| Processo: | 11/13581-6 |
| Modalidade de apoio: | Bolsas no Exterior - Pesquisa |
| Data de Início da vigência: | 16 de janeiro de 2012 |
| Data de Término da vigência: | 15 de julho de 2012 |
| Área de conhecimento: | Engenharias - Engenharia Elétrica - Telecomunicações |
| Pesquisador responsável: | Magno Teófilo Madeira da Silva |
| Beneficiário: | Magno Teófilo Madeira da Silva |
| Pesquisador Anfitrião: | Jerónimo Arenas-García |
| Instituição Sede: | Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil |
| Instituição Anfitriã: | Universidad Carlos III de Madrid (UC3M), Espanha |
| Assunto(s): | Processamento de sinais Aprendizado computacional Equalização |
| Palavra(s)-Chave do Pesquisador: | algoritmo LMS | Aprendizagem de máquina (machine learning) | combinação de filtros adaptativos | Equalização Autodidata | filtragem adaptativa | Processamento de Sinais |
Resumo Combinações de filtros operando em paralelo para melhorar o desempenho de filtros adaptativos têm despertado um relativo interesse na comunidade de processamento de sinais. Esse tipo de combinação tem um comportamento universal, ou seja, considerando entradas estacionárias, a estimativa combinada é pelo menos tão boa quanto à do melhor filtro componente em regime. Diante disso, ela tem sido usada para melhorar a escolha dos parâmetros fixos dos filtros, a capacidade de tracking, a estabilidade, a solução em regime, a inicialização, entre outros fatores. Embora muitos resultados relacionados a esse assunto tenham sido publicados, ainda há alguns problemas em aberto que serão abordados neste projeto de pesquisa. Dentre eles, destacam-se: (i) a análise do transitório da combinação convexa; (ii) a comparação das combinações convexa, afim e linear considerando diferentes cenários; (iii) a combinação do algoritmo do módulo constante (CMA - constant modulus algorithm) com o algoritmo LMS (least-mean squares) no modo de decisão direta para melhorar o desempenho do equalizador autodidata; e (iv) a melhoria do desempenho das combinações através da imposição de diversidade para diminuir a correlação cruzada entre as saídas dos filtros componentes. Um outro assunto que se pretende abordar nesta pesquisa é a utilização de técnicas de aprendizagem de máquina (machine learning) para acelerar a convergência de algoritmos autodidatas para equalização de sinais QAM (quadrature amplitude modulation) de ordem elevada. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |