[pt] Neste trabalho de dissertação são propostos algoritmos adaptativos que
exploram a esparsidade em redes distribuídas de sensores para estimação de
parâmetros e estimação espectral. São desenvolvidos algoritmos gradiente conjugado
(CG) distribuído para os protocolos consenso e difusão em versão
convencional e modificada (MCG). Esses algoritmos são desenvolvidos com
exploração de esparsidade usando as funções penalidades l1 e log-sum. Os
métodos propostos apresentam um melhor desempenho en termos de velocidade
de convergência e desvio médio quadratico (MSD) que as já conhecidas
variantes distribuídas do algoritmo least mean square (LMS) e muito próximo
ao desempenho do algoritmo recursive least square (RLS). Além disso, propõe-se
um algoritmo distribuído de optimização alternada de variáveis discretas e
contínuas (DAMDC) baseado no LMS. O algoritmo DAMDC-LMS apresenta
um desempenho muito próximo ao algoritmo oráculo e tem maior velocidade
de convergência que os algoritmos estudados com exploração de esparsidade.
Os resultados numéricos mostram que o algoritmo DAMDC-LMS pode ser
aplicado em vários cenários. / [en] This dissertation proposes distributed adaptive algorithms exploiting
sparsity for parameter and spectrum estimation over sensor networks. Conventional
and modified conjugate gradient (CG and MCG) algorithms using
consensus and diffusion strategies are presented. Sparsity-aware versions of CG
an MCG algorithms using l1 and log-sum penalty functions are developed. The
proposed sparsity-aware and non-sparse CG and MCG methods outperform
the equivalent variants of the least-mean square (LMS) algorithms in terms of
convergence rate and mean square deviation (MSD) at steady state, and have a
close performance to the recursive least square (RLS) algorithm. The diffusion
CG strategies have shown the best performance, specifically the adapt then
combine (ATC) version. Furthermore a distributed alternating mixed discretecontinuous
(DAMDC) algorithm to approach the oracle algorithm based on the
diffusion strategy for parameter and spectrum estimation over sensor networks
is proposed. An LMS type algorithm with the DAMDC proposed technique obtains
the oracle matrix in an adaptive way and compare it with the existing
sparsity-aware as well as the classical algorithms. The proposed algorithm has
an improved performance in terms of MSD. Numerical results show that the
DAMDC-LMS algorithm is reliable and can be applied in several scenarios.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:27190 |
| Date | 17 August 2016 |
| Creators | TAMARA GUERRA MILLER |
| Contributors | RODRIGO CAIADO DE LAMARE, RODRIGO CAIADO DE LAMARE |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.002 seconds