Algoritmos Baseados em ITL Com Kernel Não-Gaussiano

• Processo: 18/17678-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2019
• Data de Término da vigência: 31 de janeiro de 2021
• Área do conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Aline de Oliveira Neves Panazio
• Beneficiário: Aline de Oliveira Neves Panazio
• Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Assunto(s): Processamento de sinais Filtragem adaptativa
• Palavra(s)-Chave do Pesquisador: Aprendizagem por Teoria de Informação | Equalização não-supervisionada | Estimação de Densidades de Probabilidade | filtragem adaptativa | Kernel Não-Gaussiano | Processamento de Sinais

Resumo

A aprendizagem por teoria de informação (ITL - Information Theoretic Learning) busca trazer conceitos comuns em teoria de informação como entropia e informação mútua para o contexto de filtragem adaptativa, propondo critérios que exploram, de forma mais completa, a informação estatística presente nos sinais para realizar o ajuste dos coeficientes de filtros. Pelo fato de explorar as funções densidade de probabilidade dos sinais envolvidos, além se sua estrutura temporal, tais critérios tem apresentado bons desempenhos no contexto de equalização não-supervisionada envolvendo sinais correlacionados ou ruído impulsivo. Para realizar a estimação da entropia ou das densidades de probabilidade necessárias, são usados estimadores não-paramétricos baseados em kernel como é o caso do método da janela de Parzen. Até o momento, na literatura, a função utilizada como kernel tem sido sempre a função gaussiana, dadas suas propriedades e facilidade de manipulação. Neste projeto, pretendemos estender o estudo dos métodos baseados em ITL para equalização autodidata, implementando-os com outras funções como kernel. O interesse de tal estudo vem do fato de que a função gaussiana não é ótima dentro do contexto de estimação de densidades de probabilidade. Sendo assim, abordaremos os principais métodos desenvolvidos em ITL com novas funções como kernel, e analisaremos o desempenho dos métodos tanto de forma teórica como através de simulações. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MORAES, CAROLINE P. A.; FANTINATO, DENIS G.; NEVES, ALINE. Epanechnikov kernel for PDF estimation applied to equalization and blind source separation. Signal Processing, v. 189, DEC 2021. (18/17678-3)

GRILO, MARCELO; MORAES, CAROLINE P. A.; COELHO, BRUNO F. OLIVEIRA; MASSARANDUBA, ANA BEATRIZ R.; FANTINATO, DENIS; RAMOS, RODRIGO P.; NEVES, ALINE. Artifact removal for emotion recognition using mutual information and Epanechnikov kernel. Biomedical Signal Processing and Control, v. 83, p. 8-pg., 2023-02-20. (20/10014-2, 18/17678-3, 20/09838-0)

GOIS, LUCAS; SUYAMA, RICARDO; FANTINATO, DENIS; NEVES, ALINE. Relationship Between Criteria Based on Correntropy and Second Order Statistics for Equalization of Communication Channels. IEEE SIGNAL PROCESSING LETTERS, v. 29, p. 5-pg., 2022-01-01. (18/17678-3)