Please use this identifier to cite or link to this item: https://ri.ufs.br/jspui/handle/riufs/3393
Document Type: Dissertação
Title: Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear
Authors: Silva, Éden Pereira da
Issue Date: 27-Jan-2017
Advisor: Montesco, Carlos Alberto Estombelo
Co-advisor: Matos, Leonardo Nogueira
Resumo : A filtragem adaptativa é aplicada na solução de diversos problemas da engenharia. Há muitas alternativas para melhorá-la, uma delas é o uso de kernel e, em adição, o uso de um dicionário pré-definido de dados. Neste contexto, este trabalho apresenta o KSIG, a versão em kernel do algoritmo Sigmoide, um algoritmo que otimiza o erro do filtro pelo emprego de uma função de custo par e não linear. Ademais, é apresentada a versão do KSIG com dicionário de dados pré-definido, visando redução do grande número de dados utilizados para obtenção da saída decorrente do uso da técnica com kernel. A eficiência teórica do KSIG e de sua versão com dicionário pré-definido é um resultado presente nas provas de convergência construídas para ambos os algoritmos, as quais demonstraram que estes convergem em média. Já as curvas de aprendizagem obtidas nas simulações computacionais dos experimentos realizados demonstraram que o KSIG quando comparado ao KLMS, em diferentes problemas de filtragem adaptativa, apresenta convergência mais rápida, em menos iterações, tanto nas versões sem tanto com dicionário pré-definido de ambos os algoritmos.
Abstract: Adaptive filtering is applied as solution for many problems in engineer. There are many techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned dictionary. In this context, here is presented the KSIG algorithm, the kernel version of Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost function to increase the convergence speed. Here it is described also, the KSIG with a pretuned dictionary, to reduce the size of the data set used to calculate the filter output, which is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical efficiency is one result of their convergence proof, which evidence that the algorithms converge in average. The learning curves, which are results of some experiments, show that when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations, than the second, in the version with and without pre-tuned dictionary of both algorithms.
Keywords: Computação
Filtros adaptativos
Algoritmos computacionais
Kernel Sigmoide (KSIG)
Kernel Least Mean Square (KLMS)
Filtragem adaptativa
Subject CNPQ: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES
Language: por
Country: Brasil
Publisher / Institution : Universidade Federal de Sergipe
Institution: UFS
Program Affiliation: Pós-Graduação em Ciência da Computação
Citation: SILVA, Éden Pereira da. Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear. 2017. 72 f. Dissertação (Pós-Graduação em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, SE, 2017.
Rights: Acesso Aberto
URI: https://ri.ufs.br/handle/riufs/3393
Appears in Collections:Mestrado em Ciência da Computação

Files in This Item:
File Description SizeFormat 
EDEN_PEREIRA_SILVA.pdf799,72 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.