A study of LMS-based algorithms: exploiting plain and hidden sparsity
Um estudo de algoritmos baseados em LMS: explorando esparsidade simples e escondida
| dc.contributor | Lima, Markus Vinícius Santos | |
| dc.contributor | http://lattes.cnpq.br/2937113853259682 | |
| dc.contributor | http://lattes.cnpq.br/3503334218721703 | |
| dc.contributor | Ferreira, Tadeu Nagashima | |
| dc.contributor | http://lattes.cnpq.br/3756829511114463 | |
| dc.contributor | Haddad, Diego Barreto | |
| dc.contributor | Nose Filho, Kenji | |
| dc.creator | Chaves, Gabriel da Silva | |
| dc.date | 2021-04-06T17:41:14Z | |
| dc.date | 2023-09-27T03:03:13Z | |
| dc.date | 2019-08 | |
| dc.date.accessioned | 2023-09-27T13:44:39Z | |
| dc.date.available | 2023-09-27T13:44:39Z | |
| dc.identifier | http://hdl.handle.net/11422/14106 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8912880 | |
| dc.description | 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. | |
| dc.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. | |
| dc.language | eng | |
| dc.publisher | Universidade Federal do Rio de Janeiro | |
| dc.publisher | Brasil | |
| dc.publisher | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia | |
| dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica | |
| dc.publisher | UFRJ | |
| dc.rights | Acesso Aberto | |
| dc.subject | Adaptive filtering | |
| dc.subject | Sparsity | |
| dc.subject | LMS-based algorithms | |
| dc.subject | Proportionate-type family | |
| dc.subject | Feature matrix | |
| dc.subject | Discard function | |
| dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA | |
| dc.title | A study of LMS-based algorithms: exploiting plain and hidden sparsity | |
| dc.title | Um estudo de algoritmos baseados em LMS: explorando esparsidade simples e escondida | |
| dc.type | Dissertação |