Defesa de dissertação (27/12/2021): Thiago Rangel Pesset Gonzaga

Discente: Thiago Rangel Pesset Gonzaga

Título: MODELAGEM ESTOCÁSTICA DO APRENDIZADO ONLINE DE UMA ESTRUTURA LINEAR ADAPTATIVA IMPLEMENTADA EM BLOCOS

Orientador(es): Diego Barreto Haddad (orientador) e Felipe da Rocha Henriques (CEFET/RJ) (coorientador)

Banca: Diego Barreto Haddad (presidente), Felipe da Rocha Henriques (CEFET/RJ), Eduardo Bezerra da Silva (CEFET/RJ), Tadeu Nagashima Ferreira (UFF).

Dia/Hora: 27/12/2021 às 14:00

Sala remota: https://teams.microsoft.com/l/meetup-join/19%3AAWU0sWZQqcAbmYFqYLCqv91CSvd0jaTXILPSCFcQ9hc1%40thread.tacv2/1639414430868?context=%7B%22Tid%22%3A%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2C%22Oid%22%3A%2202b6b3d1-811f-4650-909a-d2a79310ba31%22%2C%22MessageId%22%3A%221639414430868%22%7D

Resumo: 

Os algoritmos de filtragem adaptativa constituem uma família de técnicas com ampla aplicação em problemas de grande relevância, tais como equalização de canais, cancelamento de eco acústico, cancelamento de ruído, identificação de sistemas e séries temporais. Este trabalho propõe um modelo estocástico capaz de prever as características de aprendizado dos algoritmos LMS e NLMS implementados em blocos. A análise é simplificada por um modelo que divorcia a distribuição radial dos vetores de entrada da distribuição angular, a qual é discretizada. A despeito desta simplificação, o modelo utilizado de sinal de entrada é coerente com a matriz de autocorrelação original dos dados de entrada. A partir desta análise foi possível modelar o comportamento de divergência dos algoritmos estudados,  relacionar o MSE em excesso a quantidade de blocos utilizados e de forma proporcional ao tamanho do filtro. As predições teóricas serão comparadas com curvas de desempenho oriundas de simulação, de modo a aferir a acurácia das estimativas resultantes.

Dissertação