Return to search

Modelagem estocástica de algoritmos adaptativos para equalização ativa de ruído e identificação de sistemas

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.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/175318
Date January 2016
CreatorsMatsuo, Marcos Vinícius
ContributorsUniversidade Federal de Santa Catarina, Seara, Rui
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Format165 p.| il., grafs.
Sourcereponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds