ترجمه پردازش سیگنال الگوریتم LMS با وزن I1-norm برای تخمین کانال گسترده و آنالیز آن

توضیحات

 عنوان فارسی: پردازش سیگنال الگوریتم LMS با وزن I1-norm برای تخمین کانال گسترده و آنالیز آن

عنوان انگلیسی مقاله ترجمه شده:

Reweighted l1-norm penalized LMS for sparse channel estimation and its analysis

چکیده

در این مقاله یک الگوریتم جدید حداقل متوسط مربع (LMS) با وزن I1-norm برای تخمین کانال گسترده، پیشنهاد و مطالعه شده است. از آنجایی که الگوریتم استاندارد LMS، گستردگی اطلاعات در رابطه با پاسخ ضربه کانال (CIR)، را به حساب نمی­آورد، تغییرات گسترده الگوریتم LMS با هدف اجرای LMS استارد توسط معرفی یک ترم جریمه برای تابع هزینه LMS استاندارد در نظر می­گیرد که موجب می­شود تا را­حل نیز گسترده باشد. الگوریتمLMS  با وزن I1-norm علاوه بر معرفی ضریب همگرایی CIR، تخمین می­زند تا را­ه­حل گسترده را بهبود داده و I0-pseudo-norm را تخمین می­زند.

ما از آنالیزکمی الگوریتم LMS با وزن I1-pseudo-norm استفاده می­کنیم. توضیح در رابطه با خطای متوسط مربع MSE الگوریتم نیز مطرح شده است که که پیشنهاد می­دهد که تحت یک سری شرایط صحیح، همان­گونه که انتظار می­رفت، الگوریتمLMS  با وزن I1-norm، الگوریتم LMS استاندارد را اجرا می­کند. اگرچه، آنالیز کمی ما پاسخ این سوال را نیز می­دهد که بیشترین سطح گستردگی برای عملکرد بهتر الگوریتمLMS  با وزن I1-norm نسبت به الگوریتم استاندارد LMS در کانال چیست. نتایج شبیه­سازی به منظور نشان دادن عملکرد بهتر الگوریتمLMS  با وزن I1-norm در مقایسه با الگوریتم­های نوع LMS موجود دیگر، داده شده اند.

کلمات کلیدی: تخمین کانال، گرادیان فشرده، حداقل متوسط مربع، گستردگی

مقدمه

الگوریتم حداقل متوسط مربع LMS، در زمینه­ی فرآیند سیگنال تطبیقی بسیار شناخته شده می­باشد. این الگوریتم به گروهی از الگوریتم­های گرادیان تصادفی تعلق دارد. ویژگی جالب الگوریتم LMS این است که نیازی به دانش تصادفی گسترده از کانال و ورودی داده­ی توالی بر خلاف برخی دیگر از روش­های تخمین پارامتر مانند حداقل مربع بازگشتی (RLS) و فیلتر کالمن، ندارد. در حالی که RLS و فیلتر کالمن نیاز به داشتن اطلاعات در زمینه­ی ماتریس کوواریانس توالی داده ورودی می­باد. الگوریتم LMS تنها نیازمند تخمین تقریبی بزرگ­ترین مقادیر ویژه ماتریس کوواریانس برای انتخاب بهتر اندازه پله می­باشد، که همگرایی را تضمین می­کند. الگوریتم LMS در کاربردهای مختلف پردازش سیگنال و ارتباطات شامل معرفی سیستم، لغو اکو، تخمین کانال، افزایش خط ارتباط تطبیقی و … استفاده می­شود. کاربرد خاصی که در این مقاله موردنظر می­باشد، تخمین کانال پاسخ ضربه­ای محدود است. انتخاب الگوریتم تخمین کانال برای استفاده در سیستم ارتباط به اطلاعات موجود در زمینه­ی ارقام سیستم، عملکرد مطلوب الگوریتم تخمین، همچنین پیچیدگی فرآیند تخمین، می­رسد.

الگوریتم­های تخمین پارامتر بازگشتی هیچ­گونه اطلاعاتی در رابطه با ساختار کانال تخمین زده شده­ نمی­دهد. اگرچه، با اطلاع از ساختار کانال می­توان الگوریتم­های استاندارد را به منظور تخمین بهتر کانال اصلاح کرد. در این مقاله ما مجموعه­ای از کانال­ها در ارتباط هستیم که پاسخ ضربه محدود (CIR) گسترده است. سیگنال گسترده­ی زمان گسسته، یکی از ورودی­های غیر صفر است. به طور کلی دامنه­ای که سیگنال در آن گسترده است، الزاما نباید دامنه زمان باشد. مبناهای گسترده­ی دیگر نیز قابل قبول هستند و توسط ماتریس متعامد N*N مطرح شده،که N طول سیگنال است.

تغییرات الگوریتم LMS در پردازش سیستم، در چند سال اخیر مطرح گردیده است. روش معرفی شده در [7,8] یک المان جریمه را به تابع خط LMS استاندارد اضافه می­کند که به گونه­ای طراحی شده است که راه­حل گسترده­ای را بیابد. جریمه در شکل I-pseudo-norm، CIR در [8] استفاده شده، در حالی که [7] از I1-norm استفاده می­کند. در [9] همگرایی متوسط مربع و آنالیز ثبات برای یکی از الگوریتم­های [7]، برای آنالیز ورودی سفید، مطرح شده است. آنالیز عملکرد الگوریتم LMS I-pseudo-norm [8] در [10] داده شده است. در [11,12] تغییرات الگوریتم­ها در [7] معرفی شده است. در [11] ضرائب فیلتر در دامنه تبدیل به روز رسانی شده­اند که موجب همگرایی سریعتر برای ورودی­های غیر صفر می­شود. در [13] ایده­ی استفاده از یک جریمه­ی I1-norm به منظور معرفی سیستم گسترده، بدون آنالیز همگرایی، مطرح شده است. ترویج به روز رسانی جزئی الگوریتم­های LMS، اخیرا در [14] ارائه شده است.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.