Combinação de algoritmos adaptativos e técnicas de aprendizagem de máquina

Resumo

Combinações de filtros operando em paralelo para melhorar o desempenho de filtros adaptativos têm despertado um relativo interesse na comunidade de processamento de sinais. Esse tipo de combinação tem um comportamento universal, ou seja, considerando entradas estacionárias, a estimativa combinada é pelo menos tão boa quanto à do melhor filtro componente em regime. Diante disso, ela tem sido usada para melhorar a escolha dos parâmetros fixos dos filtros, a capacidade de tracking, a estabilidade, a solução em regime, a inicialização, entre outros fatores. Embora muitos resultados relacionados a esse assunto tenham sido publicados, ainda há alguns problemas em aberto que serão abordados neste projeto de pesquisa. Dentre eles, destacam-se: (i) a análise do transitório da combinação convexa; (ii) a comparação das combinações convexa, afim e linear considerando diferentes cenários; (iii) a combinação do algoritmo do módulo constante (CMA - constant modulus algorithm) com o algoritmo LMS (least-mean squares) no modo de decisão direta para melhorar o desempenho do equalizador autodidata; e (iv) a melhoria do desempenho das combinações através da imposição de diversidade para diminuir a correlação cruzada entre as saídas dos filtros componentes. Um outro assunto que se pretende abordar nesta pesquisa é a utilização de técnicas de aprendizagem de máquina (machine learning) para acelerar a convergência de algoritmos autodidatas para equalização de sinais QAM (quadrature amplitude modulation) de ordem elevada. (AU)