Processamento de Sinais baseado em Máquinas Desorganizadas: Information-Theoretic Learning, Normas Lp e Desconvolução

• Processo: 13/06322-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2013
• Data de Término da vigência: 31 de dezembro de 2014
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Romis Ribeiro de Faissol Attux
• Beneficiário: Levy Boccato
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Processamento de sinais Aprendizado computacional Filtragem adaptativa Redes neurais (computação) Teoria da informação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Computação com Reservatórios | filtragem adaptativa | Processamento Não-Supervisionado de Sinais | Redes Neurais Artificiais | teoria da informação | Processamento de Sinais

Resumo

A possibilidade de usar métodos de aprendizado de máquina baseados na teoria da informação (em inglês, information-theoretic learning (ITL)) para realizar filtragem supervisionada se mostra atraente na medida em que permite explorar de forma mais efetiva a informação estatística presente no sinal de referência e nas entradas do filtro.De um ponto de vista estrutural, um interessante exemplo do propósito de explorar mais extensamente as características estatísticas dos sinais sem abrir mão de um processo de treinamento relativamente simples é fornecido pela classe de modernas máquinas desorganizadas, entre as quais destacamos as redes neurais com estados de eco (em inglês, echo state networks (ESNs)) e as extreme learning machines (ELMs). O processo de treinamento destes modelos neurais se restringe à adaptação da camada de saída (readout), sendo o critério padrão de ajuste dos parâmetros baseado em uma estimativa do erro quadrático médio (em inglês, mean squared error (MSE)). Motivados pela relevância destas características, propomos estudar neste projeto de pós-doutorado um novo paradigma de filtragem adaptativa que combina a estrutura de ESNs/ELMs com os critérios de ITL, mais especificamente, mínima entropia do erro e máxima correntropia, e também critérios derivados do uso de diferentes normas associadas ao sinal de erro, como, por exemplo, a norma L1. Este paradigma pode ser compreendido como uma contribuição ao campo de redes neurais artificiais, uma vez que ainda não foi explorado a fundo na literatura dessa área, e será analisado também do ponto de vista de processamento de sinais, particularmente no âmbito da tarefa de desconvolução - tanto supervisionada quanto não-supervisionada.