On the stochastic modeling of the IAF-PNLMS algorithm for complex and real correlated Gaussian input data

Kuhn, Eduardo Vinicius; Souza, Francisco das Chagas de; Seara, Rui; Morgan, D.R.

doi:10.1016/j.sigpro.2013.11.014

Cited by 11 publications

(5 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…in whichḠ(k) characterizes the mean gain distribution matrix. Therefore, using the solution presented in Kuhn et al (2014a) for computing R 1 (k) [see Assumption (A1)], the behavior of the mean weight vector can be predicted through (12) if the mean gain distribution matrix is known.…”

Section: Mean Weight Vectormentioning

confidence: 99%

“…So, using the solutions presented in Kuhn et al (2014a) for computing R 1 (k), R 2 (k), and R 3 (k) [see Assumption (A1)], along with (14)-(24), the evolution of the weight-error correlation matrix can now be predicted through (33); consequently, the algorithm learning curve can also be predicted from (27).…”

Section: Weight-error Correlation Matrixmentioning

confidence: 99%

“…A convenient way to provide a theoretical basis for the study of a given adaptive algorithm is through its stochastic model. In the stochastic modeling of adaptive algorithms, the aim is to derive expressions describing (with certain accuracy) the algorithm behavior under different operating conditions (Duttweiler 2000;Rupp 1993;Doroslovački and Deng 2006;Wagner and Doroslovački 2008a, b;Loganathan et al 2010;de Souza et al 2010b;Kuhn et al 2014a;Haddad and Petraglia 2014). So, from the model expressions, causeand-effect relationships between algorithm parameters and performance metrics can be established, resulting in useful design guidelines (Abadi and Husøy 2009;Kuhn et al 2014b;Kuhn et al 2015;Matsuo and Seara 2016).…”

mentioning

confidence: 99%

See 2 more Smart Citations

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Kuhn

Perez

Souza

et al. 2020

J Control Autom Electr Syst

Self Cite

View full text Add to dashboard Cite

This paper presents a stochastic model for the normalized smoothed variation rate individual-activation-factor proportionate normalized least-mean-square (NSVR-IAF-PNLMS) algorithm. Specifically, taking into account correlated Gaussian input data, model expressions are derived for predicting the mean weight vector, gain distribution matrix, NSVR metric, learning curve, weight-error correlation matrix, and steady-state excess mean-square error. Such expressions are obtained by considering the time-varying characteristics of the gain distribution matrix. Simulation results are shown confirming the accuracy of the proposed model for different operating conditions. Keywords Adaptive filtering • Proportionate normalized least-mean-square algorithm • Stochastic model 1 Introduction Although the least-mean-square (LMS) and the normalized LMS (NLMS) algorithms have been commonly used in many real-world applications (Sayed 2009; Farhang-Boroujeny 2013; Haykin 2014), these algorithms exhibit slow conver-B Rui Seara

show abstract

Section: Mean Weight Vectormentioning

confidence: 99%

Section: Weight-error Correlation Matrixmentioning

confidence: 99%

mentioning

confidence: 99%

See 1 more Smart Citation

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Kuhn

Perez

Souza

et al. 2020

J Control Autom Electr Syst

Self Cite

View full text Add to dashboard Cite

show abstract

“…Note que (23) e (24) são obtidas tomando o valor esperado de ambos os lados de (8) e (9), respectivamente. tomando o valor esperado de ambos os lados e considerando (13), (14), (28), bem como as Hipóteses H2)-H6) [18]. Dessa forma, Fig.…”

Section: B Algoritmo Nsvr-iaf-pnlmsunclassified

Modelagem Estocástica do Algoritmo NSVR-IAF-PNLMS para Dados Gaussianos

Perez¹,

Kuhn²,

Souza³

et al. 2017

Anais De XXXV Simpósio Brasileiro De Telecomunicações E Processamento De Sinais

Self Cite

View full text Add to dashboard Cite

Resumo-Este artigo apresenta um modelo estocástico do algoritmo NSVR-IAF-PNLMS (normalized smoothed variation rate individual-activation-factor proportionate normalized leastmean-square) para sinais de entrada gaussianos reais. Considerando uma matriz de distribuição de ganho variante no tempo, são derivadas aqui expressões de modelo caracterizando o comportamento médio do vetor de coeficientes, da matriz de distribuição de ganhos e da métrica NSVR, bem como a curva de aprendizagem e a matriz de correlação do vetor de erro nos coeficientes. Através de simulações numéricas, a precisão do modelo estocástico é verificada para diferentes cenários de operação. Palavras-Chave-Algoritmo IAF-PNLMS, algoritmo NSVR-IAF-PNLMS, filtragem adaptativa, modelagem estocástica.

show abstract

“…x σ S2. O parâmetro de regularização pode ser negligenciado na modelagem estocástica sob certas condições, isto é, [11] e [14]. S3.…”

Section: Modelo Estocástico Propostounclassified

Sobre a Modelagem Estocástica do Algoritmo NLMS em Ambientes Não Estacionários para Filtros Adaptativos e Plantas do Sistema com Ordens Diferentes

Matsuo¹,

Seara²

2015

Anais De XXXIII Simpósio Brasileiro De Telecomunicações

Self Cite

View full text Add to dashboard Cite

Resumo-Este artigo apresenta um modelo estocástico descrevendo o comportamento do algoritmo NLMS (normalized least-mean-square) em um contexto de estimação de plantas variantes no tempo. Particularmente, o modelo proposto é válido para sinais de entrada brancos com distribuição gaussiana e contempla os cenários em que o filtro adaptativo possui ordem diferente daquela da planta a ser identificada. Especificamente, são derivadas expressões de modelo descrevendo o comportamento médio dos coeficientes do filtro adaptativo, o erro quadrático médio (EQM) e o passo de adaptação ótimo que minimiza o EQM em regime permanente. Resultados de simulação confirmam a precisão do modelo estocástico proposto. Palavras-chave-Algoritmo NLMS, filtragem adaptativa, modelagem estocástica.

show abstract

On the stochastic modeling of the IAF-PNLMS algorithm for complex and real correlated Gaussian input data

Cited by 11 publications

References 23 publications

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Modelagem Estocástica do Algoritmo NSVR-IAF-PNLMS para Dados Gaussianos

Sobre a Modelagem Estocástica do Algoritmo NLMS em Ambientes Não Estacionários para Filtros Adaptativos e Plantas do Sistema com Ordens Diferentes

Contact Info

Product

Resources

About