جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه nlms algorithm در نشریات گروه فنی و مهندسی
nlms algorithm
در نشریات گروه برق
تکرار جستجوی کلیدواژه nlms algorithm در مقالات مجلات علمی
-
در این مقاله، روش پردازشی نوینی به منظور تجزیه طیفی مواد در تصاویر فراطیفی ارایه شده است. بیشتر روش های تجزیه طیفی موجود با فرض مدل خطی برای پدیده اختلاط طیفی، تلاش می کنند با ارایه الگوریتم هایی، امضای طیفی مواد موجود احتمالی را در تصویر فراطیفی مشاهده شده تخمین بزنند و صرفا با مقایسه آنها با امضاهای طیفی موجود در کتابخانه طیفی و بر مبنای مشابهت طیفی، به نوع ماده تشکیل دهنده تصویر پی ببرند؛ درحالی که کتابخانه طیفی، به منزله دانش قبلی و اتکاپذیر، اطلاعات ارزشمندی در اختیار ما قرار می دهد. گفتنی است در پایه ریزی الگوریتم های موجود، کمتر به این کتابخانه توجه شده است. استفاده مستقیم از اطلاعات کتابخانه طیفی، اساس روش پیشنهادی در این مقاله است. در روش پیشنهادی و با فرض مدل خطی برای پدیده اختلاط طیفی، مسئله تجزیه طیفی با یک مدل خطی و تغییرناپذیر با زمان و بدون هرگونه فرض آماری بر مجموعه ای از امضاهای طیفی موجود در کتابخانه طیفی، مدل سازی می شود. بردار وزن این مدل برای هر کدام از امضاهای طیفی حاضر در مجموعه انتخاب شده، با الگوریتم کمترین میانگین مربعات نرمالیزه شده (Normalized Least Mean Square: NLMS) تخمین زده می شود؛ به گونه ای که امضای طیفی هر ماده و بردار وزن متناظر با آن، یک زوج به شدت نامتعامد را تشکیل می دهند؛ درحالی که این بردار وزن بر امضای طیفی سایر مواد تقریبا عمود است. به منظور ارزیابی عملکرد الگوریتم پیشنهادی و مقایسه آن با الگوریتم های دیگر، از مجموعه داده فراطیفی و سنتزشده مبتنی بر فراکتال ها استفاده شده که برای همین منظور تهیه شده است. دو ویژگی مهم الگوریتم NLMS، یعنی مقاوم بودن و توانایی تشخیص سریع تغییرات پارامتر باعث می شود الگوریتم پیشنهادی نسبت به نویز و تغییرات طیفی، مقاوم و در مقایسه با الگوریتم های دیگر، عملکرد بهتری در نسبت های سیگنال به نویز (SNR) پایین داشته باشد.کلید واژگان: اختلاط طیفی، الگوریتم NLMS، تجزیه طیفی، تصاویر فراطیفی، کتابخانه طیفی، مدل خطیIn this paper, a novel adaptive algorithm for spectral unmixing in hyperspectral images (HSIs) is proposed. Many of the existing spectral unmixing algorithms, under the assumption of the linear model for the spectral mixing phenomenon, attempt to estimate the signatures of available materials in the observed HSI image. Then, based on the similarity between the estimated spectral signatures and the available spectral signatures in the spectral library, they identify the materials in the HSI and estimate their relative abundances. While the spectral library, as prior knowledge, has not been directly considered in the founding of existing algorithms, the proposed method is directly concentrated on the spectral signatures library. Assuming the linear spectral mixing model, the proposed method takes a set of spectral signatures which are probably present in the observed HSI. Then, based on a non-statistical approach, the normalized least mean square (NLMS) adaptive algorithm is engaged to estimate a weight vector for each spectral signature in the selected set in such a way that each weight vector and its corresponding spectral signature are non-orthogonal whereas the weight vector of each spectral signature is almost orthogonal to the other spectral signatures. A synthetic dataset of hyperspectral images is considered to evaluate the performance of the proposed method. The evaluation results show that the proposed method outperforms its counterparts in low signal to noise ratio (SNR).Keywords: Spectral Unmixing, hyperspectral images, Spectral Library, NLMS algorithm, Linear Spectral Mixing Model
-
هدف اصلی این مقاله، تشخیص وجودداشتن یا نداشتن طیف خالی براساس ویژگی ایستان گردشی سیگنال ها در یک محدوده وسیع فرکانسی است. با استفاده از یک سیستم فیلترینگ بسیار ساده، سیگنال هدف در بین سیگنال های دریافتی به شکل موثرتری (در صورت وجود) نسبت به دیگر سیگنال ها از فیلتر عبور می کند. فرکانس های گردشی سیگنال، برای اجرای الگوریتم وفقی کمترین میانگین مربعات نرمالیزه شده (Normalized Least Mean Squared-NLMS)، به کار گرفته می شوند. نمونه های فرکانسی انتقال یافته آن، از این الگوریتم برای تخمین سیگنال دریافتی استفاده می کنند. هنگامی که سیگنال مد نظر در سیگنال دریافتی وجود ندارد، اندازه ضرایب تخمین الگوریتم استفاده شده، تقریبا صفر است. ازطرف دیگر، در حضور سیگنال مد نظر، اندازه ضرایب تخمین به طور چشمگیری افزایش می یابد؛ بنابراین هنگامی که اندازه تخمین از یک سطح آستانه معین بالاتر است، مطابق روش پیشنهادی، فرض می شود که باند فرکانسی در نظر گرفته شده اشغال است. این روال در کل باند فرکانسی به صورت هم زمان و با انتخاب فیلترها و فرکانس های گردشی مناسب و یا به صورت پی در پی با تغییر موقعیت فرکانسی فیلتر و تغییر فرکانس های گردشی انجام می شود. به دلیل اتکای ساختار پیشنهادی به الگوریتمNLMS ، پیچیدگی و عملکرد الگوریتم پیشنهادی در مقایسه با روش های دیگر حسگری طیف مبتنی بر ویژگی ایستان گردشی سیگنال ها، بسیار اندک است.کلید واژگان: حسگری طیف، ایستان گردشی، باند وسیع، فرکانس گردشی، الگوریتم NLMSIn this paper a cyclostationaryâ-âbased wideband spectrum sensing method is proposed. The received signal passes through a rough and flexible filter with its effective band tuned to a specific part of the received signal spectrum. This part belongs to a target signal which potentially exists in the received signal. Some cyclic frequencies of the target signal are employed to derive a normalized least mean square (NLMS) adaptive algorithm that estimates the output of the filter from its frequency shifted samples. If the target is absent in the received signal, the norm of the weights of the NLMS algorithm is almost zero. On the other hand, in the case of presence of the target, the norm of the weights will be greater than a certain threshold. The procedure is repeated to cover the entire band of the received signal and therefore it detects all cyclostationary signals with known cyclic frequencies in the received signal. The overall system is very easy to implement and fast and its performance is comparable to other spectrum sensing counterparts.Keywords: Spectrum sensing, Cyclostationary, Wideband, Cyclic frequency, NLMS algorithm
-
This paper suggests an oracle normalized least-mean-square (NLMS) algorithm and a simple Bayesian detection NLMS impulse noise detection algorithm as an effective adaptive algorithm against impulsive noises. Initially, to have a fast algorithm, an optimization problem is introduced and then an oracle NLMS algorithm is devised. It has the largest reduction in misalignment error at each iteration with respect to the previous iteration. Oracle NLMS algorithm needs the values of impulse noises and hence is not practical. To have a practical variant of oracle NLMS algorithm, a simple Bayesian impulse noise detection NLMS algorithm is proposed. It is based on a MAP detection criterion and the impulse noise detection rule is proved to be a comparison of the absolute value of the error of the adaptive filter with a threshold and hence is very simple. Also, by assuming the sparsity of the impulse noises, the value of threshold is obtained via a simple statistical estimation. The simulation results in both dispersive and sparse system cases, show the effectiveness of the suggested algorithm in terms of convergence rate and complexity.Keywords: Adaptive filter, NLMS algorithm, impulsive noise
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.