ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές.

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
ΚΕΣ 01: Αυτόματος Έλεγχος © 2006 Nicolas Tsapatsoulis Σχεδίαση Σ.Α.Ε: Σύγχρονες Μέθοδοι Σχεδίασης Σ.Α.Ε ΚΕΣ 01 – Αυτόματος Έλεγχος.
Advertisements

Μεταπτυχιακή Διατριβή
Βελτίωση Ποιότητας Εικόνας: Επεξεργασία στο πεδίο της Συχνότητας
ΕΣ 08: Επεξεργαστές Ψηφιακών Σημάτων © 2006 Nicolas Tsapatsoulis Διευθυνσιοδότηση Τμήμα Επιστήμη και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήμιο Πελοποννήσου.
Εργαστήριο Ψηφιακής Επεξεργασίας Εικόνας
Ανάλυση Συστημάτων Αυτομάτου Ελέγχου:
ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ.
ΕΣ 08: Επεξεργαστές Ψηφιακών Σημάτων © 2006 Nicolas Tsapatsoulis Η Αρχιτεκτονική των Επεξεργαστών Ψ.Ε.Σ Τμήμα Επιστήμη και Τεχνολογίας Τηλεπικοινωνιών.
Ανάκλαση και διάδοση σε ένα όριο.
ΕΣ 08: Επεξεργαστές Ψηφιακών Σημάτων © 2006 Nicolas Tsapatsoulis Βελτιστοποίηση κώδικα σε επεξεργαστές ΨΕΣ Τμήμα Επιστήμη και Τεχνολογίας Τηλεπικοινωνιών.
του TANCIC NENAD (Α.Ε.Μ.: 3800)
Επεξεργασία Έγχρωμων Εικόνων
Ανάλυση Συστημάτων Αυτομάτου Ελέγχου:
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αλγόριθμος.
Εισαγωγή στην Ανάλυση Συστημάτων Αυτομάτου Ελέγχου:
Σχεδίαση με το Γεωμετρικό Τόπο Ριζών
ΔΤΨΣ 150: Ψηφιακή Επεξεργασία Εικόνας © 2005 Nicolas Tsapatsoulis Κατάτμηση Εικόνων: Κατάτμηση με βάση τις περιοχές Τμήμα Διδακτικής της Τεχνολογίας και.
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Θεωρία Στοχαστικών Σημάτων: Στοχαστικές διεργασίες, Περιγραφή εργοδικών.
Αριθμητικές Μέθοδοι Βελτιστοποίησης Θεωρία & Λογισμικό Τμήμα Πληροφορικής - Πανεπιστήμιο Ιωαννίνων Ι. Η. Λαγαρής.
Ο Μετασχηματισμός Laplace και ο Μετασχηματισμός Ζ
Σχεδίαση αλγορίθμων (2ο μέρος)
Ευστάθεια Συστημάτων Αυτομάτου Ελέγχου:
Μορφές Αντισταθμιστών και Κλασικές Μέθοδοι Σχεδίασης
Σχεδίαση και Υλοποίηση IIR φίλτρων
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Θεωρία Στοχαστικών Σημάτων: Εκτίμηση φάσματος, Παραμετρικά μοντέλα ΒΕΣ.
ΚΕΦΑΛΑΙΟ 5 ΧΩΡΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ
Ενεργή επιλογή αλγορίθμου, Active Algorithm Selection, Feilong Chen and Rong Jin Εύα Σιταρίδη.
Τμήμα Μηχανικών Η/Υ και Πληροφορικής
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδρομικός.
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Εφαρμογές Προσαρμοστικών Συστημάτων: Καταστολή ηχούς, Ισοστάθμιση καναλιού.
ΚΕΣ 01: Αυτόματος Έλεγχος © 2006 Nicolas Tsapatsoulis Ανάλυση Συστημάτων Αυτομάτου Ελέγχου: Διαγράμματα Nyquist & Nichols ΚΕΣ 01 – Αυτόματος Έλεγχος.
Κ. Μόδη: Γεωστατιστική και Εφαρμογές της (Κεφάλαιο 4) 1 Από κοινού κατανομή πολλών ΤΜ Ορίζεται ως από κοινού συνάρτηση κατανομής F(x 1, …, x n ) n τυχαίων.
Παρουσίαση Νο. 6 Αποκατάσταση εικόνας Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας.
Ανάλυση Σ.Α.Ε στο χώρο κατάστασης
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αλγόριθμος.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΣΚΗΣΗ 19η Έστω οι ακόλουθες παρατηρήσεις για τις μεταβλητές Υ, Χ1 και Χ
Επίλυση Διακριτών Γραμμικών Συστημάτων Νικόλαος Καραμπετάκης Επίκουρος Καθηγητής Τμήμα Μαθηματικών, Α.Π.Θ.
Ενότητα: Ελεγκτές - Controllers
ΕΙΣΑΓΩΓΗ Η επιδίωξη: βελτίωση ποιότητας με συνεχή βελτίωση των διεργασιών με βάση τις οποίες παράγονται τα προϊόντα Παράγοντες: ελεγχόμενες μεταβλητές.
Σχεδιασμός των Μεταφορών Ενότητα #5: Δειγματοληψία – Sampling. Δρ. Ναθαναήλ Ευτυχία Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών.
ΕΛΕΓΧΟΙ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Η πιο συνηθισμένη στατιστική υπόθεση είναι η λεγόμενη Υπόθεση Μηδέν H 0. –Υποθέτουμε ότι η εμφανιζόμενη διαφορά μεταξύ μιας.
ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ Ι 7 η Διάλεξη Η ΜΕΘΟΔΟΣ ΤΟΥ ΓΕΩΜΕΤΡΙΚΟΥ ΤΟΠΟΥ ΡΙΖΩΝ  Ορισμός του γεωμετρικού τόπου ριζών Αποτελεί μια συγκεκριμένη καμπύλη,
Μεταβατική απόκριση ενός συστήματος δεύτερης τάξης Σχήμα 5.7 σελίδα 370.
Χρονική απόκριση και θέση των ριζών στο μιγαδικό επίπεδο Γενική μορφή συνάρτησης μεταφοράς κλειστού βρόχου Όπου Δ(s)=0 είναι η χαρακτηριστική εξίσωση του.
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Κρήτης Τμήμα Εφηρμοσμένης Πληροφορικής και Πολυμέσων Εργαστήριο Νευρωνικών Δικτύων Slide 1 ΨΗΦΙΑΚΑ ΦΙΛΤΡΑ Προδιαγραφές.
Κεφάλαιο 5 Συμπεριφορά των ΣΑΕ Πλεονεκτήματα της διαδικασίας σχεδίασης ΣΑΕ κλειστού βρόχου Συμπεριφορά των ΣΑΕ στο πεδίο του χρόνου Απόκριση ΣΑΕ σε διάφορα.
Σήματα και Συστήματα 11 10η διάλεξη. Σήματα και Συστήματα 12 Εισαγωγικά (1) Έστω γραμμικό σύστημα που περιγράφεται από τη σχέση: Αν η είσοδος είναι γραμμικός.
ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ Ι 8 η Διάλεξη ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ Ι ΠΑΡΑΔΕΙΓΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΧΡΗΣΗΣ ΤΟΥ ΓΕΩΜΕΤΡΙΚΟΥ ΤΟΠΟΥ ΤΩΝ ΡΙΖΩΝ Το σύστημα ελέγχου.
Βιομηχανικός έλεγχος - PID ελεγκτές
Συστήματα Αυτομάτου Ελέγχου ΙΙ
ΜΕΘΟΔΟΣ ΑΝΑΛΥΣΗΣ ΣΥΣΤΗΜΑΤΩΝ ΣΤΟ ΠΕΔΙΟ ΤΗΣ ΣΥΧΝΟΤΗΤΑΣ
ΣΤΑΤΙΣΤΙΚΑ ΜΕΤΡΑ ΔΙΑΣΠΟΡΑΣ - ΑΣΥΜΜΕΤΡΙΑΣ - ΚΥΡΤΩΣΕΩΣ
Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων:
Ψηφιακές Επικοινωνίες ΙΙ
ΑΛΓΟΡΙΘΜΟΣ ΠΡΟΒΛΗΜΑ ΑΛΓΟΡΙΘΜΟΣ ΛΥΣΗ
ΣΑΕ κλειστού βρόχου (feedback – closed loop systems)
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας
ΠΑΡΑΔΕΙΓΜΑΤΑ ΔΙΑΓΡΑΜΜΑΤΩΝ BODE ΜΕΤΡΟΥ ΚΑΙ ΦΑΣΗΣ
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας
Ταξινόμηση Πολυφασματικών Εικόνων
Ψηφιακός Έλεγχος διάλεξη Παρατηρητές Ψηφιακός Έλεγχος.
Διάλεξη 6: Εξίσωση διάχυσης (συνέχεια)
Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
ΥΠΟΛΟΓΙΣΤΙΚΕΣ ΤΕΧΝΙΚΕΣ ΓΙΑ ΣΥΣΤΗΜΑΤΑ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
Μη Γραμμικός Προγραμματισμός
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας
Εισαγωγή στα Προσαρμοστικά Συστήματα
Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων:
Επαγωγική Στατιστική Γραμμική παλινδρόμηση-Linear Regression Χαράλαμπος Γναρδέλλης Εφαρμογές Πληροφορικής στην Αλιεία και τις Υδατοκαλλιέργειες.
Μεταγράφημα παρουσίασης:

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές του αλγόριθμου Least Mean Square (LMS) ΒΕΣ 06 – Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα  Benvenuto [2002]: Κεφάλαιo 3  Widrow [1985]: Chapter 5  Haykin [2001]: Chapter 9  Sayed [2003]: Chapter 4  Boroujeny [1999]: Chapter 2  Bose [2003]: Chapter 8  Chassaing [2004]: Chapter 7 Βιβλιογραφία Ενότητας

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Εισαγωγή  Η αποτελεσματικότητα του αλγορίθμου LMS οδήγησε στη δημιουργία πολλών παραλλαγών του.  Οι περισσότερες από τις παραλλαγές αυτές LMS έχουν προκύψει με ευρυστικό τρόπο, και που στοχεύουν συνήθως σε κάποιο από τα ακόλουθα:  Βελτίωση της ταχύτητας σύγκλισης προς τη λύση Wiener  Αντιμετώπιση της ανεπαρκούς εκτίμησης του πίνακα αυτοσυσχέτισης R u.  Ελάττωση της υπολογιστικής πολυπλοκότητας του  Μείωση του παράγοντα απορρύθμισης (απόκλιση από τη λύση Wiener στη μόνιμη κατάσταση)  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Αλγόριθμοι LMS με βάση το πρόσημο  Σύνοψη του αλγορίθμου LMS:  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Αλγόριθμοι LMS με βάση το πρόσημο  Στους αλγορίθμους LMS με βάση το πρόσημο στην εξίσωση προσαρμογής δεν χρησιμοποιείται η τιμή του σφάλματος e(n) ή του διανύσματος εισόδου (u(n)) αλλά μόνο τα πρόσημα τους (sign(e(n)) ή sign(u(n))  Στόχος είναι η ελάττωση της υπολογιστικής πολυπλοκότητας του αλγορίθμου LMS.  Οι πιο διαδεδομένοι αλγόριθμοι LMS με βάση το πρόσημο είναι: a)Ο sign LMS b)Ο data-sign LMS c)O sign-sign LMS  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Sign LMS  Η εξίσωση προσαρμογής του αλγόριθμο sign LMS είναι:  Σε σχέση με τον απλό LMS η τιμή του σφάλματος προσέγγισης e(n) έχει αντικατασταθεί από το πρόσημο του σφάλματος e(n).  Δεδομένου ότι ο υπολογισμός του προσήμου πραγματοποιείται πολύ γρήγορα σε υλοποιήσεις με υλικό (hardware implementation) ο αλγόριθμος sign LMS είναι διαδεδομένος σε πρακτικές εφαρμογές ειδικά όταν συνδυάζεται με επιλογή του μ της μορφής μ = 2 -Κ, Κ= φυσικός αριθμός (ο πολλαπλασιασμός του μ με το u(n) επιτυγχάνεται με Κ ολισθήσεις δεξιά)  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα O αλγόριθμος sign LMS ελαχιστοποιεί το σφάλμα: σε αντίθεση με τον απλό LMS που ελαχιστοποιεί το σφάλμα:

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Data-Sign LMS  Η εξίσωση προσαρμογής του αλγόριθμο data-sign LMS είναι:  Σε σχέση με τον απλό LMS οι τιμές των δειγμάτων εισόδου u(n-i), i=0…M έχουν αντικατασταθεί από τα αντίστοιχα πρόσημα  Όπως και στην περίπτωση του sign-LMS ο υπολογισμός του προσήμου πραγματοποιείται πολύ γρήγορα και επιταχύνει την εκτέλεση του αλγορίθμου σε υλοποιήσεις με υλικό  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Sign-Sign LMS  Η εξίσωση προσαρμογής του αλγόριθμο sign-sign LMS είναι:  Σε σχέση με τον απλό LMS:  η τιμή του σφάλματος προσέγγισης e(n) έχει αντικατασταθεί από το πρόσημο του σφάλματος e(n).  Οι τιμές των δειγμάτων εισόδου u(n-i), i=0…M έχουν αντικατασταθεί από τα αντίστοιχα πρόσημα  Όπως και στην περίπτωση του sign-LMS ο υπολογισμός του προσήμου πραγματοποιείται πολύ γρήγορα και επιταχύνει την εκτέλεση του αλγορίθμου σε υλοποιήσεις με υλικό  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα  Έστω x(n) = a 1 x(n-1)+a 2 x(n-2)+v(n), όπου v(n) είναι λευκός θόρυβος με μέση τιμή μ v =0 και διασπορά σ ν 2. Να εφαρμοστούν οι αλγόριθμοι (i) LMS, (ii) sign LMS, (iii) data-sign LMS, (iii) sign-sign LMS για τον υπολογισμό των τιμών α 1 και α 2., δεδομένων 10 πραγματώσεων u i (n) (i =1 …10).  Να συγκρίνεται: (α) την ταχύτητα σύγκλισης των αλγορίθμων, (β) τo σφάλμα απόκλισης από τη λύση Wiener, (γ) την ταχύτητα εκτέλεσης των αλγορίθμων  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα (συν.)  Στο σχήμα δίνεται το μέσο σφάλμα απόκλισης από τη βέλτιστη λύση υπολογισμένο σε 500 πραγματώσεις:  Κόκκινο: LMS  Μπλε: Sign-LMS  Μαύρο: Data-Sign LMS  Ροζ: Sign-Sign LMS  Παρατηρήσεις:  Ο αλγόριθμος sign LMS συγκλίνει γρηγορότερα αλλά έχει μεγαλύτερο σφάλμα στη μόνιμη κατάσταση  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα (συν.)  Στο σχήμα δίνεται η προσέγγιση των συντελεστών του γραμμικού προβλέπτη (πραγματικές τιμές α 1 =1.3, α 2 =-0.995) από ένα προσαρμοστικό φίλτρο δύο συντελεστών ([w 1 w 2 ]):  Κόκκινο: LMS  Μπλε: Sign-LMS  Μαύρο: Data-Sign LMS  Ροζ: Sign-Sign LMS  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Κανονικοποιημένος LMS  Στον αλγόριθμο LMS μεγάλες τιμές του διανύσματος εισόδου u(n) είναι δυνατό να δημιουργήσουν αστάθεια στην προσέγγιση της λύσης Wiener διότι μπορεί στιγμιαία να έχουμε:  Ο κανονικοποιημένος αλγόριθμος LMS (NLMS) αντιμετωπίζει αυτό το ενδεχόμενο τροποποιώντας την εξίσωση προσαρμογής σε:  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Κανονικοποιημένος LMS (ΙΙ)  Οι επιλογές για ταβασίζονται στις παρακάτω ανισότητες  Υπάρχει μια παραλλαγή του κανονικοποιημένου αλγόριθμου LMS γνωστή ως sign NLMS στην οποία η εξίσωση προσαρμογής είναι:  Οι κανονικοποιημένοι αλγόριθμοι LMS έχουν πιο αργή αλλά περισσότερο ομαλή σύγκλιση όπως φαίνεται στο παράδειγμα του γραμμικού προβλέπτη που ακολουθεί  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα: Επίδοση LMS και NLMS στη γραμμική πρόβλεψη  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Leaky LMS  Η εξίσωση προσαρμογής του αλγόριθμο Leaky (διαρρέων) LMS είναι:  Η ανωτέρω εξίσωση ελαχιστοποιεί το σφάλμα: Δηλαδή ελαχιστοποιείται το μέσο τετραγωνικό σφάλμα με προσπάθεια οι συντελεστές του φίλτρου να κρατηθούν όσο το δυνατό μικρότεροι (αυτό είναι ιδιαιτέρα σημαντικό για υλοποίηση του αλγορίθμου LMS σε επεξεργαστές σταθερής υποδιαστολής)  Ο αλγόριθμος Leaky LMS δεν μπορεί να φτάσει στη λύση Wiener αλλά χρησιμοποιείται σε περιπτώσεις που ο πίνακας αυτοσυσχέτισης R u της διεργασίας εισόδου δεν είναι καλά ορισμένος (μη αντιστρέψιμος)  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα: Επίδοση LMS και leaky LMS (γραμμική πρόβλεψη)  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis LMS με μεταβλητό κέρδος προσαρμογής μ  Στον αλγόριθμο LMS το κέρδος προσαρμογής μ πρέπει να αρκετά μικρό για να διασφαλίζεται η σύγκλιση και σχετικά μεγάλο για να έχουμε γρήγορη σύγκλιση.  Για τιμές του μ που διασφαλίζεται η σύγκλιση επιθυμούμε μεγάλο μ στις αρχικές επαναλήψεις και μικρότερο μ στη συνέχεια ώστε να ελαχιστοποιείται η απόκλιση από τη βέλτιστη λύση  Στους αλγορίθμους με μεταβλητό κέρδος η εξίσωση προσαρμογής έχει τη μορφή:  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis LMS με μεταβλητό κέρδος προσαρμογής μ (ΙΙ) Παραλλαγές αλγορίθμων LMS με μεταβλητό μ: 1.Δύο τιμές για το μ: 2.Προοδευτικά μειούμενο μ: 3.μ ανάλογο του σφάλματος e(n):  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis LMS με διανυσματικό κέρδος προσαρμογής μ  Στον αλγόριθμο LMS με διανυσματικό κέρδος προσαρμογής μ (VLMS) η εξίσωση προσαρμογής έχει τη μορφή:  Τα στοιχεία μ i του διανύσματος μ μεταβάλλεται με το χρόνο ανάλογα σύμφωνα με τους πιο κάτω κανόνες:  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Παράδειγμα: Σύγκριση LMS και LMS με μεταβλητό μ  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis  Στο επόμενο σχήμα δίνεται η βασική διάταξη αναγνώρισης συστήματος με τη χρήση του αλγορίθμου LMS:  Το επιθυμητό σήμα d(n) είναι ίσο με την απόκριση του άγνωστου συστήματος  Το σήμα u(n) είναι συνήθως λευκός θόρυβος  Παράδειγμα:  Έστω ότι το άγνωστο σύστημα περιγράφεται από τη συνάρτηση μεταφοράς:  Για μοντελοποίηση του ανωτέρω συστήματος με FIR φίλτρο τάξης 5 (6 συντελεστών) η βέλτιστη λύση (λύση Wiener) είναι:   Εφαρμόζουμε τους αλγορίθμους LMS, Leaky-LMS, NLMS, VLMS και εξετάζουμε τη σύγκλιση τους. Παραδείγματα  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα

ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Αναγνώριση συστήματος (ΙΙ)  Στο διπλανό σχήμα φαίνεται η σταδιακή προσέγγιση των τιμών w 0 (=0.5) και w 1 (=0.325) με διάφορες παραλλαγές του αλγορίθμου LMS:  Κόκκινο: LMS  Μπλε: ΝLMS  Μαύρο: VLMS  Ροζ: Leaky LMS  Εισαγωγή  Αλγόριθμοι προσήμου  Κανονικοποιημένος LMS  Leaky LMS  LMS με μεταβλητό κέρδος προσαρμογής (μ)  Παραδείγματα