Melhorando a Capacidade de Tracking de Algoritmos Adaptativos através da Combinação Convexa (Improving the Tracking Capability of adaptive filters via Convex Combination).

• Processo: 08/06487-0
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Data de Início da vigência: 01 de agosto de 2008
• Data de Término da vigência: 31 de janeiro de 2009
• Área do conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Magno Teófilo Madeira da Silva
• Beneficiário: Magno Teófilo Madeira da Silva
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Filtros elétricos adaptativos Processamento de sinais
• Palavra(s)-Chave do Pesquisador: algoritmo LMS | algoritmos autodidatas | combinação convexa | equalizadores adaptativos | filtros adaptativos | tracking | Processamento de Sinais

Resumo

Como é bem conhecido na literatura, filtros adaptativos baseados na matriz Hessiana [como o algoritmo RLS (recursive-least squares algorithm) para filtragem adaptativa supervisionada, ou o algoritmo de Shalvi-Weinstein (SWA) para equalização autodidata] convergem mais rápido que os algoritmos baseados no gradiente [como o algoritmo LMS (least-mean-squares algorithm) ou o algoritmo CMA (constant-modulus algorithm)]. Entretanto, quando o problema é acompanhar as variações de um filtro variante no tempo, a comparação entre esses algoritmos não é tão direta: há ambientes nos quais cada família apresenta melhor desempenho. Diante disso, propõe-se o uso da combinação convexa de algoritmos de diferentes famílias para obter um algoritmo com capacidade de tracking superior. É mostrado o potencial dessa combinação e é feita uma análise teórica unificada para obter modelos para o erro quadrático médio em excesso para combinações de algoritmos baseados no gradiente com algoritmos baseados na Hessiana, assumindo um modelo de random-walk para a variação dos parâmetros. O modelo proposto é válido para algoritmos de mesma família ou de famílias diferentes e para algoritmos supervisionados (LMS e RLS) ou autodidatas (CMA e SWA). (AU)