Orientador: Basilio E.A. Milani / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-19T12:38:49Z (GMT). No. of bitstreams: 1 Gimenez_NadiaDolores_M.pdf: 3247568 bytes, checksum: 29a2cbe8be6221bf9a4bb0528d8836fc (MD5) Previous issue date: 1994 / Resumo: Este trabalho trata da estimação adaptativa de parâmetros através de mínimos quadrados lineares sujeitos a restrições lineares de igualdade. São propostos algoritmos recursivos para solução de problemas de mínimos quadrados com ponderação exponencial de dados e janela móvel de dados, combinando equações normais e fatoração ortogonal com espaço nulo da matriz de restrições e multiplicadores de Lagrange. Um exemplo numérico ilustra o desempenho dos algoritmos propostos no projeto de um filtro de resposta finita (FIR) para detecção de freqüências presentes em um sinal com ruído / Abstract: This work is concerned with the adaptive parameter estimation via linear least-squares subject to linear equality constraints. Recursive algorithms are proposed for solution of least-squares problems with exponential data weighting and sliding data window, by combining normal equations and orthogonal factorization with the null space of the constraint matrix and Lagrange multipliers. A numerical example ilustrates the proposed algorithm performance in the design of a finite impulsive response filter (FIR) for frequence detection in a signal with noise / Mestrado / Telecomunicações e Telemática / Mestre em Engenharia Elétrica

Orientador: José Raimundo de Souza Passos / Resumo: Em muitas situações práticas em Energia na Agricultura pode-se utilizar modelos de regressão linear simples com o objetivo de compreender determinados fenômenos de interesse. No entanto, apesar de sua aparente simplicidade, esses modelos possuem certas pressuposições que devem ser observadas pelo pesquisador, como por exemplo, a normalidade dos erros, cuja violação traz sérios problemas com relação à qualidade dos estimadores de mínimos quadrados obtidos, podendo comprometer as conclusões do estudo. Desse modo, os modelos de regressão L1 , que tem como base a minimização da soma dos desvios absolutos, surgem como uma alternativa viável, pois fornecem estimadores robustos com relação à normalidade. Neste estudo, inicialmente, foram feitas comparações empíricas (simulação de Monte Carlo) entre os estimadores de mínimos quadrados e mínimos desvios absolutos de modelos de regressão linear simples com distribuição Gama padronizada, considerando a variação do parâmetro de escala entre 0,2 e 2,2 com incremento de 0,4 e o parâmetro de forma variando de 0,25 a 9,75 com incremento de 0,5. Foram, também, considerados os tamanhos de amostra variando de 20 a 100 com incremento de 20, com 1000 replicações. Nestas comparações, observou-se que: a razão e a diferença de erros quadráticos médios além de poderem ser usados com critérios para comparação da qualidade de estimadores, não diferindo entre si, produzem resultados diferentes do critério usual da variância residual; o parâmetro (l) de escala do modelo Gama de probabilidade é responsável por diferenciar a qualidade dos estimadores: l£1 o estimador de mínimos quadrados produz menor erro quadrático médio, caso contrário, o melhor estimador é o de mínimos desvios absolutos. Posteriormente, como aplicação prática desta metodologia, foram ajustados modelos... (Resumo completo, clicar acesso eletrônico abaixo). / Abstract: Linear regression models are widely used to understand many phenomena in agriculture. In the order hand, although apparently simple, these models have some assumptions that must be considered, like non-normal error. The violations of this assumption may mislead the conclusions of the results of the research. L1 regression models, which are based in the least absolute error, are very attractive as an alternative technique, since they have robust estimators with respected to normality. In this study, firstly, empirical comparisons was done (Monte Carlo simulation) between the least square estimator and the least absolute error (L1 regression) of the linear regression model with p.d.f. standard gamma distribution. The gamma parameters used in the simulations were: scale parameter varied from 0,2 to 2,2 by 0,4 and shape parameter varied from 0,25 to 9,75 by 0,5. The sampling size varied from 20 to 100 by 20, with 1.000 replications. In this comparisons, we see that the ratio and the difference between mean square error can be use to compare the quality estimators instead the residual variance estimated from the model. The shaper parameter of the Gamma model is responsible to choice between the two criteria, i.e., least square and least absolute error methods: When the shaper parameter is greater than 1,0 we choice the least absolute error methods, in the other hand, we choice the least square method. Further linear regression models were fitted using the two techniques, least square and the least absolute error, to the data of humidity in Zea mays L. in time, for several cultivars and crops. It was shown that, in majority cases, the L1 regression had estimators with mean squared error smaller than the least square estimator. / Doutor

Orientador : Ronei Jesus Poppi / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-07-27T16:44:54Z (GMT). No. of bitstreams: 1 Lima_SilvioLuisToledo_M.pdf: 2685142 bytes, checksum: 4e02cf7fdad8e9a27e6d70a72992de4a (MD5) Previous issue date: 2000 / Mestrado

MACHADO, José Samuel. Quadrados mágicos com aplicações. 2013. 35 f. Dissertação (Mestrado em Matemática em Rede Nacional) – Centro de Ciências, Universidade Federal do Ceará, Fortaleza, 2013. / Submitted by Rocilda Sales (rocilda@ufc.br) on 2013-07-10T16:28:09Z No. of bitstreams: 1 2013_dis_jsmachado.pdf: 2068296 bytes, checksum: c7a544e3ecc4e7d30f7cd2c14cdecfba (MD5) / Approved for entry into archive by Rocilda Sales(rocilda@ufc.br) on 2013-07-10T16:28:37Z (GMT) No. of bitstreams: 1 2013_dis_jsmachado.pdf: 2068296 bytes, checksum: c7a544e3ecc4e7d30f7cd2c14cdecfba (MD5) / Made available in DSpace on 2013-07-10T16:28:37Z (GMT). No. of bitstreams: 1 2013_dis_jsmachado.pdf: 2068296 bytes, checksum: c7a544e3ecc4e7d30f7cd2c14cdecfba (MD5) Previous issue date: 2013 / In this paper, we will place the legendary form of magic squares appeared as well as its use by artists between the 15th and 18th centuries. Later defined magic squares and magic squares normal. Finally, we will establish the set of all magic squares of the same order as vector spaces, determining its basis and its dimension, illustrating the cases of order 3 and 4. / Neste trabalho, colocaremos a forma lendária de como os quadrados mágicos surgiram bem como sua utilização por artistas entre os séculos 15 e 18. Posteriormente definimos os quadrados mágicos e quadrados mágicos normais. Por fim, estabeleceremos o conjunto de todos os quadrados mágicos de mesma ordem como espaços vetoriais, determinando sua base e sua dimensão, exemplificando para os casos de ordem 3 e 4.

Orientador: Jose Ferreira de Carvalho / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Ciencia de Computação / Made available in DSpace on 2018-07-17T13:28:01Z (GMT). No. of bitstreams: 1 Petenate_AdemirJose_M.pdf: 2319758 bytes, checksum: 1dfcee1b35aa0b82529650362d72707b (MD5) Previous issue date: 1979 / Resumo: Este trabalho tem como finalidades: 1 - Revisar alguns resultados clássicos em Modelos Lineares, discutir as relações impostas ao espaço e parâmetros quando a matriz. de covariâncias é singular e interpretar geometricamente alguns resultados importantes. 2) Apresentar um conjunto de condições equivalentes sobre o modelo linear geral para que o estimador simples de mínimos quadrados de funções estimáveis covariância é arbitrária seja BLUE,quando a matriz de covariância é arbitraria., 3) Discutir alguns experimentos finitos aleatorizados amostra aleatória simples sem reposição, experimentos completamente ao acaso e blocos completamente ao acaso) e mostrar que para esses experimentos o estimador simples de mínimos quadrados de qualquer função estimável é BLUE, embora a matriz de covariância dos erros seja distinta de 'SIGMA POT.2' I e possivelmente singular. / Abstract: The scope of this work is: 1) To review some classical results in' Linear Models, to discuss the restrictions imposed on the parameter space when the covariance matrix 'is singular and to provide geometric interpretation of some relevant results. 2) To present a set of equivalent conditions on the general linear model in order that the simple least squares' estimator of any estimable function be BLUE, when the covariance matrix is arbitrary. 3) To discuss some finite randomized experiments (simple random sampling without replacement, the complete randomized design and the complete randomized block design) and to show that for these experiments the Simple Least Squares estimator of any estimable function is BLUE, although the covariance matrix of the errors is not 'SIGMA POT. 2' I and may be singular. / Mestrado / Mestre em Estatística

Orientador : Celio Pasquini / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-07-18T11:43:56Z (GMT). No. of bitstreams: 1 Poppi_RoneiJesus_D.pdf: 7078750 bytes, checksum: 0b0bf0a5bb71eddfc079086d75cf4b66 (MD5) Previous issue date: 1993 / Doutorado

No ajuste de um modelo de regressão pelo método;:) dos mínimos quadrados, é importante destacar a influência que cada valor observado tem sobre seu respectivo valor ajustado. A matriz de projeção, conhecida como "Hat-MatrixU", contém estas informações e, juntamente com a análise dos resíduos estudentizados, fornece subsídios para determinar a existência de pontos influentes e/ou discrepantes (HOAGLH & WELSCH, 1978). Com a finalidade de detectar tais pontos em um modelo de regressão, foram propostas nos últimos anos, várias medidas de diagnóstico. As principais são apresentadas e discutidas no texto. Apesenta-se ainda um procedimento, gráfico, denominado gráfico L-R ("Leverage-Residual PIot'), de utilidade para determinar a causa da influência de uma observação através da análise dos elementos da diagonal da matriz de projeção, dos resíduos, e do efeito combinado destas duas medidas (GRAY, 1986) Para ilustração, tornou-se um exemplo com dados reais, na área de agronomia. Além disso desenvolveu-se um programa em linguagem TURBO- BASIC, utilizável em microcomputadores compatíveis ao padrão IBM-PC/XT, que proporciona as soluções desejáveis neste estudo. O método dói matriz de projeção mostrou-se eficiente na determinação de pontos influentes e/ou discrepantes. Das medidas de diagnóstico, a estatística D de COOK foi a que revelou melhores resultados. / When a least-squares fitting procedure is done it seems to be of some importance to know the influence that a y observed value could have on the y fitted datum. Such an information may be obtained from a projection matrix, the well know"Hat-Matrix", and also from the studentized residuals wich provides the identification of possible unusual data points (HOAGLIN & WELSCH, 1978). Here, a considerable number of statistics proposed for the study of outliers and the influence of observations in regression analysis is presented and discussed. The L-R plot (Leverage-Residual Plot) graphical display is also included in order to find the relative cause of influence, its residuals or their combined effects (GRAY, 1986). Finally, a real data example from agronomical sciences is studied through a computing program specially developed. It is also observed the efficiency of the"Hat-Matrix"to detect influent values and that of the Cook's D Statistcs as a diagnostic measure

FERNANDES, C. A. R. Equalização adaptativa e autodidata de canais lineares e não-lineares utilizando o algoritmo do módulo constante. 2005. 148 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2005. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-01T18:18:00Z No. of bitstreams: 1 2005_dis_carfernandes.pdf: 5547282 bytes, checksum: 77994c65f5b763d55a23f162c2ba4bd2 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T17:03:33Z (GMT) No. of bitstreams: 1 2005_dis_carfernandes.pdf: 5547282 bytes, checksum: 77994c65f5b763d55a23f162c2ba4bd2 (MD5) / Made available in DSpace on 2016-04-06T17:03:33Z (GMT). No. of bitstreams: 1 2005_dis_carfernandes.pdf: 5547282 bytes, checksum: 77994c65f5b763d55a23f162c2ba4bd2 (MD5) Previous issue date: 2005-08-05 / This work studies and proposes algorithms to perform blind equalization of linear and nonlinear channels inspired on the Constant Modulus Algorithm (CMA). The CMA works very well for modulations in which all points of the signal constellation have the same radius, like in Phase Shift Keying (PSK) modulations. However, when the constellation points are characterized by multiple radii, like in Quadrature Amplitude Modulation (QAM) signals, the CMA does not work properly in many situations. Thus, the techniques proposed here are designed to improve the performance of the CMA, in terms of speed of convergence and residual error, when working with signals transmitted with multiple magnitude, in particular with QAM signals. As well as for the CMA, these techniques should have a good compromise among performance, complexity and robustness. To do so, the techniques use the last decided symbol to estimate reference radius to the output of the equalizer. In fact, they can be seen as modifi cations of the CMA and of some of its derivatives for constellations with multiple radii. The proposition of stochastic gradient algorithms is concluded with the development of new adaptive blind techniques to equalize channels with a Wiener structure. A Wiener fi lter consists of a linear block with memory followed by a memoryless nonlinearity, by using the CMA. We develop expressions for the adaptation of the equalizer using a unified notation for three diff erent equalizer filter structures: i) a Hammerstein filter, ii) a diagonal Volterra filter and iii) a Volterra fi lter. A theoretical analysis of the main proposed technique, the Decision Directed Modulus Algorithm (DDMA), is also done. We study the convergence and the stability of the DDMA by means of an analysis of the minima of the DDM cost function. We also develop an analytic expression for the Excess Mean Square Error (EMSE) provided by the DDMA in the noiseless case. Then, we nd some interesting relationships among the DDM, the CM and the Wiener cost functions. We also develop a class of normalized algorithms and a class of Recursive Least Squares (RLS)-type algorithms for blind equalization inspired on the CMA-based techniques studied. Each family is composed of four algorithms with desirable properties and advantages over the original CM algorithms, specially when working with high-level QAM signals. Normalized and RLS techniques for equalization of Wiener channels are also developed. The behavior of the proposed classes of algorithms discussed is tested by computational simulations. We verify that the proposed techniques provide signifi cative gains in performance, in terms of speed of convergence and residual error, when compared to the classical algorithms. / Este trabalho trata da proposição de algoritmos para equalização cega de canais lineares e nãao-lineares inspirados no Algoritmo do Módulo Constante (CMA). O CMA funciona de maneira bastante eficiente com constelações nas quais todos os pontos possuem a mesma amplitude, como em modulações do tipo Phase Shift Keying (PSK). Entretanto, quando os pontos da constelação podem assumir diferentes valores de amplitudes, como em modulações do tipo Quadrature Amplitude Modulation (QAM), o CMA e seus derivados muitas vezes não funcionam de forma satisfatória. Desta forma, as técnicas aqui propostas são projetadas para melhorar a performance do CMA em termos de velocidade de convergência e precisão, quando operando em sinais transmitidos com diversos módulos, em particular para a modulação QAM. Assim como o CMA, para possuir um bom apelo prático, essas técnicas devem apresentar bom compromisso entre complexidade, robustez e desempenho. Para tanto, as técnicas propostas utilizam o último símbolo decidido para definir uma estimação de raio de referência para a saída do equalizador. De fato, esses algoritmos podem ser vistos como generalizações do CMA e de alguns derivados do CMA para constelações com múltiplos raios. A proposição de algoritmos do tipo gradiente estocástico é concluída com o desenvolvimento de técnicas originais, baseadas no CMA, para equalização de canais do tipo Wiener, que consiste em um filtro linear com memória, seguido por um filtro não-linear sem memória. As expressões para a adaptação do equalizador são encontradas com o auxílio de uma notação unificada para três diferentes estruturas: i) um filtro de Hammerstein; ii) um filtro de Volterra diagonal; e iii) um filtro de Volterra completo. Um estudo teórico acerca do comportamento do principal algoritmo proposto, o Decision Directed Modulus Algorithm (DDMA) é realizado. São analisadas a convergência e a estabilidade do algoritmo através de uma análise dos pontos de mínimo de sua função custo. Outro objetivo é encontrar o valor teórico do Erro Médio Quadrático Médio em Excesso - Excess Mean Square Error (EMSE) fornecido pelo DDMA considerando-se o caso sem ruído. Ao final, é feito um estudo em que se constata que o algoritmo DDMA possui fortes ligações com a solução de Wiener e com o CMA. Versões normalizadas, bem como versões do tipo Recursive Least Squares (RLS), dos algoritmos do tipo gradiente estocástico estudados são também desenvolvidas. Cada família de algoritmos estudada fie composta por quatro algoritmos com algumas propriedades interessantes e vantagens sobre as técnicas clássicas, especialmente quando operando em sinais QAM de ordem elevada. Também são desenvolvidas versões normalizadas e do tipo RLS dos algoritmos do tipo CMA estudados para equalização de canais não-lineares. O comportamento de todas as famílias de algoritmos desenvolvidos é testado através de simulações computacionais, em que é verificado que as técnicas propostas fornecem ganhos significativos em desempenho, em termos de velocidade de convergência e erro residual, em relação às técnicas clássicas.

Made available in DSpace on 2016-08-29T15:32:52Z (GMT). No. of bitstreams: 1 tese_4264_versão final MARCOS N BERTOLANI.pdf: 2295983 bytes, checksum: b23569573e3e8042aa19125f2624bbc9 (MD5) Previous issue date: 2010-10-29 / Este estudo enfoca as aproximações numéricas através do uso de funções de base radial de suporte compacto (FBRSC). Essas funções têm sido aplicadas de modo crescente na aproximação em multivariáveis, representando potenciais pertinentes às mais diversas áreas da ciência e engenharia, tais como: meteorologia, topografia, sismologia, entre outras. Nestas áreas, comumente aplica-se a construção de um mapeamento superficial a partir de dados experimentais esparsos, na qual certas propriedades são coletadas para finalidades práticas. No entanto, frequentemente tais problemas atingem uma proporção de dados requeridos na ordem de milhões; por isso, procedimentos computacionalmente mais econômicos que reduzam o risco de mau condicionamento do problema e preservem sua exatidão devem ser implementados. Com esse propósito, uma das ações desenvolvidas neste campo consiste na utilização das FBRSCs. Assim, alicerçado na Teoria da Aproximação, este estudo tem por objetivo principal identificar e analisar as regiões do domínio de uma função teste, onde a função de interpolação e/ou de ajuste, hipoteticamente, apresentaria dificuldades de representar parte de uma superfície com determinada característica. Pois, encontrando-se essa região, seria possível eleger um critério para a redução de centros de uma função de base radial a partir do método dos quadrados mínimos. Por fim, o presente estudo está centrado na análise comparativa e interpretação do comportamento dessa classe de funções na representação satisfatória de campos bidimensionais, no que tange à precisão e ao custo computacional. Os resultados apontaram bom desempenho em relação à precisão, tanto em ajuste de curvas quanto em interpolação. Constata-se, também, que o uso de uma malha com pontos igualmente espaçados é a opção mais apropriada para uma aproximação mais precisa. Palavras-chave: Teoria da aproximação; Interpolação; Mínimos quadrados; Funções de base radial.

Made available in DSpace on 2014-06-11T19:31:37Z (GMT). No. of bitstreams: 0 Previous issue date: 2002-01Bitstream added on 2014-06-13T19:20:52Z : No. of bitstreams: 1 silva_mazm_dr_botfca.pdf: 771042 bytes, checksum: 7e34b884a402b5775a41c300fce626a8 (MD5) / Em muitas situações práticas em Energia na Agricultura pode-se utilizar modelos de regressão linear simples com o objetivo de compreender determinados fenômenos de interesse. No entanto, apesar de sua aparente simplicidade, esses modelos possuem certas pressuposições que devem ser observadas pelo pesquisador, como por exemplo, a normalidade dos erros, cuja violação traz sérios problemas com relação à qualidade dos estimadores de mínimos quadrados obtidos, podendo comprometer as conclusões do estudo. Desse modo, os modelos de regressão L1 , que tem como base a minimização da soma dos desvios absolutos, surgem como uma alternativa viável, pois fornecem estimadores robustos com relação à normalidade. Neste estudo, inicialmente, foram feitas comparações empíricas (simulação de Monte Carlo) entre os estimadores de mínimos quadrados e mínimos desvios absolutos de modelos de regressão linear simples com distribuição Gama padronizada, considerando a variação do parâmetro de escala entre 0,2 e 2,2 com incremento de 0,4 e o parâmetro de forma variando de 0,25 a 9,75 com incremento de 0,5. Foram, também, considerados os tamanhos de amostra variando de 20 a 100 com incremento de 20, com 1000 replicações. Nestas comparações, observou-se que: a razão e a diferença de erros quadráticos médios além de poderem ser usados com critérios para comparação da qualidade de estimadores, não diferindo entre si, produzem resultados diferentes do critério usual da variância residual; o parâmetro (l) de escala do modelo Gama de probabilidade é responsável por diferenciar a qualidade dos estimadores: l£1 o estimador de mínimos quadrados produz menor erro quadrático médio, caso contrário, o melhor estimador é o de mínimos desvios absolutos. Posteriormente, como aplicação prática desta metodologia, foram ajustados modelos... . / Linear regression models are widely used to understand many phenomena in agriculture. In the order hand, although apparently simple, these models have some assumptions that must be considered, like non-normal error. The violations of this assumption may mislead the conclusions of the results of the research. L1 regression models, which are based in the least absolute error, are very attractive as an alternative technique, since they have robust estimators with respected to normality. In this study, firstly, empirical comparisons was done (Monte Carlo simulation) between the least square estimator and the least absolute error (L1 regression) of the linear regression model with p.d.f. standard gamma distribution. The gamma parameters used in the simulations were: scale parameter varied from 0,2 to 2,2 by 0,4 and shape parameter varied from 0,25 to 9,75 by 0,5. The sampling size varied from 20 to 100 by 20, with 1.000 replications. In this comparisons, we see that the ratio and the difference between mean square error can be use to compare the quality estimators instead the residual variance estimated from the model. The shaper parameter of the Gamma model is responsible to choice between the two criteria, i.e., least square and least absolute error methods: When the shaper parameter is greater than 1,0 we choice the least absolute error methods, in the other hand, we choice the least square method. Further linear regression models were fitted using the two techniques, least square and the least absolute error, to the data of humidity in Zea mays L. in time, for several cultivars and crops. It was shown that, in majority cases, the L1 regression had estimators with mean squared error smaller than the least square estimator.