A study of LMS-based algorithms: exploiting plain and hidden sparsity
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | eng |
Instituição de defesa: |
Universidade Federal do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
|
País: |
Brasil
|
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://hdl.handle.net/11422/14106 |
Resumo: | Nas últimas décadas, os filtros adaptativos foram empregados em diferentes aplicações. O foco dessa dissertação é em uma aplicação em particular: identificação de sistemas que apresentam alguma esparsidade. Um sistema é esparso quando ele pode ser representado por poucos coeficientes em algum domínio. Este trabalho aborda os seguintes tipos de esparsidade: a simples e a escondida. A simples é bastante conhecida em filtragem adaptativa e ocorre quando é possível observar a esparsidade sem nenhuma manipulação matemática. Por conta da sua importância, duas famílias de algoritmos foram criadas com o intuito de explorá-la. A ideia proporcional tenta explorar a esparsidade ao atribuir tamanho de passo únicos para cada coeficiente. Enquanto a família dos algoritmos regularizados usam funções promotoras de esparsidade. Considerando que os algoritmos proporcionais não modelam a esparsidade explicitamente, esse trabalho realiza um estudo aprofundado dessa família, apresentando algumas propriedades ainda não documentadas. Para isso, resultados numéricos foram apresentados, concluindo-se que os algoritmos proporcionais exploram algo mais geral que a esparsidade. A esparsidade escondida é mais recente em filtragem adaptativa e requer manipulações matemáticas para revelar a esparsidade dosistema. O algoritmo feature least-mean-square (F-LMS) resolve esse problema ao introduzir a matriz de features. Entretanto, existem muitas aplicações que possuem os dois tipos de esparsidade, e o algoritmo F-LMS não explorá-la simples. Com isso, foi proposto o algoritmo simple sparsity-aware F-LMS(SSF-LMS), o qual explora ambos os tipos de esparsidade enquanto realiza menos operações aritméticas, ao usar a função de descarte. |
id |
UFRJ_6d47667d0cf12719ca65afea325e9c65 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/14106 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Chaves, Gabriel da Silvahttp://lattes.cnpq.br/2937113853259682http://lattes.cnpq.br/3503334218721703Ferreira, Tadeu Nagashimahttp://lattes.cnpq.br/3756829511114463Haddad, Diego BarretoNose Filho, KenjiLima, Markus Vinícius Santos2021-04-06T17:41:14Z2021-04-08T03:00:08Z2019-08http://hdl.handle.net/11422/14106Nas últimas décadas, os filtros adaptativos foram empregados em diferentes aplicações. O foco dessa dissertação é em uma aplicação em particular: identificação de sistemas que apresentam alguma esparsidade. Um sistema é esparso quando ele pode ser representado por poucos coeficientes em algum domínio. Este trabalho aborda os seguintes tipos de esparsidade: a simples e a escondida. A simples é bastante conhecida em filtragem adaptativa e ocorre quando é possível observar a esparsidade sem nenhuma manipulação matemática. Por conta da sua importância, duas famílias de algoritmos foram criadas com o intuito de explorá-la. A ideia proporcional tenta explorar a esparsidade ao atribuir tamanho de passo únicos para cada coeficiente. Enquanto a família dos algoritmos regularizados usam funções promotoras de esparsidade. Considerando que os algoritmos proporcionais não modelam a esparsidade explicitamente, esse trabalho realiza um estudo aprofundado dessa família, apresentando algumas propriedades ainda não documentadas. Para isso, resultados numéricos foram apresentados, concluindo-se que os algoritmos proporcionais exploram algo mais geral que a esparsidade. A esparsidade escondida é mais recente em filtragem adaptativa e requer manipulações matemáticas para revelar a esparsidade dosistema. O algoritmo feature least-mean-square (F-LMS) resolve esse problema ao introduzir a matriz de features. Entretanto, existem muitas aplicações que possuem os dois tipos de esparsidade, e o algoritmo F-LMS não explorá-la simples. Com isso, foi proposto o algoritmo simple sparsity-aware F-LMS(SSF-LMS), o qual explora ambos os tipos de esparsidade enquanto realiza menos operações aritméticas, ao usar a função de descarte.Over the last decades, adaptive filters have been used in many different applications. This dissertation focuses on one in particular: the identification of systems presenting some kind of sparsity. A system is sparse when we represent it by only a few coefficients in some domain. This work addresses the following kinds of sparsity: the plain and the hidden. The plain one is well-known in the adaptive filtering field and occurs when the sparsity is directly observed in the coefficients space, without any mathematical manipulation. There are two distinct families of algorithms that were intended to tackle this problem. The proportionate family tries to exploit the plain sparsity by assigning particular step sizes to each of the coefficients. The second family is the regularized-type, which relies on sparsity promoting functions. Since the proportionate family of algorithms does not model the sparsity explicitly, this work performs a thorough study of this family, addressing some undocumented properties. Therefore, we present several numerical results, concluding that they exploit something more general than the plain sparsity. The hidden sparsity is a more recent problem in the adaptive filtering field, in which we reveal the system sparsity through some mathematical manipulation. The feature least-mean-square (F-LMS) algorithm addresses this problem introducing a feature matrix in the objective function of the LMS algorithm. However, several applications have both types of sparsity, and the F-LMS can not exploit the plain one. Then, we propose the simple sparsity-aware F-LMS (SSF-LMS), which exploits both of them while requiring less arithmetic operations by using the discard function.Submitted by Moreno Barros (moreno@ct.ufrj.br) on 2021-04-06T17:40:59Z No. of bitstreams: 1 GabrielDaSilvaChaves.pdf: 2624506 bytes, checksum: 69da93f86e56b59c7e6cdf09e52ed8a3 (MD5)Approved for entry into archive by Moreno Barros (moreno@ct.ufrj.br) on 2021-04-06T17:41:14Z (GMT) No. of bitstreams: 1 GabrielDaSilvaChaves.pdf: 2624506 bytes, checksum: 69da93f86e56b59c7e6cdf09e52ed8a3 (MD5)Made available in DSpace on 2021-04-06T17:41:14Z (GMT). No. of bitstreams: 1 GabrielDaSilvaChaves.pdf: 2624506 bytes, checksum: 69da93f86e56b59c7e6cdf09e52ed8a3 (MD5) Previous issue date: 2019-08engUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIAAdaptive filteringSparsityLMS-based algorithmsProportionate-type familyFeature matrixDiscard functionA study of LMS-based algorithms: exploiting plain and hidden sparsityUm estudo de algoritmos baseados em LMS: explorando esparsidade simples e escondidainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/14106/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALGabrielDaSilvaChaves.pdfGabrielDaSilvaChaves.pdfapplication/pdf2624506http://pantheon.ufrj.br:80/bitstream/11422/14106/1/GabrielDaSilvaChaves.pdf69da93f86e56b59c7e6cdf09e52ed8a3MD5111422/141062021-04-08 00:00:08.647oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2021-04-08T03:00:08Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.en.fl_str_mv |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
dc.title.alternative.pt_BR.fl_str_mv |
Um estudo de algoritmos baseados em LMS: explorando esparsidade simples e escondida |
title |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
spellingShingle |
A study of LMS-based algorithms: exploiting plain and hidden sparsity Chaves, Gabriel da Silva CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Adaptive filtering Sparsity LMS-based algorithms Proportionate-type family Feature matrix Discard function |
title_short |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
title_full |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
title_fullStr |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
title_full_unstemmed |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
title_sort |
A study of LMS-based algorithms: exploiting plain and hidden sparsity |
author |
Chaves, Gabriel da Silva |
author_facet |
Chaves, Gabriel da Silva |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2937113853259682 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3503334218721703 |
dc.contributor.advisorCo1.none.fl_str_mv |
Ferreira, Tadeu Nagashima |
dc.contributor.advisorCo1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3756829511114463 |
dc.contributor.author.fl_str_mv |
Chaves, Gabriel da Silva |
dc.contributor.referee1.fl_str_mv |
Haddad, Diego Barreto |
dc.contributor.referee2.fl_str_mv |
Nose Filho, Kenji |
dc.contributor.advisor1.fl_str_mv |
Lima, Markus Vinícius Santos |
contributor_str_mv |
Haddad, Diego Barreto Nose Filho, Kenji Lima, Markus Vinícius Santos |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Adaptive filtering Sparsity LMS-based algorithms Proportionate-type family Feature matrix Discard function |
dc.subject.eng.fl_str_mv |
Adaptive filtering Sparsity LMS-based algorithms Proportionate-type family Feature matrix Discard function |
description |
Nas últimas décadas, os filtros adaptativos foram empregados em diferentes aplicações. O foco dessa dissertação é em uma aplicação em particular: identificação de sistemas que apresentam alguma esparsidade. Um sistema é esparso quando ele pode ser representado por poucos coeficientes em algum domínio. Este trabalho aborda os seguintes tipos de esparsidade: a simples e a escondida. A simples é bastante conhecida em filtragem adaptativa e ocorre quando é possível observar a esparsidade sem nenhuma manipulação matemática. Por conta da sua importância, duas famílias de algoritmos foram criadas com o intuito de explorá-la. A ideia proporcional tenta explorar a esparsidade ao atribuir tamanho de passo únicos para cada coeficiente. Enquanto a família dos algoritmos regularizados usam funções promotoras de esparsidade. Considerando que os algoritmos proporcionais não modelam a esparsidade explicitamente, esse trabalho realiza um estudo aprofundado dessa família, apresentando algumas propriedades ainda não documentadas. Para isso, resultados numéricos foram apresentados, concluindo-se que os algoritmos proporcionais exploram algo mais geral que a esparsidade. A esparsidade escondida é mais recente em filtragem adaptativa e requer manipulações matemáticas para revelar a esparsidade dosistema. O algoritmo feature least-mean-square (F-LMS) resolve esse problema ao introduzir a matriz de features. Entretanto, existem muitas aplicações que possuem os dois tipos de esparsidade, e o algoritmo F-LMS não explorá-la simples. Com isso, foi proposto o algoritmo simple sparsity-aware F-LMS(SSF-LMS), o qual explora ambos os tipos de esparsidade enquanto realiza menos operações aritméticas, ao usar a função de descarte. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-08 |
dc.date.accessioned.fl_str_mv |
2021-04-06T17:41:14Z |
dc.date.available.fl_str_mv |
2021-04-08T03:00:08Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/14106 |
url |
http://hdl.handle.net/11422/14106 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/14106/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/14106/1/GabrielDaSilvaChaves.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 69da93f86e56b59c7e6cdf09e52ed8a3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1766886505102442496 |