4. O algoritmo LMS e variantes
|
|
- Jonathan Carlos Chaves
- 7 Há anos
- Visualizações:
Transcrição
1 Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes
2 Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n), pois não é possível calcular valores médios com base num único instante n sem conhecer a estatística de conjunto. A equação genérica de actualização de coeficientes, que antes era c(n + 1) = c(n) µ (n), passa a ser c(n + 1) = c(n) µˆ (n) Consoante a estimativa do gradiente que se use assim vamos obter uma diferente simplificação do algoritmo. Podemos classificar os diversos algoritmos em dois grupos: O algoritmo LMS e variantes 4-2
3 O algoritmo LMS A mais popular de todas as estimativas de (n) foi sugerida por Widrow e Hoff em consiste em substituir os valores médios das variáveis pelos seus valores instantâneos. o algoritmo resultante chama-se algoritmo LMS ("least-mean-squares"). No algoritmo LMS a estimativa do gradiente vem dada por ˆ (n) = e2 (n) c(n) = e 2 (n) c o (n) e 2 (n) c 1 (n) e 2 (n) c N 1 (n) = 2e(n) e(n) c o (n) e(n) c 1 (n) e(n) c N 1 (n) = 2e(n)a(n) ou ainda por ˆ (n) = e2 (n) c(n) = 2 [ a(n)at (n)]c(n) 2d(n)a(n) A equação de actualização de coeficientes é c(n + 1) = c(n) + 2µe(n)a(n) (LMS) O passo de adaptação deve ter um valor na gama 0 <µ< 1 λ max (ou melhor ainda: 0 <µ< 1 tr(r) ) O algoritmo LMS e variantes 4-3
4 Valores médios da estimativa do gradiente e dos coeficientes Quando o valor médio da estimativa de um parâmetro é igual ao próprio parâmetro diz-se que a estimativa não é tendenciosa ou não é enviesada. A estimativa ˆ (n) é aleatória mas não é enviesada. Porquê? Porque, se c(n) for mantido constante (c(n)=c): E[ ˆ (n)] = 2Rc 2 p = (n) Em média, o vector c(n) converge para o valor óptimo. E[c(n +1)] = (I 2µR)E[c(n)] + 2µp À medida que o índice n se aproxima de infinito os coeficientes atingem os seus valores de regime permanente e a média de E[c(n +1)] é igual à média de E[c(n)] : E[c( )] = (I 2µR)E[c( )]+ 2µp E[c( )] = R 1 p = c opt O algoritmo LMS e variantes 4-4
5 O efeito da estimativa ruidosa no algoritmo LMS Devido à estimativa ruidosa do gradiente, o vector de coeficientes c(n) não atinge o valor óptimo, apenas flutua em torno dele, se o passo µ for constante. A flutuação é tanto maior quanto maior for µ. O erro quadrático médio final ε ( ) não é igual ao erro quadrático médio mínimo, ε min. Uma medida da qualidade da aproximação é o desajuste, M: M = E [ ε ( ) ] ε min ε min µtr[r] (se µ<< 1 λ max ) (Um valor de M = 10% é razoável) O que fazer para melhorar o desempenho? 1. No início da adaptação o passo µ deve ser grande. Porquê? Para que a convergência seja rápida. 2. Depois, já mais próximo do regime permanente, vai-se reduzindo o passo. Porquê? Para que o erro residual final seja pequeno. O algoritmo LMS e variantes 4-5
6 Exemplo com LMS Filtro adaptativo com N=2 e N=3 Ruído r(n) d(n)= 3sen ω 1 n + u(n) Filtro adaptativ e(n) a(n)=2 cos ω 1 n+ cos ω 2 n 2π ω1 = rad / s 6 ω2 = 2ω1 2 Variância do ruído branco: σ 1 = 0,0025 S/N = 30dB µ = 0,02 (N = 2) e µ = 0,013 (N = 3) (para que M 10%) Os cálculos conduziriam a: N = 2: 2,5 0, 75 R 0,75 2,5 p = 0 1, 5 c opt = R 1 18 / 91 p = 60 / 91 = 0,1978 0, ε = 2,5(c 0 + c1 ) 3c1 +1, 5c 0 c 1 +1, 5 (com ε min = 0,511) N = 3: 2,5 0,75 1, 25 R 0, 75 2,5 0, 75 1,25 0,75 2,5 p = 0 1, 5 1, 5 c opt = 0,175 0,375 0,575 ε min = 0,075 com N = 3 o fundo da taça está mais baixo. o passo de adaptação teve de ser menor (para igual M). há uma menor flutuação junto ao fundo da taça (ver fórmula do desajuste). O algoritmo LMS e variantes 4-6
7 Gráficos do exemplo com LMS O erro quadrático médio foi obtido como a média de conjunto dos erros quadráticos instantâneos obtidos em 100 simulações. Curva de aprendizagem (desajustes aproximadamente iguais) Curva de aprendizagem com algoritmos LMS e gradiente (N=3) O algoritmo LMS e variantes 4-7
8 Variantes do algoritmo LMS O algoritmo LMS é o mais usado de todos os algoritmos adaptativos. As variantes de LMS surgiram para: 1. simplificar a implementação do algoritmo; 2. acelerar a convergência dos coeficientes em direcção aos seus valores óptimos; 3. reduzir o erro residual dos coeficientes em regime permanente, relativamente aos valores óptimos. Variantes a apresentar em seguida: Passo fixo: LMS normalizado Algoritmo do sinal Passo variável: Algoritmo VS O algoritmo LMS e variantes 4-8
9 Algoritmo LMS normalizado (NLMS) O passo é normalizado relativamente ao quadrado da norma euclidiana de : a(n) N 1 a(n) 2 = a T (n)a(n) = a 2 (n j) Isto faz-se para que a convergência do algoritmo fique mais independente do sinal de entrada. Este escalar de normalização é a soma dos quadrados dos sinais que em cada momento se encontram em cada andar do filtro transversal adaptativo j=0 O quadrado da norma pode ser calculado recursivamente porque em cada nova iteração n só aparece uma nova amostra de sinal, a(n), à entrada enquanto que a mais antiga é deitada fora e as outras são simplesmente deslocadas: a(n) 2 = a 2 (n) + a(n 1) 2 a 2 (n N) A equação de actualização de coeficientes é 2µ c(n + 1) = c(n) + b + a(n) 2 e(n) a(n) 0 < µ < 1 (para garantir convergência) não depende do sinal de entrada! b > 0 (para evitar divisão por valor muito pequeno ou zero) O algoritmo LMS e variantes 4-9
10 Algoritmo do sinal Os cálculos do algoritmo LMS podem ser simplificados se se usar uma estimativa ˆ (n) ainda mais simples, como no algoritmo do sinal, onde se toma uma aproximação mais grosseira do gradiente considerando apenas o sinal de e(n): em que ˆ (n) = 2sign[e(n)] a(n) sign(x ) = 1 x < 0 1 x 0 O algoritmo é expresso por A função sign(x) c(n + 1) = c(n) + 2µsign[e(n)]a(n) (Sinal) Para se obter mesmo erro final µ tem de ser mais pequeno ( convergência mais lenta). Se a(n) = ±1 o termo corrector é ±2µ. Outras alternativas: c(n + 1) = c(n) + 2µe(n)sign[a(n)] c(n + 1) = c(n) + 2µsign[e(n)]sign[a(n)] O algoritmo LMS e variantes 4-10
11 Algoritmo VS ("variable step") Mesma estimativa de gradiente do algoritmo LMS mas o passo de adaptação deixa de ser constante e idêntico para todos os coeficientes: c(n + 1) = c(n) + 2e(n)M(n)a(n) (VS) M(n) é a matriz diagonal dos diferentes passos: µ o (n) µ 1 (n) 0 M(n) = 0 0 µ N 1 (n) A matriz M(n) melhora o método LMS ao fornecer uma estimativa direccional mais rigorosa do fundo da superfície de erro. Regra de variação de µ: 1. Os passos µ i (n) (i = 0, 1,, N -1) podem ter valores entre µ min e µ max. O valor mínimo deve ser adequado ao desajuste desejado em regime permanente e o valor máximo deve respeitar 0 <µ < 1 max. λ max 2. Os passos µ i (n) são aumentados por um factor constante a (2, por exemplo) se a componente de ordem i de ˆ (n) mantiver o mesmo sinal em m 1 amostras sucessivas, a não ser que µ i ( n) = µ max, e são diminuídos pelo mesmo factor a se ˆ (n) mudar de sinal em m o amostras sucessivas, a não ser que µ ( n) = µ i min. Valores de m o e m 1 : 2 ou 3. O algoritmo VS converge mais rapidamente que LMS. A implementação do algoritmo é um pouco mais complexa. O algoritmo LMS e variantes 4-11
12 Exemplo comparativo entre LMS, NLMS e Sinal Mesmo esquema do exemplo anterior, com N=3 mas sem ruído c opt = [ 0,175 0,375 0,575] T NLMS: µ b+ a(n) 2 0,013 0,1 + 7,5 = 0,0017 Evolução dos coeficientes do filtro com os algoritmos LMS e NLMS Evolução dos coeficientes do filtro usando o algoritmo do sinal O algoritmo LMS e variantes 4-12
13 Exemplo comparativo entre LMS, NLMS e Sinal (Cont.) Erro quadrático instantâneo usando LMS normalizado (evolução exponencial decrescente) Erro quadrático médio usando LMS e NLMS (LMS: µ=0,013; NLMS: µ b+ a(n) 2 0,0017 ) O algoritmo LMS e variantes 4-13
14 Equações de actualização de coeficientes em algoritmos do tipo LMS Sinais e coeficientes reais LMS c(n + 1) = c(n) + 2µe(n)a(n) LMS normalizado c(n + 1) = c(n) + 2µ b + a(n) 2 e(n) a(n) b > 0 0 < µ < 1 Sinal c(n + 1) = c(n) + 2µsign[e(n)]a(n) c(n + 1) = c(n) + 2µe(n)sign[a(n)] c(n + 1) = c(n) + 2µsign[e(n)]sign[a(n)] VS c(n + 1) = c(n) + 2e(n)M(n)a(n) O algoritmo LMS e variantes 4-14
15 Equações de actualização de coeficientes em algoritmos do tipo LMS Sinais e coeficientes complexos a (n) = a I (n) + ja Q (n) c (n) = c I (n) + jc Q (n) d(n) = d I (n) + jd Q (n) e(n) = e I (n) + je Q (n) R ˆ = a(n) a H (n) y(n) = y I (n) + jy Q (n) = = c H (n)a(n) ˆ p = a(n) d (n) y I (n) = c T I (n)a I (n) c T Q (n)a Q (n) y Q (n) = c T I (n)a Q (n) + c T Q (n)a I (n) e (n) = d(n) y(n) e I (n) = d I (n) y I (n) e Q (n) = d Q (n) y Q (n) LMS c(n + 1) = c(n) + 2µe (n)a(n) c I (n + 1) = c I (n) + 2µ[e I (n)a I (n) e Q (n)a Q (n)] c Q (n +1) = c Q (n) + 2µ[e I (n)a Q (n) + e Q (n)a I (n)] LMS normalizado c(n + 1) = c(n) + b 2µ b + a(n) 2 e (n) a(n) > 0 0 < µ < 1 a(n) 2 = a H (n) a(n) Sinal c(n + 1) = c(n) + 2µsign[e (n)]a(n) c(n + 1) = c(n) + 2µe (n)sign[a(n)] c(n + 1) = c(n) + 2µsign[e (n)]sign[a(n)] O algoritmo LMS e variantes 4-15
Introdução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisSílvio A. Abrantes Faculdade de Engenharia Universidade do Porto, Portugal
Apontamentos de Processamento Adaptativo de Sinais Sílvio A. Abrantes Faculdade de Engenharia Universidade do Porto, Portugal Apontamentos de Processamento Adaptativo de Sinais 1. Introdução Introdução
Leia maisFiltragem Adaptativa
Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Filtragem Adaptativa p1/45 Resumo Sistemas de filtragem adaptativa Filtragem Adaptativa p2/45 Resumo Sistemas de filtragem
Leia maisESTIMAÇÃO PARAMÉTRICA UTILIZANDO ALGORITMO RLS. Rodrigo Urban de Morais
UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA PPGEE ESTIMAÇÃO PARAMÉTRICA UTILIZANDO ALGORITMO RLS Rodrigo Urban de Morais CURITIBA, JUNHO DE 2007. Sumário 1. Introdução...3
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisTransmissão de impulsos em banda-base
Transmissão de impulsos em banda-base 4 Breves notas sobre igualização O algoritmo zero forcing O algoritmo LS Algoritmo Zero Forcing (ZF) Suponhamos que o canal de comunicação é conhecido e tem uma resposta
Leia maisModelação, Identificação e Controlo Digital
29 Adormecimento dos mínimos quadrados recursivos Se os dados forem adequados, os elementos do ganho de Kalman diminuem à medida que o tempo passa, tornando-se eventualmente muito reduzidos se o ruído
Leia mais5. O algoritmo dos mínimos quadrados
Apotametos de Processameto Adaptativo de Siais 5. O algoritmo dos míimos quadrados Método dos míimos quadrados Os algoritmos de míimos quadrados são uma alterativa aos algoritmos de gradiete. Estrutura
Leia maisDescodificação iterativa
Sílvio A. Abrantes DEEC/FEUP 26 Descodificação iterativa 2 Descodificação de códigos LDPC por transferência de mensagens em grafos de Tanner Introdução Diagrama de blocos de um sistema genérico de codificação
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubipt d[n] v[n] x[n] Filtro Estimador d[n] d[n] - Sinal v[n] - Ruído x[n] - Sinal corrompido com ruído ˆd[n] - Sinal Estimado
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisSistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real
Sistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real 1 Filtros Adaptativos Filtros adaptativos são solução atractiva em ambientes com estatística desconhecida e variável
Leia maisAnálise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017
Análise Complexa e Equações Diferenciais 1 ō Semestre 016/017 ō Teste Versão A (Cursos: MEBiol, MEQ 17 de Dezembro de 016, 10h [,0 val 1 Considere a equação diferencial e t + y e t + ( 1 + ye t dy dt 0
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade
1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de
Leia mais7. Controlo Adaptativo
1 7. Controlo Adaptativo Objectivo: Mostrar como é possível integrar os blocos anteriormente estudados de identificação de sistemas e projecto de controladores para obter controladores adaptativos. 2 Motivação
Leia maisIntrodução ENG ELETRÔNICA III
Filtros Contínuos Introdução Introdução Os filtros que serão estudados são circuitos lineares Sua representação é feita através um quadripolo geral, rede linear de duas portas A função de transferência
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisProcessamento de sinais digitais
Processamento de sinais digitais Aula 2: Descrição discreta no tempo de sinais e sistemas silviavicter@iprj.uerj.br Tópicos Sequências discretas no tempo. Princípio da superposição para sistemas lineares.
Leia maisELETRÓNICA GERAL FILTRO ADAPTATIVO 3º TRABALHO DE LABORATÓRIO 1º SEMESTRE 2015/2016 JOSÉ GERALD
ELETRÓNICA GERAL 3º TRABALHO DE LABORATÓRIO FILTRO ADAPTATIVO 1º SEMESTRE 2015/2016 JOSÉ GERALD AGOSTO 2015 1. Introdução Este trabalho consta da simulação em computador (programa Matlab com Simulink)
Leia maisPROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1)
PROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1) 1 Procedimentos não supervisionados Não se conhece a classificação das amostras de treinamento Qual é o interesse? 1) Coletar e rotular
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisCálculo Numérico. Resumo e Exercícios P2
Cálculo Numérico Resumo e Exercícios P2 Fórmulas e Resumo Teórico P2 Interpolação Em um conjunto de n pontos (x #, y # ), consiste em encontrar uma função f tal que f x # = y # para todo i = 1,2,, n. Na
Leia maisADAPTAÇÃO DIGITAL DE UM FILTRO A CAPACITOR CHAVEADO PROGRAMÁVEL. Eduardo Barbosa Moura Costa
ADAPTAÇÃO DIGITAL DE UM FILTRO A CAPACITOR CHAVEADO PROGRAMÁVEL Eduardo Barbosa Moura Costa TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE FEDERAL
Leia maisEduardo Vinicius Kuhn CONTRIBUIÇÕES À MODELAGEM ESTOCÁSTICA DE ALGORITMOS ADAPTATIVOS NORMALIZADOS
Eduardo Vinicius Kuhn CONTRIBUIÇÕES À MODELAGEM ESTOCÁSTICA DE ALGORITMOS ADAPTATIVOS NORMALIZADOS Florianópolis 05 UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
Leia maisFiltros de Média Movente
Processamento Digital de Sinais Filtros de Média Movente Prof. Dr. Carlos Alberto Ynoguti Características É o filtro ótimo para a tarefa de remover ruído aleatório de um sinal, e manter uma resposta a
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisMatemática Computacional
Matemática Computacional MEEC 1 ạ Parte/ 1 ọ Teste 019/01/ 18h30 (+1h30) Apresente todos os cálculos e justifique convenientemente as respostas. 1. Nas duas alíneas seguintes apresente os resultados num
Leia maisB e sabendo que.( ) = 0 B = A (A é o vector potencial magnético) ( A) A t
Campos variáveis no tempo e equações de Maxwell - 1 o Funções potenciais A divergência de um campo magnético é zero. 0 podemos escrever: B e sabendo que.( ) 0 B A (A é o vector potencial magnético) ( A)
Leia maisFormatação de fonte. DM ( Delta Modulation ) ADM DPCM ADPCM
Formatação de fonte 3 DM ( Delta Modulation ) ADM DPCM ADPCM Modulação Delta (DM) Ilustração da modulação DM Um sistema DM 1/T s m[n] e[n] - Quantizador de 1 bit m q [n-1] z -1 m q [n] e q [n] = ±1 Codificador
Leia maisMétodo dos gradientes (ou método de máxima descida)
Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia maisFis.Rad.I /1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 2004)
INTRODUÇÃO À ESTATÍSTICA DE CONTAGEM Fis.Rad.I - 24/1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 24) I. PROBABILIDADE: E E OU Vimos que, para nossas finalidades podemos definir a probabilidade de
Leia maisDefine-se o regressor,ϕ,como. e o vector de parâmetros a estimar, θ,como. O modelo escreve-se:
22 Mínimos Quadrados - Notação matricial Se quisermos resolver o problema de estimação para um número arbitrário de parâmetros temos de usar a notação matricial. Define-se o regressor,,como [ ] e o vector
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisINSTITUTO SUPERIOR TÉCNICO Licenciatura em Engenharia Física Tecnológica Licenciatura em Engenharia e Gestão Industrial Ano Lectivo: 2002/
INSTITUTO SUPERIOR TÉCNICO Licenciatura em Engenharia Física Tecnológica Licenciatura em Engenharia e Gestão Industrial Ano Lectivo: / ANÁLISE NUMÉRICA Exercícios Considere o sistema linear 6 x 5 y = a)
Leia maisSCC Capítulo 4 Perceptron de Camada Única
Perceptron LMS SCC-5809 - Capítulo 4 Perceptron de Camada Única João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes Neurais 1/45 Sumário Perceptron
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisAula 6. Zeros reais de funções Parte 3
CÁLCULO NUMÉRICO Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/48 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO: Uma das condições de convergência é que onde I é um intervalo
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/47 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisConsiderações sobre matrizes no controlo. 1 - Valores Próprios, Vectores Próprios e Equação Característica
- Valores Próprios, Vectores Próprios e Equação Característica Os valores próprios e vectores próprios duma matriz são valores particulares obtidos da equação onde: λ v A v () A é uma matriz quadrada de
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisMÉTODOS NUMÉRICOS. ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES
UNIVERSIDADE DO MINHO MÉTODOS NUMÉRICOS ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES EXERCÍCIOS PRÁTICOS- 1 a parte Ano lectivo de 2004/2005 Exercícios práticos - CONUM Solução de uma equação não
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia mais4.1 Resolvendo o Sistema Linear
4 Solução Numérica 4.1 Resolvendo o Sistema Linear Resolveremos o sistema (2 7) pelo método de Usawa acelerado por Gradiente Conjugado (ver [15, pp. 202]). Primeiro eliminamos a variável u e depois resolvemos
Leia maisRestauração de Imagem e redução de ruído
Restauração de magem e redução de ruído orge Salvador Marques, 7 Aplicações imagem médica recuperação de imagens degradadas super-resolução compressive sensing orge Salvador Marques, 7 Degradação de imagem,
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Leia maisFiltragem linear. jorge s. marques, questão: como remover artefactos?
Filtragem linear questão: como remover artefactos? redução de ruído como reduzir o ruído de uma imagem? ideia: substituir cada piel por uma média Jm,n = m+ k n+ k k + p= m kq= n k Ip,q k= k+ k+ k= filtro
Leia maisComparação de algoritmos adaptativos para cancelamento de eco acústico
Comparação de algoritmos adaptativos para cancelamento de eco acústico Bruno C. Bispo e Sergio L. Netto Resumo Neste artigo são comparados diferentes algoritmos adaptativos para cancelamento de eco acústico.
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisCapítulo 5 Derivadas Parciais e Direcionais
Capítulo 5 Derivadas Parciais e Direcionais 1. Conceitos Sabe-se que dois problemas estão relacionados com derivadas: Problema I: Taxas de variação da função. Problema II: Coeficiente angular de reta tangente.
Leia maisProcessamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
Leia maisProjeto de Filtros IIR. Métodos de Aproximação para Filtros Analógicos
Projeto de Filtros IIR Métodos de Aproximação para Filtros Analógicos Introdução Especificações para filtros passa-baixas analógicos - Faixa de passagem: 0 W W p - Faixa de rejeição: W W r - Ripple na
Leia maisANÁLISE DE SINAIS DINÂMICOS
ANÁLISE DE SINAIS DINÂMICOS Paulo S. Varoto 7 . - Classificação de Sinais Sinais dinâmicos são geralmente classificados como deterministicos e aleatórios, como mostra a figura abaixo: Periódicos Determinísticos
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisFILTROS NO DOMÍNIO ESPACIAL. Nielsen Castelo Damasceno
FILTROS NO DOMÍNIO ESPACIAL Nielsen Castelo Damasceno Gerando máscaras de filtragem espacial Algumas vezes pode ser útil expressar a soma de produtos como: = + + = = w são os coeficientes do filtros. z
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Leia maisé a distância entre um determinado ponto da linha
Erro de Minimização O algoritmo do erro de minimização para efectuar a auto-localização de robôs foi desenvolvido de forma a superar os problemas existentes nas três abordagens identificadas, no sentido
Leia maisRedução de ruído em ambiente industrial
Projecto, Seminário ou Trabalho Final de Curso Licenciatura em Engenharia Electrotécnica e de Computadores 00/003 Redução de ruído em ambiente industrial Orientadores: Trabalho realizado por: Professor
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia mais4 ANÁLISE DE DESEMPENHO
4 ÁLISE DE DESEPEHO análise de desempenho dos métodos EW, CUSU e foi feita por simulação. Para a simulação, utilizou-se, na parte sistemática, a fórmula 2.1 para o modelo constante e a fórmula 2.5 para
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 9 04/2014 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/42 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da
Leia maisCircuitos Elétricos I EEL420
Universidade Federal do Rio de Janeiro Circuitos Elétricos I EEL420 Conteúdo 2 - Elementos básicos de circuito e suas associações...1 2.1 - Resistores lineares e invariantes...1 2.1.1 - Curto circuito...2
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia mais14 Estimador assintótico
Teoria de Controle (sinopse) 4 J. A. M. Felippe de Souza Neste capítulo continuaremos no estudo de que foi iniciado no capítulo anterior. Estimadores de Estado, A exemplo dos capítulos anteriores será
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia mais6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisCálculo Numérico / Métodos Numéricos. Solução de equações polinomiais Briot-Ruffini-Horner
Cálculo Numérico / Métodos Numéricos Solução de equações polinomiais Briot-Ruffini-Horner Equações Polinomiais p = x + + a ( x) ao + a1 n x n Com a i R, i = 0,1,, n e a n 0 para garantir que o polinômio
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções
MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções 1: Mostre que a função f(x) = x 2 4x + cos x possui exatamente duas raízes: α 1 [0, 1.8] e α 2 [3, 5]. Considere as funções:
Leia maisVariações do BP. Variações do BP. Variações do BP. Taxa de Aprendizado Adaptativa. Taxa de Aprendizado Adaptativa
A principal crítica ao algoritmo Back Propagation é o longo tempo de treinamento proposta de variações simples para acelerar o processo de aprendizado Taxa de Aprendizado Adaptativa Inicia-se com um valor
Leia maisPalavras-Chave: Autovalores, Matriz, Método de Jacobi. (1)
MSc Alexandre stácio Féo Associação ducacional Dom Bosco - Faculdade de ngenharia de Resende Caixa Postal: 8.698/87 - CP: 75-97 - Resende - RJ Brasil Professor e Doutorando de ngenharia aefeo@yahoo.com.br
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisANÁLISE DE SINAIS E SISTEMAS
ANÁLISE DE SINAIS E SISTEMAS AULA 2: :. Sinais de Tempo Contínuo e Sinais de Tempo Discreto; 2. Sinais Analógicos e Digitais; 3. Sinais Determinísticos e Sinais Aleatórios; 4. Sinais Pares e Sinais Ímpares;
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisexercícios de análise numérica II
exercícios de análise numérica II lic. matemática aplicada e computação (4/5) aulas práticas - capítulo Exercício. Mostre que a soma dos polinómios base de Lagrange é a função constante. Exercício. Usando
Leia mais