025516 .
- ^ A, ForeroPedro; CanoAlfonso; B, GiannakisGeorgios (2010). "Máquinas vectoriales de soporte distribuido basadas en consenso" . The Journal of Machine Learning Research .
- ^ a b Emiliano, Dall'Anese; Kim, Seung-Jun; Giannakis, Georgios B. (marzo de 2011). "Seguimiento del mapa de ganancia de canal a través de Kriging distribuido". Transacciones IEEE sobre tecnología vehicular . 60 (3): 1205-1211. doi : 10.1109 / TVT.2011.2113195 . S2CID 9488427 .
- ^ a b Lee, Donghoon; Kim, Seung-Jun; Giannakis, Georgios B. (septiembre de 2017). "Cartografía de ganancia de canal para radios cognitivas aprovechando el rango bajo y la escasez" . Transacciones IEEE sobre comunicaciones inalámbricas . 16 (9): 5953–5966. doi : 10.1109 / TWC.2017.2717822 . S2CID 2594515 .
- ^ Bazerque, JA; Giannakis, GB (marzo de 2010). "Detección de espectro distribuido para redes de radio cognitivas mediante la explotación de la escasez". Transacciones IEEE sobre procesamiento de señales . 58 (3): 1847–1862. doi : 10.1109 / TSP.2009.2038417 . ISSN 1053-587X . S2CID 10628871 .
- ^ Tian, Zhi; Giannakis, Georgios B. (abril de 2007). "Detección comprimida para radios cognitivas de banda ancha". 2007 IEEE International Conference on Acustics, Speech and Signal Processing - ICASSP '07 . 4 : IV – 1357 – IV-1360. doi : 10.1109 / ICASSP.2007.367330 . ISBN 978-1-4244-0727-9. S2CID 15068636 .
- ^ Kim, Seung-Jun; Giannakis, Georgios B. (mayo de 2011). "Asignación óptima de recursos para redes de radio cognitivas ad hoc de MIMO". Transacciones IEEE sobre teoría de la información . 57 (5): 3117–3131. doi : 10.1109 / TIT.2011.2120270 . ISSN 0018-9448 . S2CID 15032887 .
- ^ Giannakis, Georgios B .; Kekatos, Vassilis; Gatsis, Nikolaos; Kim, Seung-Jun; Zhu, Hao; Wollenberg, Bruce F. (2013). "Monitoreo y optimización para redes eléctricas: una perspectiva de procesamiento de señales". Revista de procesamiento de señales IEEE . 30 (5): 107–128. arXiv : 1302.0885 . doi : 10.1109 / MSP.2013.2245726 . ISSN 1558-0792 . S2CID 2491099 .
- ^ Zhu, Hao; Giannakis, Georgios B. (2014). "Estimación del estado no lineal del sistema de energía mediante programación semidefinida distribuida". Revista IEEE de temas seleccionados en procesamiento de señales . 8 (6): 1039–1050. doi : 10.1109 / JSTSP.2014.2331033 . ISSN 1941-0484 . S2CID 16032161 .
- ^ Zhang, Liang; Wang, Gang; Giannakis, Georgios B. (2019). "Estimación y pronóstico del estado del sistema de energía en tiempo real a través de redes neuronales desenrolladas profundas". Transacciones IEEE sobre procesamiento de señales . 67 (15): 4069–4077. arXiv : 1811.06146 . doi : 10.1109 / TSP.2019.2926023 . ISSN 1941-0476 . S2CID 53433892 .
- ^ Kekatos, Vassilis; Giannakis, Georgios B .; Wollenberg, Bruce (2012). "Colocación óptima de unidades de medida fasorial mediante relajación convexa". Transacciones IEEE en sistemas de energía . 27 (3): 1521-1530. doi : 10.1109 / TPWRS.2012.2185959 . ISSN 1558-0679 . S2CID 14315556 .
- ^ Zhu, Hao; Giannakis, Georgios B. (2012). "Representaciones escasas en exceso para la identificación eficiente de cortes de líneas eléctricas". Transacciones IEEE en sistemas de energía . 27 (4): 2215–2224. doi : 10.1109 / TPWRS.2012.2192142 . ISSN 1558-0679 . S2CID 11897055 .
- ^ Gatsis, Nikolaos; Giannakis, Georgios B. (2012). "Control de carga residencial: programación distribuida y convergencia con mensajes AMI perdidos". Transacciones IEEE en Smart Grid . 3 (2): 770–786. doi : 10.1109 / TSG.2011.2176518 . ISSN 1949-3061 . S2CID 674732 .
- ^ Dall'Anese, Emiliano; Dhople, Sairaj V .; Giannakis, Georgios B. (2014). "Despacho óptimo de inversores fotovoltaicos en sistemas de distribución residencial". Reunión General de IEEE PES 2014 | Exposición de la conferencia : 1. arXiv : 1307.3751 . doi : 10.1109 / PESGM.2014.6939035 . ISBN 978-1-4799-6415-4. S2CID 52318633 .
- ^ Kekatos, Vassilis; Wang, Gang; Conejo, Antonio; Giannakis, Georgios (2015). "Gestión estocástica de potencia reactiva en microrredes con renovables". Reunión General de la Sociedad de Energía Eléctrica IEEE 2015 : 1. arXiv : 1409.6758 . doi : 10.1109 / PESGM.2015.7286375 . ISBN 978-1-4673-8040-9. S2CID 6827664 .
- ^ Zhang, Yu; Gatsis, Nikolaos; Giannakis, Georgios B. (2013). "Gestión robusta de energía para microrredes con renovables de alta penetración". Transacciones IEEE sobre energía sostenible . 4 (4): 944–953. arXiv : 1207.4831 . doi : 10.1109 / TSTE.2013.2255135 . ISSN 1949-3037 . S2CID 10963015 .
- ^ Yang, Qiuling; Wang, Gang; Sadeghi, Alireza; Giannakis, Georgios B .; Sol, Jian (2020). "Control de voltaje de dos escalas de tiempo en redes de distribución mediante aprendizaje de refuerzo profundo". Transacciones IEEE en Smart Grid . 11 (3): 2313–2323. arXiv : 1904.09374 . doi : 10.1109 / TSG.2019.2951769 . ISSN 1949-3061 . S2CID 208617841 .
- ^ Wang, Gang; Kekatos, Vassilis; Conejo, Antonio J .; Giannakis, Georgios B. (2016). "Gestión de la energía ergódica aprovechando la variabilidad de los recursos en las redes de distribución". Transacciones IEEE en sistemas de energía . 31 (6): 4765–4775. arXiv : 1508.00654 . doi : 10.1109 / TPWRS.2016.2524679 . ISSN 1558-0679 . S2CID 21927 .
- ^ A, ForeroPedro; CanoAlfonso; B, GiannakisGeorgios (agosto de 2010). "Máquinas vectoriales de soporte distribuido basadas en consenso" . The Journal of Machine Learning Research . doi : 10.1145 / 1791212.1791218 . S2CID 555634 .
- ^ Ma, Meng; Giannakis, Georgios B. (octubre de 2018). "ADMM híbrido ponderado con reconocimiento de gráficos para una rápida optimización descentralizada". 2018 52 ° Congreso Asilomar de Señales, Sistemas y Computadores . IEEE: 1881–1885. doi : 10.1109 / acssc.2018.8645558 . ISBN 978-1-5386-9218-9. S2CID 67864918 .
- ^ Angelosante, Daniele; Bazerque, Juan Andrés; Giannakis, Georgios B. (julio de 2010). "Estimación adaptativa en línea de señales dispersas: donde RLS cumple con $ \ ell_1 $ -Norm". Transacciones IEEE sobre procesamiento de señales . 58 (7): 3436–3447. doi : 10.1109 / tsp.2010.2046897 . ISSN 1053-587X . S2CID 1670277 .
- ^ Z., Hao; Leus, G .; Giannakis, GB (mayo de 2011). "Mínimos cuadrados totales con reconocimiento de la dispersión para muestreo compresivo perturbado". Transacciones IEEE sobre procesamiento de señales . 59 (5): 2002-2016. arXiv : 1008.2996 . doi : 10.1109 / tsp.2011.2109956 . ISSN 1053-587X . S2CID 2016796 .
- ^ Kekatos, V .; Giannakis, GB (julio de 2011). "De las señales escasas a los residuos escasos para una detección robusta". Transacciones IEEE sobre procesamiento de señales . 59 (7): 3355–3368. arXiv : 1011.0450 . doi : 10.1109 / TSP.2011.2141661 . ISSN 1941-0476 . S2CID 16981922 .
- ^ Mateos, G .; Giannakis, GB (octubre de 2012). "PCA robusto como descomposición bilineal con regularización de la dispersión de valores atípicos". Transacciones IEEE sobre procesamiento de señales . 60 (10): 5176–5190. arXiv : 1111.1788 . doi : 10.1109 / TSP.2012.2204986 . ISSN 1941-0476 . S2CID 3100452 .
- ^ Wang, G .; Giannakis, GB; Eldar, YC (febrero de 2018). "Resolución de sistemas de ecuaciones cuadráticas aleatorias a través de flujo de amplitud truncado" . Transacciones IEEE sobre teoría de la información . 64 (2): 773–794. doi : 10.1109 / TIT.2017.2756858 . ISSN 1557-9654 . S2CID 382743 .
- ^ Mardani, M .; Mateos, G .; Giannakis, GB (febrero de 2013). "Anomalografía dinámica: seguimiento de anomalías de la red a través de la escasez y el rango bajo". Revista IEEE de temas seleccionados en procesamiento de señales . 7 (1): 50–66. arXiv : 1208.4043 . doi : 10.1109 / JSTSP.2012.2233193 . ISSN 1941-0484 . S2CID 8379547 .
- ^ Bazerque, Juan Andrés; Giannakis, Georgios B. (julio de 2013). "Búsqueda de base no paramétrica a través del aprendizaje basado en kernel disperso: una visión unificadora con avances en métodos ciegos". Revista de procesamiento de señales IEEE . 30 (4): 112–125. doi : 10.1109 / msp.2013.2253354 . ISSN 1053-5888 . S2CID 11973124 .
- ^ Slavakis, Konstantinos; Giannakis, Georgios B .; Mateos, Gonzalo (septiembre de 2014). "Modelado y optimización para Big Data Analytics: herramientas de aprendizaje (estadístico) para nuestra era de avalancha de datos". Revista de procesamiento de señales IEEE . 31 (5): 18–31. doi : 10.1109 / MSP.2014.2327238 . ISSN 1558-0792 . S2CID 16794388 .
- ^ Berberidis, Dimitris; Kekatos, Vassilis; Giannakis, Georgios B. (octubre de 2016). "Censura online para regresiones a gran escala con aplicación a Streaming Big Data" . Transacciones IEEE sobre procesamiento de señales . 64 (15): 3854–3867. doi : 10.1109 / TSP.2016.2546225 . ISSN 1941-0476 . PMC 5198787 . PMID 28042229 .
- ^ Traganitis, Panagiotis A .; Slavakis, Konstantinos; Giannakis, Georgios B. (junio de 2015). "Dibujar y validar para la agrupación en clústeres de Big Data". Revista IEEE de temas seleccionados en procesamiento de señales . 9 (4): 678–690. arXiv : 1501.05590 . doi : 10.1109 / JSTSP.2015.2396477 . ISSN 1941-0484 . S2CID 2298975 .
- ^ Mardani, Morteza; Mateos, Gonzalo; Giannakis, Georgios B. (junio de 2015). "Aprendizaje subespacial e imputación para la transmisión de tensores y matrices de Big Data". Transacciones IEEE sobre procesamiento de señales . 63 (10): 2663–2677. doi : 10.1109 / TSP.2015.2417491 . ISSN 1941-0476 . S2CID 8134310 .
- ^ Cai, Xiaodong; Bazerque, Juan Andrés; Giannakis, Georgios B. (23 de mayo de 2013). "Inferencia de redes reguladoras de genes con modelos de ecuaciones estructurales dispersas que explotan perturbaciones genéticas" . PLOS Biología Computacional . 9 (5): e1003068. doi : 10.1371 / journal.pcbi.1003068 . ISSN 1553-7358 . PMC 3662697 . PMID 23717196 .
- ^ Giannakis, Georgios B .; Shen, Yanning; Karanikolas, Georgios Vasileios (mayo de 2018). "Identificación de topología y aprendizaje sobre gráficos: contabilidad de no linealidades y dinámica" . Actas del IEEE . 106 (5): 787–807. doi : 10.1109 / jproc.2018.2804318 . ISSN 0018-9219 . S2CID 13740314 .
- ^ Shen, Yanning; Giannakis, Georgios B .; Baingana, Brian (15 de octubre de 2019). "Modelos autorregresivos de vectores estructurales no lineales con aplicación a redes cerebrales dirigidas" . Transacciones IEEE sobre procesamiento de señales . 67 (20): 5325–5339. doi : 10.1109 / tsp.2019.2940122 . ISSN 1053-587X . PMC 6779157 . PMID 31592214 .
- ^ Romero, Daniel; Ma, Meng; Giannakis, Georgios B. (febrero de 2017). "Reconstrucción basada en kernel de señales gráficas" . Transacciones IEEE sobre procesamiento de señales . 65 (3): 764–778. doi : 10.1109 / TSP.2016.2620116 . ISSN 1941-0476 . S2CID 11959872 .
- ^ Forero, Pedro A .; Rajawat, Ketan; Giannakis, Georgios B. (julio de 2014). "Predicción de procesos dinámicos parcialmente observados en redes a través del aprendizaje de diccionario". Transacciones IEEE sobre procesamiento de señales . 62 (13): 3305–3320. doi : 10.1109 / TSP.2014.2325798 . ISSN 1941-0476 . S2CID 18431953 .
- ^ Berberidis, Dimitris; Nikolakopoulos, Athanasios N .; Giannakis, Georgios B. (marzo de 2019). "Difusiones adaptables para el aprendizaje escalable sobre gráficos". Transacciones IEEE sobre procesamiento de señales . 67 (5): 1307-1321. arXiv : 1804.02081 . doi : 10.1109 / TSP.2018.2889984 . ISSN 1941-0476 . S2CID 4692126 .
- ^ Traganitis, Panagiotis A .; Pagès-Zamora, Alba; Giannakis, Georgios B. (septiembre de 2018). "Clasificación de conjuntos multiclase ciegos" . Transacciones IEEE sobre procesamiento de señales . 66 (18): 4737–4752. doi : 10.1109 / TSP.2018.2860562 . hdl : 2117/120513 . ISSN 1941-0476 . S2CID 49907089 .
- ^ Shen, Yanning; Tianyi, Chen; Giannakis, Georgios B. (enero de 2019). "Aprendizaje multinúcleo en línea basado en características aleatorias en entornos con dinámicas desconocidas" . The Journal of Machine Learning Research . 20 : 1–36.
- ^ Sadeghi, Alireza; Wang, Gang; Giannakis, Georgios B. (diciembre de 2019). "Aprendizaje de refuerzo profundo para el almacenamiento en caché adaptativo en redes de entrega de contenido jerárquico". Transacciones IEEE sobre comunicaciones cognitivas y redes . 5 (4): 1024–1033. arXiv : 1902.10301 . doi : 10.1109 / TCCN.2019.2936193 . ISSN 2332-7731 . S2CID 195886353 .