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.
| Identifer | oai:union.ndltd.org:IBICT/oai:BDTD:110479 |
| Date | January 2018 |
| Creators | Assis, Fábio Ferreira de |
| Contributors | Panazio, Aline de Oliveira Neves, Silva, Magno Teófilo Madeira da, Loiola, Murilo Bellezoni |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf, 83 f. : il. |
| Source | reponame:Repositório Institucional da UFABC, instname:Universidade Federal do ABC, instacron:UFABC |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=110479&midiaext=76144, http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=110479&midiaext=76143, Cover: http://biblioteca.ufabc.edu.brphp/capa.php?obra=110479 |
Page generated in 0.0031 seconds