Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Adaptive filtering is applied as solution for many problems in engineer. There are many
techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned
dictionary. In this context, here is presented the KSIG algorithm, the kernel version of
Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost
function to increase the convergence speed. Here it is described also, the KSIG with a pretuned
dictionary, to reduce the size of the data set used to calculate the filter output, which
is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical
efficiency is one result of their convergence proof, which evidence that the algorithms
converge in average. The learning curves, which are results of some experiments, show that
when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations,
than the second, in the version with and without pre-tuned dictionary of both algorithms. / A filtragem adaptativa é aplicada na solução de diversos problemas da engenharia. Há
muitas alternativas para melhorá-la, uma delas é o uso de kernel e, em adição, o uso de um
dicionário pré-definido de dados. Neste contexto, este trabalho apresenta o KSIG, a versão
em kernel do algoritmo Sigmoide, um algoritmo que otimiza o erro do filtro pelo emprego
de uma função de custo par e não linear. Ademais, é apresentada a versão do KSIG com dicionário
de dados pré-definido, visando redução do grande número de dados utilizados para
obtenção da saída decorrente do uso da técnica com kernel. A eficiência teórica do KSIG e
de sua versão com dicionário pré-definido é um resultado presente nas provas de convergência
construídas para ambos os algoritmos, as quais demonstraram que estes convergem em
média. Já as curvas de aprendizagem obtidas nas simulações computacionais dos experimentos
realizados demonstraram que o KSIG quando comparado ao KLMS, em diferentes
problemas de filtragem adaptativa, apresenta convergência mais rápida, em menos iterações,
tanto nas versões sem tanto com dicionário pré-definido de ambos os algoritmos.
| Identifer | oai:union.ndltd.org:IBICT/oai:ri.ufs.br:riufs/3393 |
| Date | 27 January 2017 |
| Creators | Silva, Éden Pereira da |
| Contributors | Montesco, Carlos Alberto Estombelo, Matos, Leonardo Nogueira |
| Publisher | Universidade Federal de Sergipe, Pós-Graduação em Ciência da Computação, UFS, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFS, instname:Universidade Federal de Sergipe, instacron:UFS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds