دانلود کتاب Reduced Complexity Adaptive Filtering Algorithms with Applications to Communications Systems

توضیحاتی در مورد کتاب

این پایان نامه الگوریتم های فیلتر تطبیقی ​​جدیدی را برای کاربردهای ارتباطی با هدف کاهش پیچیدگی محاسباتی پیاده سازی توسعه می دهد. پیچیدگی محاسباتی کم الگوریتم فیلتر تطبیقی ​​می تواند، برای مثال، مصرف برق مورد نیاز اجرا را کاهش دهد. مصرف انرژی کم در برنامه های بی سیم مهم است، به ویژه در سمت ترمینال تلفن همراه، جایی که اندازه فیزیکی ترمینال تلفن همراه و عمر طولانی باتری بسیار مهم است. ما بر اجرای دو نوع فیلتر تطبیقی ​​تمرکز می‌کنیم: فیلترهای تطبیقی ​​با حداقل واریانس با محدودیت خطی (LCMV) و فیلترهای تطبیقی ​​مبتنی بر آموزش معمولی. برای فیلترهای تطبیقی ​​LCMV، الگوریتم‌های استفاده مجدد از داده‌های نرمال‌شده پیشنهاد شده‌اند که می‌توانند سرعت همگرایی را کاهش دهند. پیچیدگی محاسباتی با تغییر تعداد استفاده مجدد از داده در به روز رسانی ضریب. علاوه بر این، ما یک تبدیل سیگنال ورودی به فیلتر تطبیقی ​​LCMV را پیشنهاد می‌کنیم که به درستی ابعاد به‌روزرسانی ضریب را کاهش می‌دهد. نشان داده شده است که تبدیل سیگنال ورودی با استفاده از تبدیل‌های متوالی Householder یک پیاده‌سازی کارآمد را ارائه می‌کند. این رویکرد اجازه می دهد تا هر الگوریتم انطباق نامحدودی برای مسائل محدود خطی اعمال شود. علاوه بر این، خانواده ای از الگوریتم ها با استفاده از چارچوب فیلتر مجموعه عضویت (SMF) پیشنهاد شده است. این الگوریتم‌ها مشخصات خطای محدود در فیلتر تطبیقی ​​را با مفهوم استفاده مجدد از داده ترکیب می‌کنند. الگوریتم‌های حاصل از پیچیدگی محاسباتی متوسط ​​پایینی برخوردارند زیرا به‌روزرسانی ضریب در هر تکرار انجام نمی‌شود. علاوه بر این، الگوریتم تطبیق را می توان برای دستیابی به پیچیدگی محاسباتی مورد نظر با اجازه دادن به تعداد متغیری از استفاده مجدد از داده ها برای به روز رسانی فیلتر تنظیم کرد. در نهایت، ما چارچوبی را پیشنهاد می کنیم که به روز رسانی پراکنده در زمان را با به روز رسانی پراکنده ضرایب فیلتر ترکیب می کند. این نوع فیلترهای تطبیقی ​​با به روز رسانی جزئی (PU) برای برنامه هایی مناسب هستند که ترتیب مورد نیاز فیلتر تطبیقی ​​با محدودیت های شدید برای قدرت پردازش در تضاد است.