Geri Dön

A steady state analysis of competitive prediction using LMMN combination

LMMN birleştirme yöntemi ile yarışabilen öngörünün kararlı durum analizi

  1. Tez No: 255898
  2. Yazar: BETÜL SOYSAL
  3. Danışmanlar: DOÇ. DR. MEHMET KIVANÇ MIHÇAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 83

Özet

Bu tezde, katkı Gauss gürültü modeli altında otoregressif sinyallerin adaptivdoğrusal kestirimi, yarışabilen bir algoritma çerçevesinde araştırılmaktadır. Bu çerçevede, modelleri, model seviyeleri ve model parametreleri farklı olan ve bir karşılaştırmasınıfı oluşturan filtreler, paralel çalışarak aynı sinyali kestirmeye çalışmaktadır. Burekabet sınıfının kurucu algoritmalarının çıkışları daha sonra karşılaştırma sınıfı per-formansını artırmak için başka bir adaptiv algoritma ile birleştirilmektedir. BirleştirmeyÖntemi olarak, optimum Wiener çözümüne ulaşmada herhangi bir kısıtlaması ol-madığından dolayı Asgari Ortalama - Karma Norm (LMMN) algoritması önerilmiştir.Bu yöntem özel olarak : aynı model seviyeli fakat farklı model parametreleri olaniki LMMN filtreden oluşan bir karşılaştırma sınıfı; aynı model seviyeli bir RLS birLMMN filtreden oluşan bir karşılaştırma sınıfı; ve son olarak da M farklı seviyel-erde LMMN filtrelerinden oluşan bir karşılaştırma sınıfı için uygulanmıştır. Sistemkararlı duruma ulaştığında, herbir birleştime işlemi için, adım boyu uygun seçildiğitakdirde LMMN birleştirmesinin karşılaştırma sınıfının en iyi kestiricisinden bile dahaküçük bir MSE ürettiği gösterilmiştir. Ayrıca, LMMN-LMMN ve RLS-LMMN ik-ililerinin oluşturduğu sınırlar (yani ilk iki birleştirme sınıfı) için simülasyonlarda LMMNbirleştirme filtresinin karşılaştırma sınıfının en hızlı yakınsayan filtresinden daha hızlıyakınsadığı gözlemlenmiştir.

Özet (Çeviri)

In this thesis, the adaptive linear prediction of autoregressive signals under ad-ditive Gaussian noise model is investigated in a competitive algorithm framework. Inthis framework, there is a comparison class of predictors of di®erent models, modelorders or model parameters that work in parallel to estimate the same desired signal.The outputs of the constituent algorithms in this competing class are then combinedusing another adaptive algorithm to improve the overal performance over the com-parison class. As the combination method, the Least Mean Mixed Norm (LMMN)algorithm is proposed without any constraints in converging to the optimal Wienersolution. This method is speci¯cly applied to: a comparison class of two LMMN pre-dictors of the same model order but di®erent model parameters; a comparison class ofan RLS and an LMMN predictor of the same model order; and ¯nally a comparisonclass of M di®erent order LMMN predictors with the same algoritmic parameters. Foreach of the combination schemes, the LMMN combination method is shown to yield asmaller MSE in the steady state than the best predictor in the comparison class whenthe step size is choosen appropriately. Furthermore, for the LMMN-LMMN and theRLS-LMMN combinations, i.e., the ¯rst two combination classes, it has been observedthrough simulations that the combination ¯lter converges more rapidly than the mostrapidly converging ¯lter in the comparison class when the parameters of the LMMNcombination ¯lter are choosen properly.

Benzer Tezler

  1. Data driven nonlinear dynamic models for predicting heavy-duty diesel engine torque and combustion emissions

    Ağır vasıta dizel motoru tork ve yanma emisyonları tahmini için veriye dayalı doğrusal olmayan dinamik modeller

    GÖKHAN ALCAN

    Doktora

    İngilizce

    İngilizce

    2019

    Mekatronik MühendisliğiSabancı Üniversitesi

    PROF. DR. MUSTAFA ÜNEL

  2. Yapay zeka teknikleri ile desteklenmiş bulanık bilişsel haritalama yöntemi kullanılarak kurumların dijital dönüşümlerinin değerlendirilmesi

    The evaluation of digital transformation in institutions using fuzzy cognitive maps supported by artificial intelligence techniques

    ENES FURKAN ERKAN

    Doktora

    Türkçe

    Türkçe

    2022

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZER UYGUN

  3. Nonlinear dynamics of the Black sea ecosystem and its response to anthropogenic and climate variations

    Karadeniz ekosisteminin doğrusal olmayan dinamikleri ve antropojenik ve iklimsel değişkenlere olan tepkisi

    EKİN AKOĞLU

    Doktora

    İngilizce

    İngilizce

    2013

    Deniz BilimleriOrta Doğu Teknik Üniversitesi

    Deniz Biyolojisi ve Balıkçılık Ana Bilim Dalı

    YRD. DOÇ. DR. BARIŞ SALİHOĞLU

  4. İki paralel levha arasında non-newtonian akışın modellenmesi

    Başlık çevirisi yok

    GÜRŞAT ALTUN

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. MUSTAFA HACIİSMAİLOĞLU