Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2016 / Made available in DSpace on 2016-09-20T04:01:25Z (GMT). No. of bitstreams: 1
339520.pdf: 2374408 bytes, checksum: eaac09f4bb3eb1147902dee8e2047bbe (MD5)
Previous issue date: 2016 / Neste trabalho de pesquisa, novos algoritmos de filtragem adaptativa orientados à identificação de sistemas esparsos são desenvolvidos. Tais algoritmos baseiam-se no uso de restrição de norma aplicada ao vetor de coeficientes, de forma semelhante a outros algoritmos voltados a sistemas esparsos, destacando-se os algoritmos baseados nas projeções em esferas de norma l1 (l1 norm ball), recentemente propostos. Em contraste com tais algoritmos, a abordagem aqui proposta incorpora uma restrição de norma ao processo de otimização simultaneamente à restrição afim, que caracteriza o algoritmo NLMS (normalized least-mean-square algorithm). Com uma concepção mais simples do que alguns importantes algoritmos da literatura, essa nova abordagem leva a algoritmos eficazes com menor complexidade computacional e com parâmetros de controle de fácil ajuste. Uma formulação geral para obtenção dos algoritmos é proposta de maneira a permitir a utilização de diferentes tipos de normas em sua concepção. A partir de tal formulação, duas famílias de algoritmos são derivadas, a saber: os algoritmos com restrição de norma l1 [l1-norm constrained (l1NC) algorithms] e os algoritmos com restrição de norma l0 [l0-norm constrained (l0NC) algorithms], sendo que diferentes versões desses algoritmos são apresentadas e discutidas. Através de simulações numéricas, os algoritmos propostos são avaliados, exibindo resultados promissores quando comparados com outros algoritmos da literatura para aplicações em identificação de sistemas esparsos. Modelos estocásticos para os algoritmos propostos são também derivados, buscando predizer seu comportamento em diferentes condições de operação.<br> / Abstract: In this research work, novel adaptive algorithms for sparse system identification are developed. Such algorithms are based on norm constraint applied to the weight vector, similarly to other algorithms aimed at sparse systems, especially the projection-based algorithms using l1 norm ball recently proposed. In contrast to such algorithms, the proposed approach incorporates a norm constraint into the optimization process along with the affine constraint, which characterizes the normalized least-mean-square (NLMS) algorithm. With a simpler conception than some important algorithms from the literature, this new approach leads to efficient algorithms with a lower computational complexity and an easy adjustment of their control parameters. A general formulation is proposed allowing the use of different weight-vector norms in the algorithm development. From this formulation, two algorithm families have been derived, namely: the l1-norm constrained (l1NC) algorithm and the l0-norm constrained (l0NC) one. Different versions of these algorithms are presented and discussed. Through numerical simulations, the proposed algorithms are assessed. These algorithms have shown promising results as compared with other algorithms from the literature for applications in sparse system identification. Stochastic models for the proposed algorithms are also derived, aiming to predict their behavior in different operating conditions.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/167589 |
| Date | January 2016 |
| Creators | Beck, Eduardo |
| Contributors | Universidade Federal de Santa Catarina, Seara, Rui |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 166 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds