Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores. Faculdade de Engenharia. Universidade do Porto. 2009

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2016. / Made available in DSpace on 2017-05-02T04:12:13Z (GMT). No. of bitstreams: 1 345510.pdf: 8179542 bytes, checksum: c7d616d9dbca1730bc9064d7782ee7f2 (MD5) Previous issue date: 2016 / Este trabalho de pesquisa trata da modelagem estocástica de dois algoritmos adaptativos bem conhecidos na literatura, a saber: o algoritmo FxLMS (filtered x least mean square) e o algoritmo NLMS (normalized least mean square). Particularmente, para o algoritmo FxLMS são desenvolvidos dois modelos estocásticos, ambos considerando aplicações de controle e/ou equalização ativa de ruído periódico, porém em diferentes estruturas (monocanal e multicanal). Baseado nas expressões de modelo obtidas, diversos aspectos do comportamento do algoritmo FxLMS são discutidos, evidenciando o impacto dos parâmetros do algoritmo sobre seu desempenho. Para o algoritmo NLMS, são propostos dois modelos estocásticos, ambos considerando a aplicação de identificação de sistemas tanto com sinal de entrada branco gaussiano quanto correlacionado gaussiano. Especificamente, o primeiro modelo do algoritmo NLMS é derivado assumindo que o filtro adaptativo e a planta a ser estimada podem possuir ordens diferentes (tal suposição, que é condizente com cenários práticos, não é usualmente tratada na literatura devido às dificuldades matemáticas surgidas no desenvolvimento da modelagem estocástica). O segundo modelo do algoritmo NLMS considera uma formulação matemática mais geral (quando comparada a outros trabalhos da literatura) para representar a planta a ser identificada, possibilitando a representação de diversos tipos de sistemas variantes no tempo; originando, assim, um modelo estocástico capaz de predizer o comportamento do algoritmo NLMS em uma ampla gama de cenários de operação. Resultados de simulação são apresentados, ratificando a precisão dos modelos estocásticos propostos, tanto na fase transitória quanto em regime permanente.<br> / Abstract : This research work focuses on the stochastic modeling of two well-known adaptive algorithms from the literature, namely: the filtered x least mean square (FxLMS) algorithm and the normalized least mean square (NLMS) algorithm. In particular, for the FxLMS algorithm two stochastic models are developed, both considering applications of active noise control and equalization of periodic noise, but in different structures (single channel and multichannel). Based on the obtained expressions, several aspects of the FxLMS algorithm behavior are discussed, highligting the impact of some parameters on the algorithm performance. For the NLMS algorithm, two stochastic models are proposed, both considering the application of system identification with white Gaussian and correlated Gaussian input signals. Specifically, the first model of the NLMS algorithm is developed assuming that the adaptive filter and the system to be identified can have different orders (such a supposition, which is consistent with practical scenarios, is not usually considered in the literature due to the mathematical difficulties ariasing in the development of the stochastic model). The second model of the NLMS algorithm considers a more general mathematical formulation (compared with other works from the open literature) to represent the system to be identified, allowing to represent several types of time varying systems; resulting in a stochastic model able to predict the NLMS algorithm behavior in several scenarios. Simulation results are presented, confirming the accuracy of the proposed stochastic models for both transient and steady state phases.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-26T11:34:42Z (GMT). No. of bitstreams: 0Bitstream added on 2013-07-16T20:55:04Z : No. of bitstreams: 1 309939.pdf: 4352344 bytes, checksum: 0535613da00725ae9a3e9b7d04f2957c (MD5) / Neste trabalho, um novo algoritmo LMS normalizado proporcional (PNLMS) é proposto. Tal algoritmo usa fatores de ativação individuais para cada coeficiente do filtro adaptativo, em vez de um fator de ativação global como no algoritmo PNLMS padrão. Os fatores de ativação individuais do algoritmo proposto são atualizados recursivamente a partir dos correspondentes coeficientes do filtro adaptativo. Essa abordagem conduz a uma melhor distribuição da energia de adaptação entre os coeficientes do filtro. Dessa forma, para respostas ao impulso com elevada esparsidade, o algoritmo proposto, denominado algoritmo PNLMS com fatores de ativação individuais (IAF PNLMS), atinge maior velocidade de convergência do que os algoritmos PNLMS padrão e PNLMS melhorado (IPNLMS). Também, uma metodologia de modelagem estocástica dos algoritmos da classe PNLMS é apresentada. Usando essa metodologia, obtém-se um modelo estocástico que prediz satisfatoriamente o comportamento do algoritmo IAF PNLMS tanto na fase transitória quanto na estacionária. Através de simulações numéricas, a eficácia do modelo proposto é verificada. Adicionalmente, uma versão melhorada do algoritmo IAF PNLMS, denominada EIAF PNLMS, é proposta neste trabalho, a qual usa uma estratégia de redistribuição de ganhos durante o processo de aprendizagem, visando aumentar os ganhos atribuídos aos coeficientes inativos quando os ativos aproximam-se da convergência. Resultados de simulação mostram que tal estratégia de redistribuição melhora significativamente as características de convergência do algoritmo

Estágio realizado na Portugalmail e orientado pelo Eng.º Nuno Lopes / Tese de mestrado integrado. Engenharia Informática e Computação. Faculdade de Engenharia. Universidade do Porto. 2009

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2010 / Made available in DSpace on 2012-10-25T03:54:59Z (GMT). No. of bitstreams: 1 286039.pdf: 6475495 bytes, checksum: 845d7e93249013b3d55df870c15027e6 (MD5) / Este trabalho apresenta uma análise estatística de três importantes algoritmos adaptativos baseados no gradiente estocástico utilizando sinais de entrada normalizados. Os algoritmos com sinal de entrada normalizado são utilizados como uma alternativa ao algoritmo LMS (least-mean-square) convencional, visando melhorar a velocidade de convergência (especialmente para sinais de entrada correlacionados), tornando o desempenho do filtro adaptativo mais robusto frente a variações de potência do sinal de entrada. São apresentados modelos estatísticos mais precisos para os algoritmos considerados, a saber: LMS normalizado (NLMS), LMS no domínio transformado (LMS-DT) e gradiente estocástico com restrições (Constrained Stochastic Gradient - CSG). Em particular, o algoritmo CSG, aqui discutido, é utilizado em controle de arranjos de antenas para sistemas celulares. Através do modelo do algoritmo CSG, é verificado um comportamento anômalo e é proposta uma versão melhorada para esse algoritmo. Para os outros algoritmos adaptativos estudados, os modelos obtidos apresentam maior precisão quando comparados com outros modelos disponíveis na literatura, permitindo um melhor domínio desses algoritmos para diferentes condições de operação. / This research work presents a statistical analysis for three important adaptive algorithms based on the stochastic gradient using normalized input signal. Algorithms with normalized input signal are used as an alternative to the standard least-mean-square (LMS) algorithm aiming to improve the convergence speed (especially for correlated input signal), increasing the adaptive filter robustness under input signal power variations. More accurate statistical models for the normalized LMS (NLMS), transform domain LMS (TDLMS), and constrained stochastic gradient (CSG) algorithms are presented. In particular, the CSG algorithm here considered is used for controlling antenna arrays in cellular systems. Through the CSG algorithm model, an anomalous behavior in its standard version is verified and an improved algorithm is also proposed. For the other algorithms, the obtained models are more accurate than the ones available in the literature, allowing a better and deeper understanding of theses algorithms under different operating conditions.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-22T20:33:02Z (GMT). No. of bitstreams: 1 238806.pdf: 907744 bytes, checksum: cff64e1483fcca731e67fc2a1d5f52d0 (MD5) / Neste trabalho, são apresentados modelos estatísticos que descrevem o comportamento de dois algoritmos adaptativos com estrutura em sub-bandas: o algoritmo NLMS (normalized least-mean-square) aplicado a uma estrutura em sub-bandas com decomposição generalizada (GSD-NLMS) e o algoritmo de filtragem adaptativa em sub-bandas normalizado (normalized subband adaptive filtering - NSAF). Para tais algoritmos, são considerados sinais de entrada Gaussianos e hipótese de adaptação lenta. Esses algoritmos são utilizados como uma alternativa ao algoritmo LMS convencional, visando melhorar a velocidade de convergência para sinais de entrada fortemente correlacionados. Os dois algoritmos aqui considerados realizam um processamentoparalelo do sinal de entrada e utilizam um passo de adaptação variável no tempo. Tal processamento é baseado em uma decomposição em sub-bandas. Modelos analíticos para o momento de primeira ordem do vetor de coeficientes do filtro adaptativo bem como para a curva de aprendizagem são obtidos. Para isso, são levadas em conta a natureza variante no tempo do passo de adaptação como também um parâmetro de regularização, o qual é adicionado à estimativa de potência média requerida pelo algoritmo. Através de simulações numéricas, a precisão dos modelos aqui obtidos é avaliada. This work presents stochastic models for the normalized least-mean-square algorithm using a structure with generalized subband decomposition (GSD-NLMS) and for the normalized subband adaptive filtering (NSAF) algorithm, considering Gaussian input signal and slow adaptation. Such algorithms are used as an alternative to the standard LMS to overcome the convergence problems under correlated input signals. Both the studied algorithms make use of a parallel processing of the input signal, based on a subband decomposition, as well as consider a time-varying step-size parameter. Analytical models for the first moment of the filter weight vector and the learning curve for the discussed algorithms are presented. The used analysis takes into account the time-varying nature of the step-size parameter as well as a regularization parameter (added to the power estimate), which prevents division by zero in the power normalization phase. Through simulation results the accuracy of the model here derived is assessed.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2016 / Made available in DSpace on 2016-09-20T05:04:16Z (GMT). No. of bitstreams: 1 339931.pdf: 1867752 bytes, checksum: d0e5b7cae37388d2084432ced6832e57 (MD5) Previous issue date: 2016 / Esta dissertação apresenta o desenvolvimento de um novo algoritmo adaptativo para conformação de feixe em arranjos de antenas com redução de posto. O novo algoritmo é baseado na estratégia de redução de posto proposta para o algoritmo JIO-CMV-SG (joint and iterative optimization - constrained minimum variance - stochastic gradient), que utiliza otimização conjunta e iterativa entre a matriz de redução de posto e os coeficientes do filtro de conformação de feixe. O algoritmo JIO-CMV-SG, conforme demonstrado neste trabalho, não é capaz de garantir, sob certas situações, ganho unitário na direção do SOI (signal-of-interest), como determinado pelo critério MVDR (minimum variance distortionless response). O algoritmo proposto foi formulado de modo que essa restrição seja sempre atendida, independente do cenário de operação considerado. Este trabalho apresenta também uma análise estocástica visando obter o modelo de primeira ordem do algoritmo proposto. Comparações entre o algoritmo proposto e os algoritmos JIO-CMV-SG e CLMS (constrained least-mean-square) em termos de complexidade computacional e de desempenho são também apresentadas. Resultados de simulações numéricas são mostrados a fim de comprovar a eficácia do algoritmo proposto.<br> / Abstract: This work presents a novel reduced-rank adaptive beamforming algorithm for antenna arrays. The new algorithm is based on the rank-reducing strategy proposed for the JIO-CMV-SG (joint and iterative optimization - constrained minimum variance - stochastic gradient) algorithm, which considers a joint-iterative optimization process to update both the rank-reducing matrix and the beamforming coefficients. The JIO-CMV-SG algorithm, as demonstrated in this document, is unable to ensure, under some circumstances, the unit gain constraint of the original MVDR (minimum variance distortionless response) criterion. The proposed algorithm was formulated in such a way that the unit gain constraint is always met, irrespective of the operating scenario. This dissertation also presents a first order stochastic model of the proposed algorithm as well as compares such an algorithm with the JIO-CMV-SG and the CLMS (constrained least-mean-square) in terms of computational burden and performance. The performance of these algorithms are assessed through numerical simulations, which confirm the effectiveness of the proposed algorithm.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-22T02:40:00Z (GMT). No. of bitstreams: 1 224198.pdf: 893385 bytes, checksum: 6675fdc5a31395adeb994f8dade8bef7 (MD5)

Orientador: João Marcos Travassos Romano / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-21T01:19:31Z (GMT). No. of bitstreams: 1 Rocha_CarlosAurelioFariada_D.pdf: 9700363 bytes, checksum: a86a6814372ea5bc872f3befcab34bf1 (MD5) Previous issue date: 1996 / Resumo: Não informado / Abstract: Not informed. / Doutorado / Doutor em Engenharia Elétrica

No campo do processamento digital de sinais e em especial da filtragem adaptativa, procura-se continuamente algoritmos que sejam rápidos e simples. Neste contexto, este trabalho apresenta o estudo de novos algoritmos de tempo discreto denominados algoritmos aceleradores (completo, regressivo e progressivo), obtidos a partir da discretização de um algoritmo de tempo contínuo baseado no ajuste da segunda derivada (aceleração) da estimativa dos parâmetros. Destes algoritmos optou-se por estudar mais aprofundadamente os algoritmos aceleradores progressivo e regressivo, devido respectivamente a sua menor complexidade computacional e ao seu desempenho. Para este estudo e análise foram escolhidos como base de comparação os algoritmos LMS e NLMS. Isto porque estes algoritmos estão entre os mais usados e, assim como os algoritmos aceleradores, podem ser obtidos a partir da discretização de algoritmos de tempo contínuo através dos métodos de Euler progressivo e regressivo respectivamente. A análise do algoritmo progressivo mostrou que seu desempenho é inferior ao do algoritmo LMS. Visando diminuir a complexidade computacional do algoritmo acelerador regressivo, foi obtido um novo algoritmo: o versão g. Assim a análise focou-se no algoritmo acelerador regressivo versão g, o qual apresentou um desempenho bom quando comparado no desajuste e no tracking com o algoritmo NLMS, mostrando um melhor compromisso entre velocidade de convergência e variância das estimativas. Este bom desempenho foi comprovado por análises teóricas, por simulações e através da aplicação deste algoritmo na equalização de um canal variante no tempo. / In the digital signal processing field and specially in adaptive filtering, there is a constant search for algorithms both simple and with good performance. This work presents new discrete-time algorithms called accelerating algorithms (APCM and ARg), obtained through the discretization of a continuous-time algorithm that uses the second derivate (acceleration) to adjust the parameter estimates. We provide theoretical analyses for both algorithms, finding expressions for the mean and mean-square errors in the parameter estimates. In addition, we compare the performance of the accelerating algorithms with LMS and NLMS. The analysis of the APCM algorithm showed that its performance is inferior to that of the LMS algorithm. On the other hand, the ARg algorithm presented good performance when compared in terms of misadjustment and tracking with the NLMS algorithm, showing a better compromise between convergence speed and variance of the estimates. This better performance was proven by theoretical analyses, by simulations and through the application of this algorithm to the equalization of a time-variant channel.