Escola Politécnica da Universidade de São Paulo

PTC-5890 Filtros Adaptativos

3o perı́odo de 2023

Professora: Maria D. Miranda

Sala D2-13, e-mail: mariadmiranda@usp.br, Fone: 3091-5736

Página da disciplina
A disciplina está cadastrada no Moodle do Stoa

https://edisciplinas.usp.br/course/view.php?id=112502,

por meio do qual as comunicações relacionadas ao curso (notı́cias, dúvidas etc.) acontecerão majoritaria-
mente. Os alunos ouvintes que não têm número USP, deverão entrar no Moodle como convidados por meio
da senha.
Serão disponibilizadas no Moodle: conteúdo parcial das aulas e listas de exercı́cios teóricos e computacionais.

Atendimento
Agendar por e-mail.

Datas das aulas - 2o perı́odo de 2020

Setembro: 13, 20, 27 (aula suspensa)
Outubro: 04, 11, 18 e 25
Novembro: 01, 08, 22 e 29
Dezembro: 06

Avaliação
A média final MF será calculada como
MF = 0, 3E + 0, 7P,
sendo
E a média de exercı́cios e testes, e
P a nota da prova a ser realizada no final do curso.
O aluno estará aprovado se tiver pelo menos 70% de frequência e se MF ≥ 5, 5. O conceito seguirá a tabela
seguinte.

Média Final Conceito

8, 5 ≤ MF ≤ 10, 0 A
7, 0 ≤ MF < 8, 5 B
5, 5 ≤ MF < 7, 0 C
MF < 5, 5 R

1
Programa
0) Revisão de conceitos fundamentais

1) Introdução: aplicações e problema comum de filtragem adaptativa

- Revisão de filtragem e aplicações
- Motivação para o uso de filtros adaptativos
- Aplicações: identificação de sistemas, identificação inversa (equalização adaptativa), predição e
cancelamento de interferência
- Problema comum de filtragem adaptativa
- Estruturas de filtros lineares
2) Filtragem ótima linear e propriedades da superfı́cie de desempenho

- Propriedades da matriz de autocorrelação

- Erro quadrático médio mı́nimo e sua minimização
- A solução de Wiener
- Erro quadrático médio mı́nimo
- Pontos estacionários
- Curvas de nı́vel e forma canônica da superfı́cie de desempenho
3) Algoritmos do Gradiente Exato
- Algoritmo Steepest Descent: obtenção e convergência
- Algoritmo de Newton: obtenção e convergência
- Comparação de desempenho
4) Algoritmos do Gradiente Estocástico
• Algoritmo LMS:
- Obtenção, passo de adaptação
- Propriedades do algoritmo LMS
- Relação com o algoritmo Steepest Descent
• Algoritmos derivados do LMS
- LMS normalizado
- Leaky-LMS
- Algoritmos de sinal
- Algoritmo das projeções afins
- Convergência: aproximação pela teoria da independência
- Comportamento em regime: desajuste
- Robustez
5) Método dos mı́nimos quadrados
- A solução dos mı́nimos quadrados e suas propriedades
- O algoritmo RLS
- Análise do RLS: convergência, comportamento em regime e estabilidade
- Algoritmo QR-RLS
6) Análise de rastreio e de transitório de algoritmos adaptativos
- Método clássico
- Método da realimentação (conservação de energia)
7) Revendo conceitos clássicos em aplicações atuais

2
Bibliografia
- S. Haykin, Adaptive Filter Theory, 5a edição, Prentice Hall, 2013.

- A. H. Sayed, Fundamentals of Adaptive Filtering, Wiley, 2003.

- A. H. Sayed, Adaptive Filters, Wiley, 2008.
- P. S. R. Diniz, Adaptive Filtering: algorithms and practical implementation, 3a edição, Kluwer, 2008.

- V. H. Nascimento, M. T. M. Silva, Adaptive Filters, In: R. Chellappa; S. Theodoridis (Org.) Academic

Press Library in Signal Processing: Signal Processing Theory and Machine Learning. 1ed.Chennai:
Academic Press, 2014, v. 1, p. 619-671.
- B. Widrow, S. D. Stearns, Adaptive Signal Processing, Prentice Hall, 1985.

- S. T. Alexander, Adaptive Signal Processing: Theory and Applications, Springer, 1986.

Artigos de revistas especializadas também serão citados ao longo do curso.