Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/4249
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCavalcante, Charles Casimiro-
dc.contributor.authorMota, João César Moura-
dc.contributor.authorMontalvão Filho, Jugurta Rosa-
dc.contributor.authorDorizzi, Bernadette-
dc.date.accessioned2013-01-02T19:21:58Z-
dc.date.available2013-01-02T19:21:58Z-
dc.date.issued2001-
dc.identifier.citationCAVALCANTE, C. C. et al. Égalisation par prédiction Basée sur des réseaux de neurones et des fonctions objectifs obtenues à partir de la divergence de kullback-leibler et du constant modulus. In: COLLOQUE GRETSI SUR LE TRAITEMENT DU SIGNAL ET DES IMAGES, 2001, Toulouse. Anais... Toulouse: Colloque GRETSI sur le traitement du signal et des images, 2001. p. 573-576.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/4249-
dc.description.abstractA nonlinear structure of filtering for blind equalization is presented. The neural network-based structure is used in order to provide nonlinearity on the filter structure while the learning strategy is divided in two stages. The Kullback-Leibler divergence is used as the base for the cost function of a self-organized rule and constant modulus criterion for the supervised one. Simulation results illustrate the performance of the strategy compared to classical ones for adaptive equalization. The results show that the proposed strategy outperforms even trained DFE for some cases of channels.pt_BR
dc.language.isofrpt_BR
dc.publisherColloque GRETSI sur le traitement du signal et des imagespt_BR
dc.subjectTeleinformáticapt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.titleÉgalisation par prédiction Basée sur des réseaux de neurones et des fonctions objectifs obtenues à partir de la divergence de kullback-leibler et du constant moduluspt_BR
dc.typeOtherpt_BR
dc.description.abstract-frUne structure de filtrage non linéaire pour l’égalisation aveugle est présentée. Cette structure est basée sur un réseau de neurones, ce qui permet l’inclusion de non linéarités dans la structure du filtre. D’autre part, la stratégie d’apprentissage du réseau est séparée en deux parties : une supervisée et l’autre auto-organisée. La divergence de Kullback-Leibler est utilisée comme base pour une fonction de coût d’une régle d’apprentissage auto-organisée, tandis que le critére du (( constant modulus )) est utilisé dans la partie supervisée. Les résultats des simulations comparent la performance de cette stratégie par rapport aux stratégies classiques d’égalisation adaptative. Les résultats montrent que, pour certains canaux, la stratégie proposée est plus performante que l’égaliseur à retour des décisions (DFE) supervisé.pt_BR
Appears in Collections:DETE - Trabalhos apresentados em eventos

Files in This Item:
File Description SizeFormat 
2001_eve_cccavalcante.pdf250,13 kBAdobe PDFView/Open


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