Thesis (Ph. D.)--University of Florida, 1981. / Description based on print version record. Typescript. Vita. Includes bibliographical references (leaves 108-109).

No description available.

Relays can be used in wireless communication systems to provide cell coverage extension, reduce coverage holes and increase throughput. Full duplex (FD) relays, which transmit and receive in the same time slot, can have a higher transmission rate compared with half duplex (HD) relays. However, FD relays suffer from self interference (SI) problems, which are caused by the transmitted relay signal being received by the relay receiver. This can reduce the performance of FD relays. In the literature, the SI channel is commonly nulled and removed as it simplifies the problem considerably. In practice, complete nulling is impossible due to channel estimation errors. Therefore, in this thesis, we consider the leakage of the SI from the FD relay. Our goal is to reduce the SI and increase the signal to noise ratio (SNR) of the relay system. Hence, we propose different precoder and weight vector designs. These designs may increase the end to end (e2e) signal to interference and noise ratio (SINR) at the destination. Here, a precoder is multiplied to a signal before transmission and a weight vector is multiplied to the received signal after reception. Initially, we consider an academic example where it uses a two path FD multiple input and multiple output (MIMO) system. The analysis of the SINR with the implementation of precoders and weight vectors shows that the SI component has the same underlying signal as the source signal when a relay processing delay is not being considered. Hence, to simulate the SI problem more realistically, we alter our relay design and focus on a one path FD MIMO relay system with a relay processing delay. For the implementation of precoders and weight vectors, choosing the optimal scheme is numerically challenging. Thus, we design the precoders and weight vectors using ad-hoc and near-optimal schemes. The ad-hoc schemes for the precoders are singular value decomposition (SVD), minimising the signal to leakage plus noise ratio (SLNR) using the Rayleigh Ritz (RR) method and zero forcing (ZF). The ad-hoc schemes for the weight vectors are SVD, minimum mean squared error (MMSE) and ZF. The near-optimal scheme uses an iterative RR method to compute the source precoder and destination weight vector and the relay precoder and weight vector are computed using the ad-hoc methods which provide the best performance. The average power and the instantaneous power normalisations are the two methods to constrain the relay precoder power. The average power normalisation method uses a novel closed form covariance matrix with an optimisation approach to constrain the relay precoder. This closed form covariance matrix is mathematically derived using matrix vectorization techniques. For the instantaneous power normalisation method, the constraint process does not require an optimisation approach. However, using this method the e2e SINR is difficult to calculate, therefore we use symbol error rate (SER) as a measure of performance. The results from the different precoder and weight vector designs suggest that reducing the SI using the relay weight vector instead of the relay precoder results in a higher e2e SINR. Consequently, to increase the e2e SINR, performing complicated processing at the relay receiver is more effective than at the relay transmitter.

Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).

Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).

Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).

The problem of estimating mean and covariances of a multivariate normal distributedrandom vector has been studied in many forms. This thesis focuses on the estimatorsproposed in [15] for a banded covariance structure with m-dependence. It presents theprevious results of the estimator and rewrites the estimator when m = 1, thus makingit easier to analyze. This leads to an adjustment, and a proposition for an unbiasedestimator can be presented. A new and easier proof of consistency is then presented.This theory is later generalized into a general linear model where the correspondingtheorems and propositions are made to establish unbiasedness and consistency. In thelast chapter some simulations with the previous and new estimator verifies that thetheoretical results indeed makes an impact.

Establishing secret keys from the commonly-observed randomness of reciprocal wireless propagation channels has recently received considerable attention. In this work we propose improved strategies for channel estimation between MIMO or beamforming systems for secret key generation. The amount of mutual information that can be extracted from the channel matrix estimates is determined by the quality of channel matrix estimates. By allocating increased energy to channel estimation for higher gain beamforming combinations at the expense of low-gain combinations, key establishment performance can be increased. Formalizing the notion of preferential energy allocation to the most efficient excitations is the central theme of this dissertation. For probing with beamforming systems, we formulate a theoretically optimal probing strategy that upper bounds the number of key bits that can be generated from reciprocal channel observations. Specifically, we demonstrate that the eigenvectors of the channel spatial covariance matrix should be used as beamformer weights during channel estimation and we optimize the energy allocated to channel estimation for each beamformer weight under a total energy constraint. The optimal probing strategy is not directly implementable in practice, and therefore we propose two different modifications to the optimal algorithm based on a Kronecker approximation to the spatial covariance matrix. Though these approximations are suboptimal, they each perform well relative to the upper bound. To explore how effective an array is at extracting all of the information available in the propagation environment connecting two nodes, we apply the optimal beamformer probing strategy to a vector current basis function expansion on the array volume. We prove that the resulting key rate is a key rate spatial bound that upper bounds the key rate achievable by any set of antenna arrays probing the channel with the same total energy constraint. For MIMO systems we assume the channel is separable with a Kronecker model, and then for that model we propose an improved probing strategy that iteratively optimizes the energy allocation for each node using concave maximization. The performance of this iterative approach is better than that achieved using the traditional probing strategy in many realistic probing scenarios.

This thesis has treated the subject of DCC-GARCH model’s forecasting ability and Value-at- Risk applications on the Scandinavian foreign exchange market. The estimated models were based on daily opening foreign exchange spot rates in the period of 2004-2013, which captured the information in the financial crisis of 2008 and Eurozone crisis in the early 2010s. The forecasts were performed on a one-day rolling window in 2014. The results show that the DCC-GARCH model accurately predicted the fluctuation in the conditional correlation, although not with the correct magnitude. Furthermore, the DCC-GARCH model shows good Value-at-Risk forecasting performance for different portfolios containing the Scandinavian currencies.

We discuss efficient Bayesian estimation of dynamic covariance matrices in multivariate time series through a factor stochastic volatility model. In particular, we propose two interweaving strategies (Yu and Meng, Journal of Computational and Graphical Statistics, 20(3), 531-570, 2011) to substantially accelerate convergence and mixing of standard MCMC approaches. Similar to marginal data augmentation techniques, the proposed acceleration procedures exploit non-identifiability issues which frequently arise in factor models. Our new interweaving strategies are easy to implement and come at almost no extra computational cost; nevertheless, they can boost estimation efficiency by several orders of magnitude as is shown in extensive simulation studies. To conclude, the application of our algorithm to a 26-dimensional exchange rate data set illustrates the superior performance of the new approach for real-world data. / Series: Research Report Series / Department of Statistics and Mathematics