Online data centering modifications for adaptive filtering with NLMS algorithm
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F16%3A00305511" target="_blank" >RIV/68407700:21220/16:00305511 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7727413" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7727413</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IJCNN.2016.7727413" target="_blank" >10.1109/IJCNN.2016.7727413</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Online data centering modifications for adaptive filtering with NLMS algorithm
Popis výsledku v původním jazyce
This paper presents method with two modifications how to transform data in real-time for better performance of normalized least mean squares (NLMS) algorithm. The method centers input vector for adaptive filter online according to temporary or historical statistical attributes of the input vector. The method is derived for an adaptive filter with NLMS adaptation. The filter implementation is the linear neural unit. The stability condition for the given filter is also presented. The filter is tested on multiple simulated time series contaminated with white noise. The convergence of the suggested algorithms is also analyzed and time complexity is discussed.
Název v anglickém jazyce
Online data centering modifications for adaptive filtering with NLMS algorithm
Popis výsledku anglicky
This paper presents method with two modifications how to transform data in real-time for better performance of normalized least mean squares (NLMS) algorithm. The method centers input vector for adaptive filter online according to temporary or historical statistical attributes of the input vector. The method is derived for an adaptive filter with NLMS adaptation. The filter implementation is the linear neural unit. The stability condition for the given filter is also presented. The filter is tested on multiple simulated time series contaminated with white noise. The convergence of the suggested algorithms is also analyzed and time complexity is discussed.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BC - Teorie a systémy řízení
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of International Joint Conference on Neural Networks 2016
ISBN
9781509006199
ISSN
—
e-ISSN
—
Počet stran výsledku
5
Strana od-do
1767-1771
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Vancouver
Datum konání akce
24. 7. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—