ตัวกรองปรับตัวได้แบบสไปลน์ด้วยอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุดแบบบรรทัดฐาน
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้ได้นำเสนอตัวกรองปรับตัวได้แบบสไปลน์ด้วยอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุดแบบบรรทัดฐาน โดยตัวกรองแบบปรับตัวได้ที่นำเสนอนั้นเป็นการปรับปรุงและพัฒนาอัลกอริธึมให้สัมประสิทธ์ของตัวกรองลู่เข้าค่าที่เหมาะที่สุด โดยได้อธิบายทฤษฎีพื้นฐานของตัวกรองปรับตัวได้แบบสไปลน์ และการออกแบบอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุดแบบบรรทัดฐานที่ปรับตัวได้ รวมถึงการใช้อัลกอริธึมค่าเฉลี่ยปรับตัวได้สำหรับการหาค่าสเต็ปไซส์ที่สามารถปรับตัวได้ ผลที่ได้จากการจำลองแสดงได้ว่าตัวกรองปรับตัวได้แบบสไปลน์ด้วยอัลกอริธึมค่าเฉลี่ยกำลังสองน้อยที่สุดแบบบรรทัดฐาน สามารถปรับตัวแล้วลู่เข้าสู่ค่าคงที่ในสภาวะคงตัวอย่างรวดเร็ว เมื่อทำการเปรียบเทียบข้อผิดพลาดของตัวกรองปรับตัวได้แบบสไปลน์ด้วยอัลกอริธึมกำลังสองน้อยที่สุดกับอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุดแบบบรรทัดฐาน พบว่า ตัวกรองปรับตัวได้แบบสไปลน์ด้วยอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุดแบบบรรทัดฐานสำหรับตัวแปรสเต็ปไซส์ชนิดปรับตัวได้จะอัตราการผิดพลาดลู่เข้าสู่สภาวะคงตัวเร็วกว่าอัลกอริธึมกำลังสองเฉลี่ยน้อยที่สุด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความนี้เป็นลิขสิทธิ์ของวารสาร Engineering Transactions คณะวิศวกรรมศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีมหานคร
เอกสารอ้างอิง
M. Scarpiniti, D. Comminiello, R. Parisi, A. Uncini, “Comparison of Hammerstein and Wiener systems for nonlinear acoustic echo cancelers in reverberant environments”, in Proc. International Conference on Digital Signal Processing (DSP’2011), Corfu, Greece, pp. 1–6, 2011.
V. Patel, N.V. George, “Nonlinear active noise control using spline adaptive filters”, Applied Accoustics, vol. 93, pp. 38–43, 2015.
K.J. Hunt, M. Munih, N.N. Donaldson, F.M.D. Barr, “Investigation of the Hammerstein hypothesis in the modeling of electrically stimulated muscle”, IEEE Transactions on Biomedical Engineering, vol. 45, no. 8, pp. 99–1009, 1998.
Z. Zhu, H. Leung, “Adaptive identification of nonlinear systems with application to chaotic communications”, IEEE Transactions on Circuits and Systems—I: Fundamental Theory and Applications, vol. 47, no. 7, pp. 1072–1080, 2000.
M. Scarpiniti, D. Comminiello, R. Parisi and A. Uncini, “Nonlinear spline adaptive filtering”, Signal Processing, vol. 93, Issue. 4, pp. 772-783, 2013.
C. Liu , Z. Zhang , X. Tang, “Sign normalised spline adaptive filtering algorithms against impulsive noise”, Signal Processing, vol. 148, Issue. 6, pp. 234-240, 2018.
M. Scarpiniti, D. Comminiello, R. Parisi and A. Uncini, “Novel cascade spline architectures for the identification of nonlinear systems”, IEEE Transactions on Circuits and Systems I, vol. 62, Issue. 7, pp. 1825-1835, 2015.
S. Guan, Z. Li, “Normalised spline adaptive filtering algorithm for nonlinear system identification”, Neural Processing Letter, vol. 5, pp. 1-13, 2017.
C. Liu and Z. Zhang, “Set-membership normalised least M-estimate spline adaptive filtering algorithm in impulsive noise”, Electronics Letters, vol. 54, no. 6, pp. 393-395, 2018.
S. Sitjongsataporn and P. Yuvapoositanon, “Low Complexity Adaptive Step-Size Filtered Gradient-based Per-Tone DMT Equalisation”, in Proc. IEEE International Symposium on Circuits and Systems (ISCAS), Paris, France, pp. 2526-2529, May 2010.
A. Saenmuang and S. Sitjongsataporn, “Convergence and Stability Analysis of Spline Adaptive Filtering based on Adaptive Averaging Step-size Normalised Least Mean Square Algorithm, International Journal of Intelligent Engineering & System (IJIES), vol. 13, no. 2, pp. 267-277, 2020.
S. Sitjongsataporn, W. Chimpat, “Adaptive Step-size Normalised Least Mean Square Algorithm for Spline Adaptive Filtering”, in Proc. IEEE International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC), pp. 544-547, 2019.
