[pt] Nesta dissertação, diversos algoritmos adaptativos para processamento de sinais com seleção de dados são desenvolvidos e estudados, com o objetivo de resolver dois problemas diferentes. O primeiro problema envolve ambientes com sistemas esparsos, onde uma função penalidade é incorporada na função de custo para aproveitar a esparsidade do modelo. Nesta perspectiva, são propostos três algoritmos com função penalidade ajustável, o primeiro baseado na função penalidade l1 é denominado SM-NLMS com atração para zero e função penalidade ajustável (ZA-SM-NLMS-ADP). O segundo algoritmo está baseado na função penalidade log-sum e o terceiro na função penalidade l0 , denominados SM-NLMS com atração ponderada para zero e função de penalidade ajustável (RZA-SM-NLMS-ADP) e SM-NLMS com atração para zero exponencial e função de penalidade ajustável (EZA-SM-NLMSADP), respectivamente. Além disso, foi desenvolvida uma análise estatística do algoritmo SM-NLMS com uma função penalidade genérica, obtendo expressões matemáticas para o erro médio quadrático em estado estacionário. O segundo problema abordado, considera algoritmos adaptativos não lineares baseados em funções de kernels. Neste contexto, são desenvolvidos dois algoritmos com seleção de dados, o algoritmo SM-NKLMS e o algoritmo SM-KAP, os quais possuem a capacidade de limitar o crescimento da estrutura criada pelas funções de kernels, tratando um dos maiores problemas que surge quando se utilizam algoritmos baseados em kernels. Os algoritmos baseados em kernels foram testados para predição de séries temporais. Também é realizada uma análise estatística do algoritmo SM-NKLMS. As simulações mostram que os algoritmos desenvolvidos superam os algoritmos lineares e não lineares convencionais tanto na velocidade de convergência quanto no erro médio quadrático atingido. / [en] In this dissertation, several data-selective adaptive signal processing algorithms are derived and investigated for solving two different problems. The first one involves scenarios handling sparse systems, where we introduce a framework in which a general penalty function is incorporated into the cost function for exploiting the sparsity of the model. Under this scope, we propose three algorithms with an adjustable penalty function, the first one based on the l1 - norm, which we term zero-attracting SM-NLMS with adjustable penalty function (ZA-SM-NLMS-ADP). The second algorithm is based on the log-sum penalty function and the third one on the l0 - norm, named reweighted ZASM- NLMS (RZA-SM-NLMS-ADP) and the exponential ZA-SM-NLMS (EZASM- NLMS-ADP), respectively. We also carry out a statistical analysis of the sparsity-aware SM-NLMS algorithms with a general penalty function, arriving at mathematical expressions for the mean-square error at steady state. The second problem addressed considers nonlinear adaptive algorithms based on kernel functions. In this context, we develop two data selective algorithms, the Set-Membership Normalized Kernel Least Mean Squares (SM-NKLMS) algorithm and the Set-Membership Kernel Affine Projection (SM-KAP) algorithm, which have the capability of naturally limiting the growing structure created by the kernels, dealing with one of the major problems presented when working with kernel algorithms. The kernel algorithms developed have been tested for a time series prediction task. A statistical analysis of the proposed SM-NKLMS algorithm is also developed. Simulation results show that the proposed algorithms, outperform standard linear and nonlinear adaptive algorithms in both convergence rate and steady state performance.

Orientadora: Profa. Dra. Aline de Oliveira Neves Panazio / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Este trabalho dedica-se ao estudo de algoritmos de filtragem adaptativa autodidata no modo difusão, com aplicações em redes de sensores sem fio (RSSF). No modo difusão, os nós sensores da rede possuem poder de processamento local e trocam informações com seus vizinhos. Neste trabalho, propomos dois algoritmos utilizando como base o algoritmo CMA no modo Difusão (CMAD), com duas abordagens distintas da técnica Set-Membership. O primeiro baseia-se no algoritmo Set-Membership Least Mean Squares (SM-LMS), desenvolvido também no modo difusão. Estendemos o algoritmo para o contexto não supervisionado, denotando por Algoritmo Set-Membership CMA no modo Difusão (SM-CMAD). Mostramos que este algoritmo apresenta desempenho melhor ou similar ao CMAD, em termos de velocidade de convergência, patamar de interferência intersimbólica (IIS) e possuindo a importante vantagem de reduzir as trocas de informações entre os nós, economizando energia e recursos da rede. O segundo algoritmo proposto se baseia no Set-Membership do Módulo Constante (SM-CM), o qual estendemos para o contexto de redes de sensores sem fio no modo difusão. Tal algoritmo é denotado por Algoritmo Set-membership CMA no modo Difusão Square-root Gamma (SM-CMAD-SG). Novamente o algoritmo apresenta um bom desempenho quando comparado com o CMAD e, quando comparado ao SM-CMAD, vemos que sua principal vantagem está na economia em termos de atualizações dos coeficientes do filtro, que chega a valores acima de 70% em diversos cenários de simulação, sem grandes perdas de desempenho economizando energia. / This work is devoted to the study of unsupervised adaptive filtering algorithms in diffusion mode, with applications in wireless sensor networks (WSNs). In diffusion mode, network sensing nodes have local processing power and exchange information with their neighbors. In this work, we propose two algorithms based on the CMA algorithm in Diffusion mode (CMAD), with two different approaches to the Set-Membership technique. The first one is based on the Set-Membership Least Mean Squares (SM-LMS) algorithm, also developed in the diffusion mode. We extend the algorithm to the unsupervised context, denoting by Set-Membership CMA in Diffusion mode (SM-CMAD). We show that this algorithm presents better or similar performance to CMAD, in terms of convergence speed, intersymbol interference threshold (IIS), and has the important advantage of reducing the exchange of information between nodes, saving energy and network resources. The second proposed algorithm is based on the Set-Membership of the Constant Modulus (SM-CM), which we extend to the context of wireless sensor networks in the diffusion mode. This algorithm is denoted by the Set-membership CMA in Diffusion mode Square-root Gamma (SM-CMAD-SG). This algorithm performs well when compared to CMAD and, when compared to SM-CMAD, we see that its main advantage lies in the economy in terms of the update of the filter coefficients, which reaches values above 70% in several scenarios without loss of performance, saving energy.