Busca por nuvem: uma técnica de busca aleatória para filtragem adaptativa.

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Lucas Giannella de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Adaptive filters; Algorítmos; Bimodal; Busca aleatória; Cloud; Computação em nuvem; Cost-function; Enhancement techniques; Filtragem adaptativa; Função custo; IIR; Não estacionário; Non-stationary; Random search; Técnicas de melhoramento
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-22102024-115039/

Este trabalho propõe uma classe de otimizadores adaptativos simples baseados em técnicas de busca aleatória: a busca em nuvem, ou simplesmente Nuvem. Eles podem funcionar como otimizadores autônomos por si só, ou servir como uma técnica de aprimoramento para filtros adaptativos clássicos. Na linha autônoma, a ideia central é colocar uma sequência de nuvens aleatórias de agentes que buscam o melhor agente dentro da população em cada iteração, de acordo com a função-custo adotada: neste trabalho é o erro de estimativa instantâneo ao quadrado da saída da planta. O melhor agente atual pode ser prontamente usado, e também é propagado como o centro da próxima nuvem na próxima iteração. Na nova iteração, um novo conjunto de agentes é espalhado ao redor do centro da nuvem atual, que é o melhor agente da iteração anterior. Ao fazer isso, o processo é capaz de atingir recursivamente a solução ótima nos problemas lineares de média quadrática testados e o ótimo global em algumas funções de custo bimodais testadas. Como uma técnica de aprimoramento, a Nuvem pode ser acoplada a um algoritmo baseado em gradiente já existente, de modo que ela explore as vizinhanças ao redor do centro da nuvem que é fornecido pelo algoritmo de gradiente a cada iteração, formando um novo algoritmo híbrido, como o Cloud-LMS no caso FIR, ou o Cloud-Output Error- NLMS no caso IIR. As técnicas desenvolvidas são eficientes para plantas FIR e IIR no contexto de identificação de sistemas, apresentando bons resultados em cenários críticos, como para plantas não-estacionárias com entradas correlacionadas.