基本情報

所属
認知科学講座
職位
教授
E-Mail
sding@u-aizu.ac.jp
Webサイト
http://www.u-aizu.ac.jp/~sding/

教育

担当科目 - 大学
F1 アルゴリズムとデータ構造F1 アルゴリズムとデータ構造演習A8 ディジタル信号処理論M10 位相幾何学概論
担当科目 - 大学院
CSC02 統計的信号処理CSC03 応用統計

研究

研究分野
略歴
1996年3月 東京工業大学大学院理工学研究科物理学専攻理学博士号を取得
1996年8月 富士ソフト-ABC株式会社・情報システム技術開発部
1998年4月 クラリオン株式会社先行技術開発部技術研究所
2005年5月 会津大学コンピュータ理工学部情報基礎論講座助教授(現職名:上級准教授)就任、
2011年4月から同大学教授。

2003年9月16日~2009年3月 理化学研究所・脳科学総合研究センター(BSI)・The Laboratory for Advanced Brain Signal Processing (ABSP)客員研究員(兼)
2009年4月~2012年3月、2014年4月ー現在 会津大学・大学院・情報技術プロジェクトマネジ メント専攻副専攻長
現在の研究課題
信号のスパース表現と辞書の学習;スパースコーティングと圧縮センシング;独立成分分析;ブラインド信号分離;量子トンネリングや重力、人工蜂コロニーなどにより最適化;時間反転波動学の応用
研究内容キーワード
Sparse representation;Dictionary learning;Sparse coding;Compressive sensing;Independent component analysis (ICA);Blind source separation (BSS);Multi-in and multi-out (MIMO);Swarm intelligence;Time reversal acoustics
所属学会
IEEE, ACM, IEICE

パーソナルデータ

趣味
読書(サイエンス、歴史など)、囲碁(人間に誘導された石の群の知能?)
子供時代の夢
物理学者になりたがった。
これからの目標
近年、独立成分分析やブラインド信号分離処理、スパース表現などの研究に力を注ぎったので、将来、実の世界にも応用ができ、社会に大きく貢献ができるインパクトのある技術までに完成したい。
座右の銘
苦労なくしては利益はない;塞翁が馬
愛読書
[1] Information Theory, Inference, and Learning Algorithm, D. J. MacKay, Cambridge university press, 2005
[2] 詳解 独立成分分析―信号解析の新しい世界 アーポ ビバリネン, エルキ オヤ, ユハ カルーネン, 東京電機大学出版局 (2005) [3] ファインマン物理学〈1〉力学
[4] ファインマン物理学〈2〉光・熱・波動
[5] ファインマン物理学〈3〉電磁気学
[6] ファインマン物理学〈4〉電磁波と物性 [7] ファインマン物理学〈5〉量子力学
学生へのメッセージ
未来に大きく影響を及ぼす重要なテーマを一緒におもしろく研究しませんか?
その他
2015 会津大丁教授と学生2名の論文がIEEE DSP 2015 にて表彰されました

[1] ブラインド信号分離と独立成分分析― 聖徳太子もびっくり―, 福島の進路、No. 329, pp. 54-57 (Jan. 2010)
[2] 特定の音声と話者を認識するー音声分析技術を様々な分野に応用、脳波診断や超音波治療、時間反転も!?日経BPムック「変革する大学」シリーズ、会津大学コンピュータ理工学部 08--09, pp. 62-65 (2008)"

主な研究

インテリジェント的信号と情報処理

    |TAB|
  1. 独立成分分析(ICA)とブラインド信号分離処理(BSS)の研究
    |TAB|現実の世界からセンサーによって観測された信号は、いくつかの信号源を混ぜたままで収録されることが殆どである。どのようにしてこの観測混合信号のみを使って元の信号源に分離するかということが非常に重要な課題(いわゆる、カクテルパーティーの問題)である。これは、人間の脳のように情報を分離や抽出するので、コンピュータでの知能的信号処理の研究である。
  2. |TAB|
  3. 群知能と自然に起こされる人工知能による大局最適化と応用の研究
    |TAB|群知能は、例えば鳥や昆虫、菌、粒子の群れに見られるように、個体間の局所的な簡単なやり取りを通じて、集団として高度な動きを見せる現象を模倣した計算手法である。全体を統御する指導者は無く、平等な立場の個体の相互作用が全体を決めるボトムアップな方法となる。自然に起こされる人工知能とも言われる。
  4. |TAB|
  5. 不完全なデータから源信号の復元と形状イメージの再構成とその応用の研究
    |TAB|センサーで信号を感知する際に時間と位置の制約、ノイズの影響によって収録される信号データが不完全の場合にどのように源信号を回復するか、また、これらの制限のないのように信号の形状イメージとビューを再構成することは情報通信や医療、脳科学など分野の重要なテーマである。

この研究を見る

信号と画像の疎表現とブラインド信号分離

〇信号と画像の疎表現とは
すべての言葉が辞書の単語のいくつかで構成されるように、信号や画像などについても特別な「単語」で効率的な表現ができる。辞書の中のたくさんの単語と比べ、一つの言葉を構成するのに数少ない単語だけが必要なため、これらの単語は辞書の単語とのマッピングにおいて「スパース(sparse)」と呼ばれる。構成された言葉はスパースコーディングとも言う。同様に、信号や画像などの辞書(Dictionary;基底)があれば、最も少ない単語(Word:原子)で特定の信号や画像を表現することができ、これもスパースコーディングと呼ばれている。

この研究を見る

主な著書・論文

[1] Z. Tang and S. Ding, Dictionary Learning with Incoherence and Sparsity Constraints for Sparse Representation of Nonnegative Signals, IEICE Transactions on Information and Systems, Vol. E96-D, No.5, pp.1192-1203 (May 2013).
[2] Z. Yang, Y. Xiang, S. Xie, and S. Ding, Nonnegative blind source separation by sparse component analysis based on determinant measure, IEEE Transactions on Neural Networks and Learning Systems, Vol. 23, No. 10, pp.1601-1610 (Oct. 2012).
[3] Z. Yang, G. Zhou, S. Xie, S. Ding, J. Yang, and J. Zhang, Blind Spectral Unmixing Based on Sparse Nonnegative Matrix Factorization, IEEE Transactions on Image Processing, Vol. 20, No. 4, pp. 1112-1125 (Apr. 2011).
[4] Z. Yang, S. Ding, S. Xie, Blind Source Separation by Fully Nonnegative Constrained Iterative Volume Maximization, IEEE Signal Processing Letter, Vol. 17, No. 9, pp. 799-802 (Sep. 2010).
[5] W. Liu and S. Ding, An Efficient Method to Determine the Diagonal Loading Factor Using the Constant Modulus Feature, IEEE Transactions on Signal Processing, Vol.56, No.12, pp.6102-6106 (Dec. 2008).
[6] S. Ding, Independent Component Analysis via Learning Updating Using a Form of Orthonormal Transformation Based on the Diagonalization Principle, International Journal of Innovative Computing, Information and Control, Vol. 3, No. 5, pp.1219-1235 (Oct. 2007).
[7] Z. He, S. Xie, S. Ding and A. Cichocki, Convolutive Blind Source Separation in the Frequency Domain Based on Sparse Representation, IEEE Transactions on Audio, Speech and Language Processing, Vol.15, No.5, pp.1551-1563 (Jul. 2007).
[8] S. Ding, J. Huang, D. Wei and A. Cichocki, A Near Real-Time Approach for Convolutive Blind Source Separation, IEEE Transactions on Circuits and Systems, Part I: Regular Papers, Vol.53, No.1, pp.114-128 (Jan. 2006).
[9] H. Zhang, G. Wang, P. Cai, Z. Wu, and S. Ding, A Fast Blind Source Separation Algorithm Based on the Temporal Structure of Signals, Neurocomputing (Elsevier), Vol. 139, No. 9, pp. 261-271 (Sept. 2014).
[10] Y. Sun, Y. Tang, S. Ding, S. Lv, Y. Cui, Diagnose the mild cognitive impairment by constructing Bayesian network with missing data, Expert Systems with Applications (Elsevier), Vol. 38, No. 1, pp. 442?449 (Jan. 2011).