Busca avançada
Ano de início
Entree

Extreme learning machines aplicadas ao problema de equalização

Processo: 13/15024-2
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de setembro de 2013
Vigência (Término): 30 de junho de 2014
Área do conhecimento:Engenharias - Engenharia Elétrica - Telecomunicações
Pesquisador responsável:Romis Ribeiro de Faissol Attux
Beneficiário:Pedro Augusto Santos de Castro
Instituição-sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Assunto(s):Processamento de sinais   Equalização   Aprendizado computacional   Redes neurais (computação)   Filtros elétricos adaptativos

Resumo

O problema de desconvolução ou equalização é uma tarefa central no âmbito da moderna teoria de tratamento do sinal. Classicamente, esse problema é abordado com o auxílio de dispositivos lineares de filtragem no papel de equalizadores, ou seja, de filtros projetados para compensar os efeitos nocivos do meio pelo qual o sinal se propaga ou é transmitido. Não obstante, em diversos cenários, a possibilidade de recuperar adequadamente o sinal de interesse depende da possibilidade de que a estrutura de processamento seja capaz de gerar resposta de cunho não-linear. Um exemplo ilustrativo disso é o caráter do equalizador bayesiano quando se tem um meio linear sujeito a ruído aditivo. Tendo tudo isso em vista, extreme learning machines podem ser consideradas opções interessantes para lidar com o problema de desconvolução, pois são capazes de gerar projeções não-lineares dos dados de entrada mantendo um custo de treinamento equivalente ao de um combinador linear. Neste trabalho, realizaremos um estudo sobre essas redes neurais e, em seguida, avaliaremos de maneira sistemática sua aplicabilidade a diversas instâncias do problema enfocado.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)