Desconvolução não supervisionada por filtros de erro de predição não lineares e recorrentes e sistemas imunologicos artificiais

• Main Author: Wada, Cristina
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 2010
• Subjects: Processamento de sinais; Redes neurais (Computação); Computação evolutiva; Realimentação; Sistemas não-lineares; Signal processing; Artificial neural networks; Evolutive computation; Feedback; Nonlinear systems
• Online Access: WADA, Cristina. Desconvolução não supervisionada por filtros de erro de predição não lineares e recorrentes e sistemas imunologicos artificiais. 2010. 95 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/259837>. Acesso em: 15 ago. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/259837

Orientador: Romis Ribeiro de Faissol Attux === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação === Made available in DSpace on 2018-08-15T11:06:22Z (GMT). No. of bitstreams: 1 Wada_Cristina_M.pdf: 4155297 bytes, checksum: 8683ce097ae6eab2c4bc3f3cae097225 (MD5) Previous issue date: 2010 === Resumo: Na transmissão de dados através de um canal ocorrem distorções que podem eventualmente levar a níveis inaceitáveis de degradação.Uma distorção bastante comum nesse cenário é a interferência intersimbólica ,que é a conseqüência do espalhamento temporal do sinal de informação.Para mitigar essa Interferência ,é usual empregar um equalizador ,que pode ser adaptado de modo supervisionado ou não upervisionado. Uma solução clássica no caso não supervisionado é fazer uso do critério de mínimo erro quadrático médio de predição.Sabe-se que tal abordagem ,no contexto linear,é eficiente apenas para canais de fase mínima ou máxima.Para lidar com canais de fase mista ,é preciso recorrer a estruturas não lineares. Neste trabalho ,investigaremos a relevância ,nesse contexto,do uso de preditores não lineares contendo laços de realimentação .Analizar-se-á o desempenho de estruturas neurais recorrentes sob um conjunto representativo de canais ,de modo a permitir a investigação dos efeitos da memória sobre o processo de desconvolução.O processo adaptativo será conduzido por um sistema imunológico artificial,dotado de significativo potencial de busca global e robustez a soluções instáveis === Abstract: When data is transmitted trough a channel, it may be subject to several sorts of distortion that might cause unacceptable level of degradation. A very usual type of distortion is the intersymbol interference ,which is a consequence of the temporal spread of the information-bearing signal .To mitigate this interference ,it is usual to employ an equalizer ,which can be adapted either in a supervised or an unsupervised manner. For the latter case, a predictive structure, optimized according to the mean squared error criterion, is a classical solution. In the linear context, it is known that this approach is efficient only for minimum- or maximum-phase channels: to deal with mixed-phase channels, it is necessary to resort to nonlinear structures. In this work, we investigate the relevance, in this context, of the use of nonlinear predictors with feedback loops. The performance of nonlinear neural structures is analyzed in asset of representative channels, in order to form a better understanding of the effect of the channel memory on the signal and to make use of it in the deconvolution process. An optimization algorithm based on the concept of artificial immune systems is applied in the adaptation of predictors, due to its powerful global search capabilities and robustness to unstable solutions === Mestrado === Engenharia de Computação === Mestre em Engenharia Elétrica