Speaker

Λεόντιος Χατζηλεοντιάδης

Καθηγητής, Electrical Engineering and of Computer Science - Aristotle University of Thessaloniki, Khalifa University

Ο Λεόντιος Χατζηλεοντιάδης (IEEE S’87 – M’98 – SM’11) γεννήθηκε στην Καστοριά (π-1966), Ελλάδα. Έλαβε το πτυχίο Ηλεκτρολόγων Μηχανικών το 1989 και το Ph.D. Πτυχίο Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών το 1997, από το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ), Θεσσαλονίκη. Έλαβε επίσης πτυχίο στη Μουσικολογία, ΑΠΘ, το 2011, και το διδακτορικό. Πτυχίο Μουσικής Σύνθεσης από το Πανεπιστήμιο του York, York, Ηνωμένο Βασίλειο, το 2004. Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν προηγμένη επεξεργασία σήματος, μηχανική μάθηση, βιοϊατρική μηχανική, συναισθηματική πληροφορική, ενεργό και υγιή γήρανση και βιομουσική σύνθεση. Έχει τεράστια εμπειρία στη διαχείριση έργων, συντονίζοντας μέχρι τώρα ευρωπαϊκά και ΗΑΕ έργα ύψους> 10.000.000 $. Ο καθηγητής Hadjileontiadis έχει απονεμηθεί, μεταξύ άλλων βραβείων, ως καινοτόμος ερευνητής και πρωταθλητής σχολής από τη Microsoft, ΗΠΑ (2012), το Silver Award in Teaching Delivery στα Reimagine Education Awards (2017-2018) και το Healthcare Research Award από το Ντουμπάι Βραβεία Υγείας Υγείας City Authority (2019). Είναι Ανώτερο Μέλος του IEEE.

Swarm Decomposition: A Pray-Predator Approach [English]

Signal decomposition aims at extracting and separating signal components from composite signals, which should preferably be related to semantic units. This is extended to separation of single components from mixed signals, where the composite signal consists of a sample-wise superposition from multiple components. Various approaches have been proposed in the literature, such as wavelet-based multiresolution analysis, synchro-squeezing transform, ensemble empirical mode decomposition, empirical wavelet transform, trying to take into consideration the embedded characteristics of the time series related to nonstationarity and nonlinear harmonic interactions. In this keynote, a recently introduced signal decomposition, namely Swarm Decomposition (SwD), will be presented. The main idea behind the SwD is the pray-predator relationship, where the signal to be decomposed is the pray and the swarm is the predator. Theoretical justifications, comparative analysis and practical examples will be presented, along with further extensions of the SwD in the case of multivariate signal decomposition.