Você está na página 1de 29

Faculdade de Engenharia Eltrica e de Computao

IA353 Redes Neurais - Turma A

Reviso Bibliogrfica
Redes Neurais Artificiais para Filtragem Adaptativa e
Processamento de Sinais

Cibele Rene Coscione, RA 018707


Profs.: Leandro Castro & Fernando Von Zuben
1o semestre de 2003
30/04/2003

ndice
Redes Neurais Artificiais
1.1 Aplicaes
1.1.1 Processamento de Sinais
1.1.2 Processamento Digital de Sinais
1.1.2.1 Statistical Signal Processing
1.1.2.2 Discrete Time Signal Processing
1.1.2.3 Real-Time Signal Processing
1.1.2.4 Multirate Signal Processing
1.1.2.5 Array Signal Processing
1.1.2.6 Processamento Adaptativo de Sinais
1.1.2.6.1 Filtragem Adaptativa
1.1.2.6.1.1 Configuraes de Filtragem Adaptativa
1.1.2.6.1.1.1 Identificao de Sistemas Adaptativa
1.1.2.6.1.1.2 Cancelamento de Rudos Adaptativo
1.1.2.6.1.2 Algoritmos Adaptativos
1.1.3.1.1.1 Filtragem Adaptativa Linear
1.1.3.1.1.2 Filtragem Adaptativa No-Linear
1.1.2.6.1.3 Filtragem Adaptativa Supervisionada
1.1.2.6.1.4 Filtragem Adaptativa No -Supervisionada
1.1.2.6.1.4.1 Blind Source Separation
1.1.2.6.1.4.2 Channel Equalization
1.1.2.6.1.4.3 Blind Deconvolution
1.1.2.6.1.5 Varies de Filtragem Adaptativa
1.1.2.6.2 Classificao de Sinais
1.1.2.7 Aplicaes
1.1.2.7.1 Speech Enhancement
1.1.2.7.1.1 Reconhecimento de Voz
1.1.2.7.1.2 Speech Coding e Synthesis
1.1.2.7.2 Telecomunicaes
1.1.2.7.3 Processamento de Imagens e Vdeo
1.1.2.7.3.1 Reconhecimento de Imagens
1.1.2.7.3.2 Viso Computacional
1.1.2.7.4 Engenharia Biomdica
1.4 Tendncias

1) Redes Neurais Artificiais


Existem muitas definies diferentes para Redes Neurais Artificiais, algumas delas so:
... a neural network is a system composed of many simple processing elements
operating in parallel whose function is determined by network structure, connection
strengths, and the processing performed at computing elements or nodes. DARPA
Neural Network Study (1988, AFCEA International Press)
A neural network is a massively parallel distributed processor that has a natural
propensity for storing experiential knowledge and making it available for use. It
resembles the brain in two respects:
1. Knowledge is acquired by the network through a learning process.
2. Interneuron connection strengths known as synaptic weights are used to store
the knowledge. Haykin (1994)
A neural network is a circuit composed of a very large number of simple processing
elements that are neurally based. Each element operates only on local information.
Furthermore each element operates asynchronously; thus there is no overall system
clock. Nigrin (1993)
As caractersticas das Redes Neurais Artificiais as tornam ferramentas
poderosas para a resoluo de problemas conhecidos e tambm de problemas para os
quais outros paradigmas foram insuficientes. Dessa formas, as Redes Neurais
Artificiais podem ser encontradas nas mais diversas disciplinas e, portanto, constam
de inmeros papers e outras bibliografias.

REFERNCIAS

A
Anderson, J. A. (1995), An Introduction to Neural Networks, The MIT Press.

D
Dayan, P. and Abbot, L. F. (2001), Theoretical Neuroscience: Computational and Mathematical Modeling of
Neural Systems, The MIT Press.
de Castro, L. N. (1998), Analysis and Synthesis of Learning Strategies for Artificial Neural Networks (in
Portuguese), M.Sc. Dissertation, School of Computer and Electrical Engineering, State University of
Campinas, Brazil.

F
Fausett, L. (1994), Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice Hall.

H
Haykin, S. (1999), Neural Networks: A Comprehensive Foundation, 2nd Ed., Prentice Hall.
Hebb, D. O. (1949), The Organization of Behavior: A Neuropsychological Theory, New York: Wiley.
Hopfield, J. J. (1982), Neural Networks and Physical Systems with Emergent Collective Computational
Capabilities, Proc. of the Nat. Acad. of Sci. USA, 79, pp. 2554-2558.

K
Kohonen, T. (1984) Self-Organization and Associative Memory, Springer-Verlag (2nd Edition: 1988; 3rd edition:
1989), ISBN: 0-387-51387-6.
Kohonen, T. (1997) Self-Organizing Maps, 2nd Edition, Springer Verlag, ISBN: 3-540-62017-6

M
McClelland, J. L., Rumelhart, D. E. and the PDP Research Group (1986), Parallel Distributed
Processing: Explorations in the Microstructure of Cognition, Volume 2: Psychological and Biological Models,
The MIT Press.
McCulloch, W. and Pitts, W. H. (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of
Mathematical Biophysics, 5, pp. 115-133.
Minsky, M.L. (1988) The Society of Mind, Simon & Schuster, ISBN: 0-671-65713-5.
Minsky, M. L. and Papert, S. A. (1969), Perceptrons, MIT Press.

N
Nigrin, A. (1993), Neural Networks for Pattern Recognition, Cambridge, MA: The MIT Press.

R
Rosenblatt, F. (1958), The Perceptron: A Probabilistic Model for Information Storage and Organization in the
Brain, Psychological Review, 65, pp. 386-408.
Rosenblatt, F. (1962), Principles of Neurodynamics, Spartan Books.
Rumelhart, D. E., McClelland, J. L. and the PDP Research Group (1986), Parallel Distributed Processing:
Explorations in the Microstructure of Cognition, Volume 1: Foundations, The MIT Press.

W
Widrow, B. and Hoff, M. E. Jr. (1960), Adaptive Switching Circuits, WESCON Convention Record, 4, pp. 96-104.
Wiener, N. (1948), Cybernetics, New York: Wiley.

INTERNET CONTENT
Neural Networks FAQ (site excelente com comentrios sobre a bibliogrfica disponvel):
ftp://ftp.sas.com/pub/neural/FAQ.html
Artigos On-line da conferncia Neural Information Processing Systems (NIPS) :
http://nips.djvuzone.org/
Neural computation.
Neural Network World (issued by the Inst. of Computer Science of the Acad. Sci. of the Szech Rep.) :
http://www.uivt.cas.cz/nnw/

Site com informaes sobre Redes Neurais:


Martin Brown's Neuro Fuzzy Resources: http://www-isis.ecs.soton.ac.uk/people/m_brown.html
SBRN - Sociedade Brasileira de Redes Neurais:
http://www.sbrn.org.br

SOFTWARES PARA REDES NEURAIS


Existem muitos softwares disponveis que permitem a modelagem e simulao de Redes
Neurais Artificias. O Site ftp://ftp.sas.com/pub/neural/FAQ.html contm um resumo das
caractersticas de alguns dos engines disponveis.
Matlab Neural Networks Toolbox:
The MathWorks, MATLAB Neural Network toolbox, The MathWorks, Inc., Natick, MA, 1992.

Joone: Java Object Oriented Neural Engine (Engine em Java para Redes Neurais)
http://sourceforge.net/projects/joone

1.1)

Aplicaes
As Redes Neurais Artificiais representam uma tecnologia enraizada in muitas
disciplinas: neurocincia, matemtica, estatstica, fsica, cincia da computao e
engenharia. Redes Neurais encontram aplicaes em diversas reas como modelagem,
anlise de sries temporais, reconhecimento de padres, processamento de sinais e controle
em virtude de uma importante propriedade: a habilidade de aprender partir de dados de
entrada com ou sem um professor (Haykin, 1999)

1.1.1) Processamento de Sinais


Do ponto de vista da Engenharia, sinais so funes ou seqncias que servem para
transportar informao de uma fonte de mensagens a um destinatrio. As caractersticas especficas
dos sinais dependem do canal de comunicaes utilizado para este transporte. Um canal de
comunicaes definido pelo tipo de distoro que introduz nos sinais. Esta distoro pode ser: a)
determinstica no linear, exemplo: a limitao da banda de freqncia dos sinais; b) determinstica
no linear, exemplo: saturaes; ou aleatria, exemplo: presena de rudos.
Sinais so processados no lado transmissor com a finalidade de produzi-los e configura-los,
e no lado receptor para extrair a informao neles contida, se possvel com a mxima eficincia. Em
sistemas eletrnicos de comunicao a fonte geradora de informao, o canal de comunicao e o
destinatrio so elementos pr-definidos com caractersticas em geral muito bem especificadas,
como por exemplo, em sistemas de transmisso telefnica, de irradiao de sinais de radio ou de
televiso ou de deteco de alvos com radar ou sonar. Em outras situaes, como nos processos de
mediao em investigao cientifica, a fonte de mensagens e o canal de comunicaes podero estar
apenas parcialmente caracterizados. Sinais bioeltricos como o electrocardiograma (EKG), o
eletroencefalograma (EEG), o eletromiograma (EMG) ou o eletroneurograma (ENG) so estudados
h dcadas com a finalidade de se extrair informao sobre estados patolgicos de rgos. Os sinais
que constituem a voz humana codificam uma variedade de informaes: sobre a semntica do que
est sendo dito, sobre a identidade do locutor e at sobre o seu estado de esprito (Kovcs 1996).
Existem vrios tipos de processamento possveis sobre diferentes tipos de sinal. Um dos
tipos de processamento cujo potencial tem sido bastante explorado e cuja tendncia de
crescimento, o Processamento Digital de Sinais. Outros tipos ou sub-tipos de processamentos
tambm so abundantes na literatura e surgiram partir das necessidades de muitas disciplinas e
aplicaes. Alguns desses tipos de processamento so: Array Signal Processing, Multirate Signal
Processing, Polinomial Signal Processing, Real-Time Signal Processing, Discrete Time Signal
Processing, Multi Dimensional Signal Processing e Statistical Signal Processing, entre outros.
Muitos desses processamentos so ocorrem sobre sinais digitais.

REFERNCIAS

H
Haykin, S., (Ed) (1985), Array Signal Processing, Prentice Hall.
Haykin, S., (Ed) (1989), Selected Topics In Signal Processing, Prentice Hall.

Keywords: signal processing, digital speech, systolic array, beamforming, image processing, edge
extraction, biomedical, radar
Holland, J.H. (1992), Adaptation in Natural and Artificial Systems, MIT Press.

C
Cichocki, A. and Unbehauen, R. (1993). Neural Networks for Optimization and Signal Processing.
NY: John Wiley & Sons.

K
Kellermann, W. (1988), Analysis and design of multirate systems for cancellation of acoustical echoes. Proc.
IEEE ICASSP, pp. 25702573.
Key words. acoustical echoes, multirate systems.

Kovcs, Z.L. (1996), Redes Neurais Artificiais: Fundamentos e Aplicaes. Collegium Cognitio.

O
Orfanidis, S.J. (1985), Optimum Signal Processing: An Introduction. New York: Macmillan.

INTERNET CONTENT
Sites do 3rd International Symposium on Image and Signal Processing and Analysis ISPA 2003
Setembro 18-20, 2003, Rome, Italy:
http://www.isispa.org/

1.1.2) Processamento Digital de Sinais


OProcessamentoDigitaldeSinais(DigitalSignalProcessingDSP),distinguisedeoutras
reasnainformticapelotiponicodedadosutilizados: sinais.Namaioriadecasos,estessinais
originamse como dados sensoriais do mundo real: vibraes ssmicas, imagens visuais, ondas
sonoras,etc.DSPamatemtica,osalgoritmos,eastcnicasusadasparamanipularestessinais
depoisqueforamconvertidosemumaformadigital.Istoincluiumavariedadeampladeobjetivos,
como:realcedeimagensvisuais,reconhecimentoegeraododiscurso,compressodosdadospara
oarmazenamentoetransmisso,etc.AsrazesdeDSPsodos60e70emqueoscomputadores
digitaissetornaramprimeiramentedisponveis.Oscomputadoreseramcarosduranteestaera,eo
DSPfoilimitadosomenteaalgumasaplicaescrticas.
ODSPtradicionalbaseadoemalgoritmos,manipulandodadosdeumformatoparaoutro
atravsdeprocedimentospassoapasso.Estetipodetcnicarealizaoperaessobreparmetrosdo
sistemasendoqueaseleoadequadadosparmetrostempapelfundamental,dessaforma,asredes
neuraistornamseideaisparaaotimizaodessesparmetros.

REFERNCIAS

B
7

Bellanger, M. (1980,) Digital Processing of Signals - Theory and Practice, Willey, 1980.

I
Ibnkahla M., Puechmorel S., e Castanie F. (1994), A constrained neural network with complex activation
function : application to time-frequency analysis, IEEE ICASSP , Adelaide, Australia , pp II-545-II-548.

J
Johnson, D.H, Shami, P. N. (Outubro - 1993), The Signal Processing Information Base. IEEE Signal
Processing Magazine, pp. 36-42.

Jackson L.B. (1986), Digital Filters and Signal Processing, Kluwer Academic Publisher.

M
Marino, C., Sarajedini, A. e Chau, P., Reduced Complexity FPGA-Based Digital Signal Processing for
Adaptive Beam-forming. IEEE World Congress on Computational Intelligence, Anchorage Alaska, 1998

O
Oppenheim A.V. e Schafer, R.W. (1989), Discrete Time Signal Processing, Prentice Hall, 1989.
Oppenheim A.V. e Schafer, R.W. (1975), Digital Signal Processing, Prentice Hall, 1989.

P
Proakis, J.G. e Manolakis, D.G. (1995), Digital Signal Processing: Principles, Algorithms and Applications,
(3 Edio), Prentice Hall.

S
Saeed V. Vaseghi (2000), Advanced digital signal processing and noise reduction, 2 Edio, Chichester,
New York : John Wiley.
Sekey.A. (Outubro - 1992), Multimedia Self-study Courses in DSP and Speech Processing, IEEE Signal
Processing Magazine, pp. 36-42.
Shanbhag, N.R. and Parhi, K.K. (1994), Pipelined Adaptive Digital Filters, Kluwer Academic, Netherlands.

Z
Zelinger, G. and Taylor, F.J. (1994), Advanced Digital Signal Processing Theory and Application, Marcel
Dekker, NY.

INTERNET CONTENT
Steven W. Smith (1997), The Scientist and Engineer's Guide to Digital Signal Processing, on-line book:
http://www.dspguide.com/pdfbook.htm
Adaptive Digital Signal Processing JAVA Teaching Tool:
http://www.eee.strath.ac.uk/r.w.stewart/adaptivejava/begin.htm
FAQs (Frequently asked questions with answers) on digital signal processing

http://www.bdti.com/faq/dsp_faq.htm

1.1.3) Statistical Signal Processing

REFERNCIAS

K
Steven M. Kay (1999), Fundamentals of Statistical Signal Processing: Detection Theory Volume II, PrenticeHall.

1.1.4) Discrete Time Signal Processing


Ao contrario do Processamento em Tempo-Real, o Processamento de sinais em
tempo discreto assume a discretizao apenas do eixo do tempo e a amplitude do sinal
assumida como sendo um valor contnuo. A teoria de Processamento de Sinais em tempo
discreto encontra-se bastante desenvolvida e pode ser utilizada como modelos lineares
determinsticos.

REFERNCIAS

O
Oppenheim, A.V., Schafer, R.W. e Buck, J.R. (1999), Discrete-Time Signal Processing, Prentice-Hall.

1.1.5) Real-Time Signal Processing


Um sistema de Processamento de Sinais Digital em tempo-real processa dados que
so discretos no tempo e amplitude, e o sistemas DSP freqentemente requisitado a
minimizar atrasos entre a entrada e sada dos sinais. Muitos dos sistemas DSP em
desenvolvimento so utilizados para aplicaes em tempo-real (rdios, processamento de
vdeo e udio e controle automotivo).

REFERNCIAS

D
Donald B. Malkoff, A Neural Network for Real-Time Signal Processing, (NIPS 2)

I
Izquierdo,M. A.G., Anaya, J.J., Martnez, O., Ibanez, A (1999), Multi-pattern adaptive inverse filter for realtime deconvolution of ultrasonic signals in scattering media, Sensors and Actuators A: Physical, Volume 76,
n 1.

1.1.6) Multirate Signal Processing


Em sistemas single-rate, apenas uma nica taxa de amostragem utilizada no
processamento de sinais, por outro lado, em sistemas multirate a taxa de amostragem
modificada pelo menos uma vez.
9

REFERNCIAS

C
Crochiere, Ronald E. and Rabiner, Lawrence R. (1993), Multirate Digital Signal Processing, Prentice-Hall.

V
Vaidyanathan, P. P. (1993), Multirate Systems and Filter Banks. Englewood Cliffs, NJ: Prentice-Hall.

V
Wornell, G. W. (1996), Emerging Applications of Multirate Signal Processing and Wavelets in Digital
Communication. Proceedings of the IEEE, Vol. 84, No. 4.
Key words. Channel coding e modulaton, recent development,. emerging potential applications

1.1.7) Array Signal Processing


Este tipo de processamento est associado ao processamento de sinais originados de arrays
de sensores.

REFERNCIAS

H
Haykin, S., (Ed) (1985), Array Signal Processing, Prentice Hall.
Harry L. Van Trees (2002), Optimum Array Processing (Detection, Estimation, and Modulation Theory, Part
IV), John Wiley & Sons

J
Johnson D.H., Dudgeon, D.E. (1993), Array Signal Processing: Concepts and Techniques, Prentice Hall

1.1.2.1.1

Processamento de Sinais Adaptativo

O DSP tem desempenhado um papel muito importante nos avanos tcnicos atuais em reas
como filtragem de rudo, identificao de sistemas e predio de voz. No entanto, tcnicas padro
de DSP no so suficientes para resolver tais problemas de maneira rpida e com resultados
aceitveis. Tcnicas de Filtragem Adaptativa devem ser implementadas a fim de promover solues
mais precisas e em menor tempo para essas solues.

REFERNCIAS

A
Alexander, S. T., (1986) Adaptive Signal Processing: Theory and Applications. New York: Springer-Verlag.

10

Astrom, K.J., Wittenmark, B. (1988), Adaptive Systems in Control and Signal Processing, Proc. IFAC
Workshop Sweden, Pergamon Press.

C
Clarkson, P.M. (1993), Optimal and Adaptive Signal Processing, CRC Press, Boca Raton.

D
Dugard, L. et al (Eds.), Adaptive Systems in Control and Signal Processing ,(IFAC Symposium), Pergamon,
N.Y., 1993.

F
Farhang-Boroujeny, B. (ed.) (1998), Adaptive Filters Theory and Applications, J. Wiley.

G
Gilloire, A.e Vetterli, M. (1992), Adaptive filtering in subbands with critical sampling: Analysis, experiments
and application to acoustic echo cancellation.IEEE Trans. Signal Processing, vol. 40, pp. 18621875.
Goodwin, G.C. e Sin, K.,S. (1984), Adaptive Filtering Prediction and Control, Prentice-Hall, Englewood
Cliffs.

H
Holland, J.H. (1992), Adaptation in Natural and Artificial Systems, MIT Press.

J
Jenkins, Kenneth, W., Hull, Andrew, W., Strait, Jeffrey, C., Schnaufer, Bernard A., Li, Xiaohui (1996),
Advanced Concepts in Adaptive Signal Processing, Kluwer Academic Publishers, Boston.

K
Kellermann, W. (1988), Analysis and design of multirate systems for cancellation of acoustical echoes. Proc.
IEEE ICASSP, pp. 25702573.
Kenneth, J.W. (1996), Advanced Concepts in Adaptive Signal Processing, Kluwer Academic.
Kalouptsidis, N. e Theodoridis, S. (1993), Adaptive System Identification and Signal Processing Algorithms.
Prentice-Hall.

M
Messerschmitt, D. G. (1984), Echo cancellation in speech and data transmission. IEEE J. Select. reas.
Commun, vol. SAC-2.

11

W
Widrow, B. (1975) et al., Adaptive noise cancellation: Principles and applications.
Proc. IEEE, vol. 63, no. 12, Dec. 1975.
Widrow,B. and Stearns, S.D. (1985), Adaptive Signal Processing, Prentice Hall, Engelwood Cliffs.

Y
Yasukawa, H., Shimada, S., e Furukawa, I. (1987), Acoustic echo canceler with high speech quality. Proc.
IEEE ICASSP, 1987, pp. 21252128.

1.1.2.2 Filtragem Adaptativa


Filtragem Adaptativa um ramo do Processamento de Sinais Digitais que permite a melhora
seletiva dos elementos desejados de um sinal e a reduo de elementos indesejveis. A finalidade
geral filtrar o sinal de entrada de modo que se assemelhe (em algum sentido) entrada de sinal
desejada. Assim, o sinal de erro a diferena entre o sinal desejado e o sinal de sada. Esta diferena
realimentada ao processo adaptvel que avalia a "similaridade" entre os dois sinais de acordo com
algum critrio do desempenho e modifica a resposta de freqncia do filtro ao aumento que
similaridade.
Segundo Haykin (1999), o desenvolvimento da filtragem adaptativa deve muito ao paper
clssico de Widrow e Hoff (1960) devido ao pioneirismo do algoritmo Lease-Mean-Square (LMS),
tambm conhecido como regra delta, uma vez que tal algoritmo representa o cavalo de fora da
filtragem adaptativa linear. Filtros Adaptativos tm sido aplicados com sucesso em reas como
antenas, sistemas de comunicao, sistemas de controle, radares, sonares, sismlogos e Engenharia
Biomdica (Widrow e Stearns, 1985; Haykin, 1996).

figura 1: Modelo Genrico de Filtragem Adaptativa


Onde:
xk: Input signal
dk: Desired signal
yt : Output signal
ek: Error signal
12

REFERNCIAS

B
Bellanger, M.G. (1987), Adaptive Digital Filters and Signal Analysis, Marcel Dekker, N.Y.

C
Cowan, C.F.N. and Grant, P.M.,(Ed.), Adaptive Filters, Prentice Hall, Engelwood Cliffs, N.J., 1985

D
Diniz, P.S.R. (1997), Adaptive Filtering Algorithms and Practical Implementation, Kluwer Academic.

H
Haykin, S. (1996), Adaptive Filter Theory, Prentice Hall, Third Edition.
Honig, Michael L., Messerschmitt, David G. (1984), Adaptive Filters, Structures, Algorithms and
Applications, Kluwer Academic Publishers, Boston.
Horvth, G. e R. Dunay (1994), Application of Neural Networks for Adaptive Filtering for Systems with
External Feedback Paths, Proc. of the Int. Conf. on Signal Processing Applications & Technology
ICSPAT'94, Dallas, Texas, USA, pp.1222-1227.

M
Mathews, Adaptive Filters, Prentice Hall

P
Pataki, B. (1992), Neural Network Controlled Adaptive Filters. Periodica Polytechnica Ser. Electrical
Engineering, Vol.36. No.3-4, pp.215-226.

T
Treichler, J. R., Johnson, C. R. Jr., e Larimore, M. G. (2001), Theory and Design of Adaptive Filters, Prentice
Hall.

V
Vaidyanathan, P. P. (1993), Multirate Systems and Filter Banks. Englewood Cliffs, NJ: Prentice-Hall.

W
Widrow, B. e Winter, R.(2001), Neural Nets for Adaptive Filtering and Adaptive Pattern Recognition,
IEEE, pp. 25-39.
13

Key words: adaptive linear combiner, signal processing, pattern recognition, adaptive pattern recognition

Widrow, B. e Stearns,S.D.(1985), Adaptive signal processing, Englewood Cliffs, N.J. : PrenticeHall.

1.1.1.2 Configuraes da Filtragem Adaptativa


Existem quatro principais configuraes de filtros adaptativos: Identificao de Sistemas
Adaptativa (geralmente utilizada para identificao de canais para sistemas de classificao),
Cancelamento de Rudos Adaptativo (que podem ser utilizados, por exemplo, em fones de
ouvido), Predio Linear Adaptativa e Inverso de Sistemas Adaptativa. O algoritmo
implementado por cada uma das configuraes bastante similar. Todas elas possuem um sinal
de entrada, o resultado desejado, uma sada (do filtro), uma funo de transferncia adaptativa
(conjunto de pesos), e um sinal de erro. A Identificao de Sistemas e a Inverso de sistemas
podem tambm ter um sistema linear desconhecido que recebe uma entrada e produz uma sada
utilizada no algoritmo iterativo (Honig 1984).

REFERNCIAS
1.1.1.2.1 Identificao de Sistemas Adaptativa
A Identificao de Sistemas Adaptativa responsvel pela determinao de uma estimativa
discreta da funo de transferncia para um sistema desconhecido digital ou analgico. A mesma
entrada aplicada para o filtro adaptativo e para o sistema desconhecido a partir dos quais a sada
comparada. A sada do filtro subtrada da sada do sistema desconhecido resultando no sinal
desejado. A diferena resultante um sinal de erro usado para manipular os coeficientes do filtro do
sistema adaptativo. Aps um nmero de iteraes, a funo de transferncia do filtro adaptativo
convergir para a funo de transferncia do sistema desconhecido (Haikyn 1996).

REFERNCIAS

C
Chen, S, Billings, S. A. e Grant, P. M. (1990) Non-linear system identification using neural networks.
International Journal of Control 51:1191-1214.

D
Davies, W.D.T, System Identification for Self-Adaptive Control, John Wiley & Sons, (1970)

H
Horvth,G.,R.DunayandB.Pataki(1996),RecurrentCMAC:APowerfulNeuralNetworkforSystem
Identification,Proc.oftheIEEEInstrumentationandMeasurementSocietyConference,IMTC/96,Brussels,
Belgium,June46,Vol.2,pp.992997.
Key words: adaptive filter, system identification

14

K
Kalouptsidis,N.eTheodoridis,S.(1993),AdaptiveSystemIdentificationandSignalProcessingAlgorithms
(PrenticeHallInternationalSeriesinAcoustics,SpeechandSignalprocessing)

1.1.1.2.2.

Cancelamento de Rudos Adaptativo

OCancelamentodeRudosAdaptativoutilizadopararemoverorudodebackgroundde
sinaisteis.Estaumatcnicaextremamentetilondesinaisestorodeadosporambientesmuito
ruidosos,sendoempregadaemdiversasaplicaes,daaviaoadiagnsticosmdicos.
Nessaconfiguraoaentradaruidosacomparadacomosinaldesejadoqueconsisteemum
sinalcorrompidoporoutrorudo.Oscoeficientesdofiltroadaptativoadaptamsedeformaqueo
sinaldeerrosejaaversosemrudodosinal.

REFERNCIAS

E
Elliot, S. J. e Nelson, P. A., Active Noise Control. IEEE Signal Processing Magazine, pp.12-35, Outubro
1992
Key words: noisy canceling, active noise, noise control

K
Kong H., Guan,L., Detection and Removal of Impulse Noise by a Neural Network Guided Adaptive Median
Filter, IEEE Procedings of International Conference on Neural Networks, Perth, Australia, 1995
Key words: Adaptive Median filter, noise in images, image integrity

K.S.M. Fung, F.K. Lam, F.H.Y Chan, P.W.F. Poon, J.G. Liu, Adaptive Neural Network Filter for Visual
Evoked Potential Estimation , IEEE Procedings of International Conference on Neural Networks, Perth,
Australia, 1995
Key words: visual evoked potential, eletroencephalogram, non-linear behaviour, adaptive filter

M
Marc M. Van Hulle , Learning Rate Adaptation Achieved in Unsupervised Competitive Learning: An
Application to Noise Cancelling, IEEE Procedings of International Conference on Neural Networks, Perth,
Australia, 1995
Key words: noise canceling, competitive learning

W
Widrow, B. et al., Adaptive Noise Cancelling: Principles and Applications. Proceedings of the IEEE, pp.
1692-1716, Dezembro 1975
Key words: adaptive filter, noise canceling, applications of noisy canceling filtering

15

1.1.1.2.1 Algoritmos Adaptativos


Os Algoritmos Adaptativos para filtros digitais podem ser divididos em trs gupos: least
mean squares (LMS), least squares (LS) e algoritmos cegos.

REFERNCIAS

S
Solo, V. and Kong, X.(1995), Adaptive Signal Processing Algorithms, Stability and Performance, Prentice
Hall.

least mean squares (LMS)


Segundo Haykin (), o sucesso dos filtros adaptativos em muitos problemas prticos de
processamento de sinais se deve em grande parte a algoritmos baseados no uso do gradiente, tais
como o Least Mean Square (LMS). O LMS o algoritmo mais largamente utilizado e tambm o
mais barato dos algoritmos para filtragem adaptativa.
Como em qualquer algoritmo adaptativo, o LMS baseia-se na otimizao de um certo valor.
Neste caso, o valor o Erro Quadrtico Mdio e este objetivo atingido atravs do ajuste dos
valores dos pesos do filtro.

REFERNCIAS

M
Michael, K. N. e Robert J. Plemmons, LMS-Newton Adaptive Filtering Using Based Conjugate Gradient
Iterations, Electronic Transactions on Numerical Analysis.Volume 4, pp. 14-36, Maro 1996.
Key words: LMS-Newton adaptive filter algorithm, finite impulse response, Toeplitz matrix, circulant matrix,
preconditioned conjugate gradient method, fast Fourier transform.

T
Tanrikulu, O. e Constantinides, A.G. (1994), Least-mean kurtosis: a novel higher-order statistics based adaptive
filtering algorithm, Electronics Letters, 30, pp. 189190.

W
Widrow, B., McCool, J. M., Larimore, M. G. and Johnson, Jr. C. R.1976. Stationary and nonstationary
learning characteristics of the LMS adaptive filter, Proceedings of the IEEE, vol. 64, pp.1151-1162.

least squares (LS)


Diferentemente do LMS, O algoritmo least-squares tem por objetivo a minimizao da
soma ponderada dos erros quadrticos. Existem variaes como o RLS que leva em contam
tambm as somas ponderadas obtidas anteriormente.

REFERNCIAS
16

B
Buyurman B., e Anthony G. Constantinides, Underdetermined-Order Recursive Least-Squares Adaptive
Filtering: The Concept and Algorithms. IEEE Transactions On Signal Processing, VOL. 45, N. 2, Fevereiro
1997

M
Macchi, O. (1994), Adaptive Processing: The Least Squares Approach with Applications in Transmission, J.
Wiley.

Blind Algorithms
Os Algoritmos Cegos recebem este nome pois no fazem uso de conhecimento sobre o sinal
transmitido. Uma classe popular de blind algorithms o decision directed. Existem tambm
implementaes que fazem uso de algoritmos semi-blind que geralmente so utilizados em conjunto
com treinamento.
1.1.1.2 Filtragem Adaptativa Linear
Filtros adaptativos lineares computam um estimado da resposta desejada utilizando uma
combinao linear dos sinais de entrada.

REFERNCIAS

J
John, F. M. e Kabal, P. (Junho - 1988), Nonlinear Adaptive Filtering for echo Cancellation, Proc. IEEE Int.
Conf. Communications, Philadelphia, PA, pp 30.3.1-30.3.6.

K
Kalman, R.E. (1960), A New Approach to Linear Filtering and prediction problems, Trans, ASME, L Basic
Eng., vol 82, pp. 35-40

N
Nerrand, O., Roussel-Ragot, P., Personnaz, L., Dreyfus, G., Marcos, S. (1993), Neural Networks and
Nonlinear Adaptive Filtering: Unifying Concepts and New Algorithms, Neural Computation 5: 165-199.
Nerrand, O., Roussel-Ragot, P., Personnaz, L., Dreyfus, G., Marcos, S. , Neural Networks Training
Schemes for Non-Linear Adaptive Filtering and Modelling, Neural Computation 5: 165-199.

1.1.1.2.1 Filtragem Adaptativa No-Linear

REFERNCIAS
17

H
Haykin, S. (Editor) (2000), Unsupervised Adaptive Filtering: Blind Deconvolution, Volume 1, Wiley.
Haykin, S., Yee, P. and Derbez, E. 1997. Optimum nonlinear filtering, IEEE transactions on signal
processing, vol.45, pp. 2774-2786

1.1.1.2 Filtragem Adaptativa Supervisionada


A Filtragem Adaptativa Supervisionada, tambm chamada training-discret signal extraction
(1) envolve as fases de treinamento e teste.

REFERNCIAS

R
Reed, J. H. (1989), Adaptive Filter Technology, Defense Eletronics, pp. 83-90

1.1.1.2 Filtragem Adaptativa No-Supervisionada


Pesquisas recentes em processamento de sinais envolvem adaptao no-supervisionada,
que encontra muitos mtodos de anlise e compresso de imagens. O conceito de Filtragem
Adaptativa No-Supervisionada esta relacionada ao conceito de auto-organizao em redes neurais.

1.1.1.2.1 Blind Source Separation


No BBS, sinais observados em mltiplos sensores so assumidos como sendo o resultado de uma
combinao de sinais fonte e uma mixing matrix. Existem muitas aplicaes potenciais para o blind source
separation na cincia e tecnologia, especialmente em comunicao sem fio, diagnsticos mdicos,
explorao geofsica e realce de imagens/reconhecimento (como reconhecimento facial).

1.1.1.2.2 Channel Equalization


Quando sinais so transmitidas atravs de canais de comunicao sem fio, eles so
corrompidos por rudos prejudicando a velocidade de transmisso dos dados. Conseqentemente,
um problema importante nas comunicaes sem fio a equalizao de canais.
1.1.1.2.2 Blind Deconvolution
Blind Deconvolution uma tcnica que permite a recuperao de objetos alvo a partir de um
conjunto de imagens borradas na presena de uma funo de disperso de pontos (PSF)
desconhecida ou pobremente determinada .

REFERNCIAS
An Rbf Network Method For Blind Signal Separation, Proceedings of the 2002 International Joint
Conference on Neural Networks IJCNN02, 2002, Honolulu, Hawaii

18

A
Albu, F., Mateescu, A., Mota, J.C.M e Dorizzi, B. (1998), Adaptive Channel Equalization Using Neural
Network, ITS 98 Proceedings, vol. 2, pp 438- 441, 1998.

C
Cichocki,A.,Karhunen, J., Kasprzak, W., Vigario, R. (1999): Neural Networks for Blind Separation
with Unknown Number of Sources, Neurocomputing, Elsevier, NL, vol. 24, 55-93.

H
Haykin S., Unsupervised Adaptive Filtering, Volume 1: Blind Source Separation, 2000, Wiley.
Haykin, S. (Editor) (2000), Unsupervised Adaptive Filtering Volume 2 : Blind Deconvolution, Volume 2,
Wiley.

S
Simard,P.Y., Bottou L., Haffner, P. e Cun Y.L. , Boxlets: A Fast Convolution Algorithm for Signal
Processing and Neural Networks, NIPS 11.

U
Uncini, A., Capparelli,F., Piazza, F. (1998), Fast Complex Adaptive Spleen Neural Networks for
Digital Signal Processing, Procedings of IEE World Congress on Computacional Inteligence.
Anchorage Alaska, 1998
Outras Variaoes da Filtragem Adaptativa
Conforme a necessidade dos problemas a serem resolvidos, outras formas mais especficas
de filtragem podem ser empregadas. Algumas delas so: multilayer, multiresolution, multichanel e
subband adaptive filtering.

REFERNCIAS

B
Bradford, W. G., Henrique, S. M. e Dinei, A. F., Speech Dereverberation Via Maximum-Kurtosis Subband
Adaptive Filtering, Department of Electrical Engineering, University of Washington, Seattle, Microsoft
Research.

C
Chin, W. H., e FarhangBoroujeny, B., Subband Adaptive Filtering with RealValued Subband Signals for
Acoustic Echo Cancellation

D
Darlington, D. J., e Campbell, D.R. (1996), SubBand Adaptive Filtering Applied To Speech Enhancement,
ICLSP, pp. 921 924.

F
19

Faraj, Z., Ibnkahla, M., Castanie, F., Muli-layer adaptative filtering, Proc. of 6th SSAP Workshop, Victoria
Canada, Outubro 1992, pp. 58-61.
Faraj, Z., Castanie, F., Muli-layer adaptative techniques and their applications, Control and Dynamic
Systems, Academic Press.

G
Gilloire e Vetterli, M. , Adaptive Filtering in Subbands with Critical Sampling: Analysis, Experiments, and
Application to Acoustic Echo Cancellation. IEEE Trans. Sign. Proc. Vol.40, No.8, Agosto - 1992.

I
Ibnkahla, M., Faraj, Z., Castanie, F., Hoffmann, J. C., Statistical analysis of a 2-D input multi-layer linear neural
network, International Vigo Workshop On Adaptive Methods And Emergent Techniques For Signal Processing And
Communications Vigo, Espanha, Junho 16-18, 1993.

Ibnkahla, M., Faraj, Z., Castanie, F., Multi-layer adaptive filters trained with back propagation: a statistical
approach, Signal Processing, Vol. 40, Outubro 1994, pp. 65-85.
Itoh, Y., et al. (1985), An acoustic echo canceler for teleconference, Proc. IEEE ICC, pp. 14981502.

P
Parlos, A.G. e Kyusung Kim (2002), Model-Based Incipient Fault Diagnosis - Multi-Step Neuro-Predictors
and Multi-Resolution Signal Processing , Proceedings of the 2002 International Joint Conference on Neural
Networks IJCNN02, Honolulu, Hawaii

S
Sandeep, S. P., Reddy, V. U., A New Approach to Subband Adaptive Filtering., IEEE Transactions On Signal
Processing, Vol. 47, No. 3, Maro 1999 .
Keywords. Acoustic echo cancellation, adaptive filtering, subband filtering.

1.1.7.1.

Classificao de Sinais
A classificao de sinais, tambm referenciada na literatura como classificao de
padres, realiza a classificao dos sinais na sada da rede neural em categorias. Este o
caso de muitas aplicaes, como por exemplo, da tentativa de diagnosticar condies
cardacas patolgicas a partir de traados de EKG (eletrocardiograma).
Os passos associados a esse tipo de classificao de sinais passam, entre outros, pela
busca de uma parametrizao adequada, escolha de um conjunto de sinais representativos
para treinamento do classificador e avaliao de seu desempenho com conjuntos de
validao.
Os problemas de classificao de sinais geralmente envolvem um pr-processamento
ou filtragem, sendo esta uma rea de intensa atividade. Kovcs (1996)

REFERNCIAS

20

B
Bishop, C. M., Neural Networks for Pattern Recognition, Oxford University Press, 1995.
Keywords:Mostusedneuralnetworksforpracticalapplications,parameteroptimizationalgorithms

D
Richard, D. e Lippman R. P.(1991), Neural Network classifiers estimate Bayesian a posteriori probabilities,
Neural Computation, no 3, pp 461-483.
Keywords: datapreprocessing,eBayesianmethod,classification

F
Flores, E. I., Oliveira, A. S.., A System Of Classification Of Eletrocardiographic Signals For Detection Of
Abnormalities Of The Cardiac Conduction System Using Artificial Neural Networks, Department of
Electrical Engineering, University of Uberlndia, Brazil.
Keywords: eletrocardiographic signals, artificial neural networks, backpropagation algorithm, feedforward structure

INTERNET CONTENT
http://www.spd.eee.strath.ac.uk/~interact/AF/aftutorial/adfilindex.html
1.1.7.2.

Aplicaes
As aplicaes das Redes Neurais Artificiais para Filtragem Adaptativa e Processamento de
Sinais tem crescido muito juntamente com a necessidade de processamento de sinais
digitais. As aplicaes entendem-se para reas como: telecomunicaes, multimdia,
modems, compresso e descompresso, processamento de udio e imagens.

1.1.3.3.6.1 Speech Enhacement


O processamento de voz tem sido amplamente realizado com inmeras finalidades, entre
elas, podemos citar: reconhecimento, codificao e sntese. A melhoria do sinal de voz esta
diretamente ligada existncia de rudos.
Reconhecimento de voz
Reconhecimento de voz o processo atravs do qual um computador mapeia um sinal acstico de
voz para texto.

REFERNCIAS

A
Allen, J., (1985), A Perspective on Man-Machine Communication by Speech, Proceedings of the IEEE, vol.
73, n11, pp. 1541-1550.

B
Bourlard, H.A., and Morgan, N. (1994), Connectionist Speech Recognition: A Hybrid Approach, Boston:
Kluwer Academic Publishers.

21

D
Deketelaere, S., Deroo, O., e Dutoit, T. (2001), Speech Processing for Communications : what's new?,
Revue HF, March 2001, pp. 5-24.

F
Fontaine, V., Ris, C., Leich, H. (1996), Nonlinear Discriminant Analysis with Neural Networks for Speech
Recognition, Proc. EUSIPCO 96, pp 1583-1586, Trieste.

J
Jiang, W. e Malvar, H. (Julho 2000), Adaptive Noise Reduction of Speech Signals, Microsoft Research
Technical Report, MSR-TR-2000-86.

N
Nokas, G., Dermatas, E. e Kokkinakis, G., On The Robustness Of The Critical-Band Adaptive Filtering
Method For Multi-Source Noisy Speech Recognition, Electrical & Computer Engineering Dept.
University of Patras, Greece.

W
Wan, E. A., van der Merwe, R., Noise-Regularized Adaptive Filtering For Speech Enhancement
Waibel, A., Hanazawa, T., Hinton, G., Shikano, K., Lang, K. J. (1989) , Phoneme recognition using timedelay neural networks. IEE Trans. On Acoustics. Speech and Signal Processing, vol. 37, n 3

Speech Coding e Speech Syntesis


Speech coding um ramo dos mais desenvolvidos no Processamento de Sinais. A
codificao de voz a compresso de voz (em cdigo) para transmisso usando processamento de
sinais de udio e tcnicas de processamento de voz.

REFERNCIAS

A
Allen, J., (1985), A Perspective on Man-Machine Communication by Speech, Proceedings of the IEEE, vol.
73, n11, pp. 1541-1550.
Atal, B.S. (1982), A new model of LPC excitation for producing natural sounding speech at low bit rates,
ICASSP 1982

C
Callot, I., Zarader, J. L. et Milgram, M., Dynamic neural network using weights transformation, application
to speaker identification, International Conference on Artificial Neural Networicial Neural Networks
(ICANN'95), Paris, Octobre 1995, pp 9-13.

G
Gas, B., Zarader, J. L., Chavy, C., A new approach to speech coding: the Neural Predictive Coding; Journal
of Advanced Computational Intelligence, Vol 4, n1, Janvier 2001, pp 120-127.

22

L
Lawrence, S., Lee G. C., The Gamma MLP for Speech Phoneme Recognition, (NIPS 8)

INTERNET CONTENT
Atal.S., Speech Coding, http://cslu.cse.ogi.edu/HLTsurvey/ch10node4.html (escrito em 1991)
Bell Labs:

http://www.bell-labs.com/project/tts/voices.html

23

Telecomunicaes
Um dos ramos que mais tem se beneficiado com a utilizao de Redes Neurais no
Processamento de Sinais e Filtragem. Algumas das aplicaes mais estudas so: radares, antenas,
satlites e telefones mveis.

REFERNCIAS

B
Bouchired, S., Ibnkahla, M., Castanie, F., M., Roviras (1998), Equalization of satellite mobile
communication channels using combined self-organizing maps and RBF networks, IEEE International
Conference on Acoustics, Speech and Signal Processing (ICASSP'98), Seattle (USA), Mai 1998, pp. 33723380.

C
Castanie F., Roviras, D., Ibnkahla,M. (1997), The Neural Network adaptive systems : impacts on satlellite
mobile communications, Invited Paper, IEEE Colloquium 'EU's Initiatives in Satellite Communications,
London.
Castanie, F., Ibnkahla, M., Roviras, D. (1997), Techniques Neuronales et communications avec les mobiles,
Confrence invite, Confrence franco-russe Dynamique des Systmes complexes. ENSEEIHT, Toulouse.
Compton, R.T., Adaptive Antennas: Concepts and Performance, Prentice Hall, 1988.

I
Ibnkahla, M., Castanie, F. (1996), Neural network identification of digital satellite channels : the adaptative
non linear enhancer, IEEE Internationl Conference on Neural Networks, ICNN'96, Washington D.C. - Junho
1996
Ibnkahla, M., Castanie, F. (Outubro - 1994), Vector neural networks: A new tool for digital satellite
communications, Invited Conference, International Workshop on Adaptive Methods and EmergentTechniques
for Signal Processing and Communications, Vigo, SPAIN, pp 237-241
Ibnkahla, M., Castanie, F. (Janeiro 1996) , Neural networks for signal processing and communications: Overview
and new results, E. Biglieri e M. Louise Eds., Signal Processing in Communications, Captulo 28, Springer Verlag,
London-New York.

G
Gilloire, A. (1987), Experiments with subband acoustic echo cancelers for Teleconferencing, Proc. IEEE
ICASSP, pp. 21412144.

L
Linlin Ge, Horng-Yue Chen, Shaowei Han, and Chris Rizos, Adaptive Filtering of Continuous GPS Results,
School of Geomatic Engineering, The University of New South Wales, Sydney, Australia

N
Nitzberg, R. (1992), Adaptive Signal Processing for Radar, Artech House, London

24

W
Widrow, B., Mantey, P. E., Griffiths, L. J. and Goode, B. B. 1967. Adaptive antenna systems, Proceedings of
the IEEE, vol.55, pp. 2143-2159
Widrow, B. and Walach E. 1996. Adaptive Inverse Control, Upper Saddle River, NJ:Prentice-Hall.

1.1.3.3.6.1 Processamento de Imagem e Vdeo


O processamento de imagens e vdeo tem evoludo muito nos ltimos anos. Uma das
maiores dificuldades nesse tipo de processamento a necessidade de reduzir o rudo. Algumas reas
como o processamento de vdeo em tempo real para aplicaes de multimdia so favorecidas pelo
uso de redes neurais no processo de reconhecimento de padres, filtragem, etc.

REFERNCIAS

A
Alexandrov, D., Ma, W. Y., El Abbadi, A. e Manjunath, B. S. (Fevereiro - 1995), Adaptive filtering
and indexing for image databases. Proc. of the SPIE Int. Conf. on Storage and Retrieval for Image and
Video Databases - III, pages 12-23, San Jose, CA.

Andrews, H. C. e Hunt, B. R. (1977), Digital Image Restoration, Prentice Hall, Upper Saddle River,
NJ.

B
Bishop, C. M., Neural Networks for Pattern Recognition, Oxford University Press, 1995.
Bruton,L.T., N.R. Bartley, Z.Q. Liu ,The Classication of Motion in Image Sequences Using 3D Recursive
Adaptive Filters to Obtain Neural Network Input Vectors, IEEE Procedings of International Conference on
Neural Networks, Perth, Australia, 1995
Bruton, L. T. and Bartley, N. R. Three-dimensional image processing using the concept of network
resonance, IEEE Trans. On Circuits and Systems, vol. CAS-32, pp. 664-672, 1985.
Bruton, L. T. and Bartley, N. R. The enhancement and tracking of moving objects in digital images using
adaptive three-dimensional recursive filters, IEEE Trans. On Circuits and Systems, vol. CAS-33, pp. 604612, 1986.
Key words: Motion, 3D Adaptive Filters, Image Processing.

D
Duda, R. O., Hart, P. E., and Stork, D. G. (2001). Pattern Classification, 2nd ed., John Wiley &
Sons, NY.

E
25

Elad, M. e Feuer, A. (Maro 1999), Superresolution Restoration of an Image Sequence: Adaptive


Filtering Approach. IEEE Transactions On Image Processing, Vol. 8, No. 3.

G
Gonzalez and Woods (2002), Digital Image Processing, 2nd Ed., Prentice Hall.

L
Lim, J. S. (1990). Two-Dimensional Signal and Image Processing, Prentice-Hall, Prentice-Hall, Upper
Saddle River, NJ.

N
Nestares, O. e Portilla, J., Texture segmentation through adaptive filtering, Instituto de ptica, Consejo
Superior de Investigaciones Cientficas, Madrid, Spain.

S
Soni, T., Rao, B.D., Zeidler, J. R. e Ku, W. H. (1991), Enhancement of Images using the 2-D LMS
Algorithm, pp. 3029-3032, Proc. of the International Conference on Acoustics, Speech and Signal
Processing, Toronto, Canada.
Key words: Adaptive filters, least mean squares, recursive least squares, regularization, restoration, superresolution.

Smirnov, A. (1999). Processing of Multidimensional Signals, Springer-Verlag, NY.

Reconhecimento de Imagens
O Reconhecimento de Imagens utilizado em aplicaes como: reconhecimento ptico de
caracteres, reconhecimento biomtrico de faces e viso computacional.

REFERNCIAS

B
Bbel, F. G. and Wagner, T., Theoretical foundations of Synergetic Image Processing, in Proceedings of the
1st International Conference of Applied Synergetics and Synergetic Engineering, (Erlangen, Germany), pp.
46-52, june 1994.

H
Haken, H., Synergetic Computers and Cognition. Springer-Verlag, 1991.

M
Murase, H. and Nayar, S. K., Learning and Recognition of 3D Objects from Apearance in IEEE Qualitative
Vision Workshop, (New York, USA), pp. 39-50, June 1993.

S
26

Schamm, U., Wagner, T., Spinnler, T. and Bbel, F. G. Relatioships between Neural Networks, Statistical
Classifiers and Synergic Computers, in Proceedings of the 1st international Conference of Applied
Synergetics and Synergetic Engineering, (Erlangen, Germany), pp. 10-19, june1994.

H
Hall, E. L. (1979). Computer Image Processing and Recognition, Academic Press, NY.

T
Tou, J. T. and Gonzalez, R. C. (1974). Pattern Recognition Principles, Addison-Wesley, Reading, MA,.

Viso Computacional
O objetivo principal da viso computacional obter informaes sobre o ambiente atravs
do processamento de dados. Em outras palavras, uma das metas da viso computacional
interpretar imagens digitais de cenas arbitrrias. Tcnicas como filtragem e segmentao de
imagens so utilizadas neste processamento.
O campo da Viso Computacional tem uma longa tradio e muitos algoritmos para o
processamento de imagens e reconhecimento de padres vem sendo desenvolvidos.

REFERNCIAS

E
Edelman, S. (1999). Representation and Recognition in Vision, The MIT Press, Cambridge, MA.

R
Ritter, G. X. and Wilson, J. N. (2001). Handbook of Computer Vision Algorithms in Image Algebra, CRC
Press, Boca Raton, FL.

S
Shapiro, L. G. and Stockman, G. C. (2001). Computer Vision, Prentice-Hall, Upper Saddle River, NJ.

M
Mallot, A. H. [2000]. Computational Vision, The MIT Press, Cambridge, MA.

Mitiche, A. [1994]. Computational Analysis of Visual Motion, Perseus Publishing, NY.

G
Gupta, M. M., Knopf, G. K. and Nikiforuk, P. N. Sinusoidal based cognitive Mapping Functions, Intelligent
Systems Research Laboratory, College of Engineering, University of Saskatchewan, Saskatoon, Canada 1988

INTERNET CONTENT
B. Kogan Research Institute for Neurocybernetics - Lab for Neural Network Modeling in Vision Research :

27

http://www.drc.ntu.edu.sg/users/mgeorg/enter.epl
Events on Neural Networks Vision and Speech:
http://www.drc.ntu.edu.sg/users/mgeorg/enter.epl

1.1.7.3.

Biomedical Engineering
As reas relacionas medicina tem utilizado de maneira intensas as tecnologias de
processamento de sinais e filtragem adaptativa. Uma das propriedades das Redes Neurais
mais utilizadas nesse campo o reconhecimento de padres, isto porque, muitos
diagnsticos so baseados no reconhecimento de imagens e outros padres. O
Processamento desses sinais tambm faz uso de filtros que possibilitem a melhora dos sinais
disponveis, especialmente no caso do tratamento de rudos. O potencial do uso de redes
neurais no processamento de imagens e sinais na medicina e reas relacionadas enorme.

REFERNCIAS

H
Hiraiwa, A., Shimohara, K. e Tokunaga, Y. (1990), EEG Topographic Recognition by Neural Networks, IEEE
Soc. in Eng. in Med. and Biol., pp.39-40.
Hu Y., Luk K., Lu W., Neural-network-based Adaptive Filtering of Cervical Spinal Evoked Potentials for the
localization diagnosis of Cervical Spondylotic Myelopathy, Department of Orthopaedic Surgery, The
University of Hong Kong, China.

S
Silipo,R. e Marchesi, C. (1998), Artificial Neural Networks for automatic ECG analysis, IEEE Transactions
on Signal Processing, vol. 46, pp. 1417-1426.
Silipo, R., Bortolan, G. e Marchesi, C. (1999), Design of hybrid architectures based on neural classifier and
RBF pre-processing for ECG analysis, Int. Journal of Approximate Reasoning, vol. 21, 177-196 1999.

T
Tuulik, V., Meister, A., Raja, A. e Lossmann, E. (1996), Neural network-based analysis of quantitative EEG
data in case of chronic occupational chemical stress. Electroencephalography and clinical neurophysiology,
99 (1996), no.4, Special issue, Abstracts of the 8th European Congress of Clinical Neurophysiology, Munich,
Germany, p. 327.
Key words: Bio-signal processing; adaptive filters; neural networks.

V
Varanini, M., Emdin, M., Raciti, M. , Conforti, P., Macerata, A., Taddei, A., Balocchi, R. e Marchesi, C.
(1992), Adaptative filtering for cancelling/enhancing the respiratory contribution to cardiovascular signals,
J.Ambulatory Monitoring, vol. 5, pp. 95-105.

INTERNET CONTENT
Center for Biomedical Signal Processing and Control:

28

http://www.isvr.soton.ac.uk/SPCG/CBSPC/index.html

1.1.7.4.

Tendncias
As reas que envolvem o processamento de sinais e redes neurais esto se tornando mais
e mais desenvolvidas e iro, sem dvida, continuar sua expanso e diversidade no futuro. O
processamento de sinais e a necessidade gerada por aplicaes em tempo-real, contribuem
para o crescimento do uso de redes neurais a fim de tornar os processo de processamento de
sinais to otimizados quanto possvel. As reas mais evidentes desse crescimento so: radar,
sonar, rdio digital, redes, telecomunicaes,
PDAs, imagem e vdeo, udio e
processamento de sinais de voz, automveis, disk drives, e realidade virtual.

29