Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/322189
Type: TESE DIGITAL
Title: New methods for adaptive equalization based on Information Theoretic Learning = Novas metodologias de aprendizado baseado na Teoria da Informação para equalização adaptativa
Title Alternative: Novas metodologias de aprendizado baseado na Teoria da Informação para equalização adaptativa
Author: Fantinato, Denis Gustavo, 1985-
Advisor: Attux, Romis Ribeiro de Faissol, 1978-
Abstract: Resumo: 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

Abstract: In signal processing, statistically dependent signals carry valuable information to solve problems of various natures. Based on the classical second-order statistical framework, however, their statistical characterization is limited to a certain degree of partiality. In view of this, in this work, a more extensive extraction of the information regarding statistical dependence is proposed via the use of methods based on Information Theoretic Learning (ITL) allied to a multivariate perspective. Focusing on the statistical temporal dependence, this approach is applied to three important problems within the signal processing area: blind channel equalization with temporally-structured sources, supervised equalization using Infinite Impulse Response (IIR) filters, and nonlinear Blind Source Separation (BSS) problems. In each case, the results led to relevant contributions, including the extension of the ITL paradigm to the multivariate perspective and also to the use of metaheuristics as optimization strategies, instead of the traditional gradient-based methods. The developed study opens new possibilities for the statistical processing of videos, images and speech data in complex scenarios; in communications, it becomes possible to deal with messages subject to statistically dependent coding schemes
Subject: Processamento de sinais
Aprendizado de máquina
Teoria da informação
Language: Inglês
Editor: [s.n.]
Date Issue: 2017
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Fantinato_DenisGustavo_D.pdf6.83 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.