Algoritmos de mínimos cuadrados recursivos regularizados de reutilización de datos para aplicaciones de...

Área de la Ciencia:

• Procesamiento de señales
• Filtración adaptativa
• Identificación del sistema

Sus antecedentes:

• El algoritmo recursivo de mínimos cuadrados (RLS) es efectivo para el filtrado adaptativo y la identificación del sistema.
• RLS ofrece una convergencia rápida, pero puede carecer de robustez en condiciones ruidosas.
• La convergencia y la robustez suelen ser criterios de rendimiento contradictorios.

Objetivo del estudio:

• Desarrollar una técnica de reutilización de datos computacionalmente eficiente para el algoritmo RLS regularizado.
• Para mejorar la robustez del algoritmo RLS en entornos ruidosos.
• Lograr un compromiso entre la tasa de convergencia y la robustez.

Principales métodos:

• Implementación de un algoritmo RLS regularizado con una técnica de reutilización de datos.
• Utilización de un único paso equivalente para la reutilización de datos para mejorar la eficiencia computacional.
• Participación de algoritmos regularizados por variables con parámetros de regularización dependientes del tiempo.
• Probando los algoritmos en las aplicaciones de cancelación de eco.

Principales resultados:

• Los algoritmos RLS regularizados de reutilización de datos desarrollados demuestran un rendimiento confiable.
• El enfoque ofrece un buen compromiso entre la convergencia y la robustez.
• El control efectivo se logra en condiciones difíciles, incluidos entornos ruidosos.

Conclusiones:

• Los algoritmos regularizados de reutilización de datos computacionalmente eficientes propuestos ofrecen un rendimiento mejorado.
• Estos algoritmos son adecuados para aplicaciones de filtrado adaptativo, particularmente en la cancelación de eco.
• Los resultados apoyan los beneficios teóricos del enfoque RLS mejorado para la identificación del sistema.