Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ÉDEN PEREIRA DA SILVA
DATA: 27/01/2017
HORA: 15:00
LOCAL: Laboratório de videoconferência do DEL
TÍTULO: Kernel Sigmoide (KSIG): análise de convergência e experimentos em filtragem adaptativa não linear
PALAVRAS-CHAVES: Adaptive filter, kernel, nonlinear even cost function, non-linear filtering
PÁGINAS: 74
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Matemática da Computação
ESPECIALIDADE: Modelos Analíticos e de Simulação
RESUMO:
A filtragem adaptativa é aplicada na solução de diversos problemas da engenharia. Há
muitas alternativas para melhorá-la, uma delas é o uso de kernel, que consiste na mudança
do espaço dos dados e, em adição ao uso desta técnica, há a proposta do uso de um dicionário
pré-definido de dados. Outra alternativa é a mudança da função de custo. Neste contexto, este
trabalho traz o algoritmo KSIG, a versão em kernel do Sigmoide, no qual se busca a redução
do erro, decorrente do uso da função kernel, e o aumento na velocidade de convergência
pela mudança na função de custo par e não linear utilizada. Ademais, descreve-se também
a versão do KSIG com dicionário de dados pré-definido, visando redução do grande número
de dados utilizados para obtenção da saída decorrente do uso da técnica com kernel. Este
trabalho mostra o resultado teórico da eficiência do KSIG e de sua versão com dicionário pré-
definido está presente nas provas de convergência construídas para ambos os algoritmos, as
quais demonstraram que estes convergem em média. Por outro lado, as curvas de aprendiza-
gem, obtidas nas simulações computacionais dos experimentos realizados, demonstraram
que o KSIG quando comparado ao KLMS, em diferentes problemas de filtragem adaptativa,
apresenta convergência mais rápida, tanto nas versões sem e com dicionário pré-definido de
ambos os algoritmos.