Return to search

Modelagem Estocástica: Teoria, Formulação e Aplicações do Algoritmo LMS

Made available in DSpace on 2016-08-17T14:52:41Z (GMT). No. of bitstreams: 1
Dissertacao-WilanderTestonePereiraSilva.pdf: 3903191 bytes, checksum: b91ff906a27937df64d75b330c6ea137 (MD5)
Previous issue date: 2016-03-11 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In this dissertation we present a research in aspects of stochastic modeling, convergence and applications of least mean square (LMS) algorithm, normalized least mean square (NLMS) algorithm and proportionate normalized least mean square (PNLMS) algorithm. Specifically, the aim is to address the LMS algorithm in your extension, defining his concepts, demonstrations of properties, algorithms and analysis of convergence, Learning Curve and Misadjustment of the algorithm in question. Within of the context of sensor networks and spatial filtering is evaluated the performance of the algorithms by the learning curve of the referred algorithms for arrangements of adaptive antennas. In the intrinsic context of the application in electrical engineering, in area of telecommunications that seek the best alternative and aims to optimize the process of transmission/reception to eliminate interference, and the least amount of elements in adaptive antenna arrays, which they are known as smart antenna, which aims to reach a signal noise ratio for small value, with appropriate number of elements. The performance of the LMS algorithm is evaluated in sensor networks that is characterized by an antenna array. Results of computer simulations for different scenarios of operation show that the algorithms have good numerical results of convergence to a suitable choice of the parameters related with the rate of learning that are associated with their average curves and the beamforming of the smart antenna array. / Nesta dissertação de mestrado apresenta-se uma investigação em aspectos de modelagem estocástica, convergência e aplicações dos algoritmos de mínimos quadrados médio (LMS), mínimos quadrados médio normalizado (NLMS) e mínimos quadrados médio normalizado proporcional (PNLMS). Particularmente, aborda-se o Algoritmo LMS em sua extensão, definindo conceitos, demonstrações de propriedades, algoritmos e análise de convergência, Curva de Aprendizagem e Desajuste do referido algoritmo. Dentro do contexto de redes de sensores e filtragem espacial avalia-se o desempenho dos algoritmos por meio da curva de aprendizagem dos referidos algoritmos para os arranjos de antenas adaptativas. No contexto intrínseco da aplicação em engenharia elétrica, isto é, na área de telecomunicações procura-se a melhor alternativa e almeja-se a otimização do processo de transmissão/recepção para eliminar interferências e a menor quantidade de elementos em arranjos de antenas adaptativas, que são conhecidas como antenas inteligentes, e que tem como objetivo atingir uma relação Sinal Ruído para valor pequeno, com número adequado de elementos. O desempenho do algoritmo LMS é avaliado em redes de sensores que é caracterizada por um arranjo de antenas. Resultados de simulações computacionais para diferentes cenários de operação mostram que os algoritmos apresentam bons resultados numéricos de convergência para uma escolha adequada dos parâmetros relacionados com a taxa de aprendizagem que são associadas com suas curvas médias e com a conformação de feixes do arranjo em antenas inteligentes.

Identiferoai:union.ndltd.org:IBICT/oai:tede2:tede/301
Date11 March 2016
CreatorsSilva, Wilander Testone Pereira da
ContributorsFonseca Neto, João Viana da
PublisherUniversidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET, UFMA, BR, Engenharia
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0026 seconds