New methods for adaptive equalization based on Information Theoretic Learning = Novas metodologias de aprendizado baseado na Teoria da Informação para equalização adaptativa

Sinais dotados de dependência estatística portam informações relevantes para a solução de problemas dentro da área de processamento de sinais. Porém, de acordo com o ferramental clássico baseado em estatísticas de segunda ordem, a caracterização probabilística desses sinais é limitada a certo grau de parcialidade. Tendo isso em vista, propõe-se nesta tese de doutorado a extração mais extensiva da informação sobre a dependência estatística, sendo utilizado para isto as metodologias de Aprendizado Baseado na Teoria da Informação (ITL, do inglês Information Theoretic Learning) combinadas a uma perspectiva multivariada dos dados. Com particular interesse na dependência estatística temporal, esta abordagem é aplicada em três relevantes problemas dentro da área de processamento de sinais: equalização cega de canais com fontes dotadas de estrutura temporal, equalização supervisionada com filtros de Resposta ao Impulso Infinita (IIR, do inglês Infinite Impulse Response) e Separação Cega de Fontes (BSS, do inglês Blind Source Separation) no contexto não linear. Em cada caso, os resultados levaram a importantes contribuições, incluindo a extensão do paradigma de ITL para a perspectiva multivariada e para o uso de metaheurísticas como estratégia de otimização ao invés dos tradicionais métodos baseados no gradiente. O estudo desenvolvido abre novas possibilidades para o processamento estatístico de vídeos, imagens e dados de fala em cenários complexos; no contexto de comunicações, torna-se possível lidar com mensagens sujeitas a esquemas de codificação gerais (AU)