این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۳، صفحات ۱۹-۲۸
عنوان فارسی یک مدل تحلیلی برای پیش‌بینی رفتار همگرایی الگوریتم حداقل میانگین ترکیب نُرم (LMMN)
چکیده فارسی مقاله الگوریتم کمینه میانگین ترکیب نُرم (LMMN)، الگوریتمی مبتنی بر شیب تصادفی خطا است که هدف آن کمینه‌‌سازی ترکیبی از توابع هزینه الگوریتم‌های کمینه میانگین مربعات (LMS) و کمینه میانگین چهارم (LMF) است. این الگوریتم بسیاری از ویژگی‌ها و مزایای الگوریتم‌های LMS و LMF را با خود به ارث برده است و از جهاتی ضعف‌های این دو الگوریتم را هم برطرف کرده است. بزرگ‌ترین مشکل الگوریتم LMMN فقدان یک مدل تحلیلی برای پیش‌بینی رفتار آن است، به‌طوری‌که کاربرد عملی آن‌را محدود کرده است. ما در این مقاله باهدف حل این مشکل، مدلی تحلیلی را ارائه می‌کنیم که قادر است رفتار میانگین مربعات خطا و میانگین خطای وزن‌ها را با دقت بالایی پیش‌بینی کند. دقت مدل استخراج‌شده از طریق آزمایش‌های متعددی تأیید می‌شود.
کلیدواژه‌های فارسی مقاله الگوریتم‌های وفقی، الگوریتم LMMN، مدل تحلیلی
عنوان انگلیسی An Analytical Model for Predicting the Convergence Behavior of the Least Mean Mixed-Norm (LMMN) Algorithm
چکیده انگلیسی مقاله Stochastic gradient-based adaptation algorithms have received a great attention in various applications. The most well-known algorithm in this category is the Least Mean Squares (LMS) algorithm that tries to minimize the second-order criterion of mean squares of the error signal. On the other hand, it has been shown that higher-order adaptive filtering algorithms based on higher-order statistics can perform better in many applications, particularly in the presence of intense noises. However, these algorithms are more prone to instability and also their convergence rates decline in the vicinity of their optimum solutions. In attempt to make use of the useful aspects of these algorithms, it has been proposed to combine the second-order criterion with higher-order ones, e.g. that of the Least Mean Fourth (LMF) algorithm. The Least Mean Mixed-Norm (LMMN) algorithm is a stochastic gradient-based algorithm which aim is to minimize an affine combination of the cost functions of the LMS and LMF algorithms. This algorithm has inherited many properties and advantages of the LMS and the LMF algorithms and mitigated their weaknesses in some ways. These advantages are achieved at the cost of the additional computation burden of just one addition and four multiplications per iteration. The main issue of the LMMN algorithm is the lack of an analytical model for predicting its behaviour, the fact that has restricted its practical application. To address this issue, an analytical model is presented in the current paper that is able to predict the mean-square-error and the mean-weights-error behaviour with a high accuracy. This model is derived using the Isserlis' theorem, based on two mild and practically valid assumptions; namely the input signal is stationary, zero-mean Gaussian and the measurement noise are additive zero-mean with an even probability distribution function (pdf). The accuracy of the derived model is verified using several simulation tests. These results show that the model is of a high accuracy in various settings for the noise's power level and distribution as well as the unknown filter characteristics. Furthermore, since the LMF and the LMS algorithms are special cases of the more general LMMN algorithm, the proposed model can also be used for predicting the behaviour of these algorithms.
کلیدواژه‌های انگلیسی مقاله Adaptive Algorithms, LMMN Algorithm, Analytical Model
نویسندگان مقاله میثم کاظمی اقبال | Mesyam Kazemi Eghbal
Hamedan University of Technology
دانشگاه صنعتی همدان

قاسم علی‌پور | Ghasem Alipoor
Hamedan University of Technology
دانشگاه صنعتی همدان

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1748-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده بنیادی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات