Metodologia de Controle Inverso Adaptativo Indireto via Algoritmo FASS-NLMS
DOI:
https://doi.org/10.5540/03.2021.008.01.0434Keywords:
Controle Inverso Adaptativo, Filtro Adaptativo, Gradiente Descendente Estocástico, NLMS, SistemasFuzzyAbstract
Uma questão fundamental em aplicações envolvendo filtros adaptativos é que durante a atualização da estimativa do vetor de pesos por um algoritmo de otimiza ̧c ̃ao seja obtido um bom trade-off entre a velocidade de convergência e o erro médio quadrático no regime estacionário. Nesse sentido, visando desenvolver um algoritmo de otimização baseado em gradiente descendente estocástico com uma rápida velocidade de convergência e um pequeno erro médio quadrático no regime estacionário, ́e proposta uma nova versão do Normalized Least Mean Square(NLMS) como tamanho de passo adaptado por um Sistema de Inferência FuzzyMamdani. Para validação do algoritmo proposto foi realizado o projeto de Controle Inverso Adaptativo Indireto (do inglês, IAIC-Indirect Adaptive Inverse Control) para uma planta de fase n ̃ao m ́ınima na presença de um sinalde distúrbio adicionado ao sinal de controle.
Downloads
References
Bai, L., Yin, Q. A modified NLMS algorithm for adaptive noise cancellation,2010 IEEEInternational Conference on Acoustics, Speech and Signal Processing, 3726–3729, 2010.DOI:10.1109/ICASSP.2010.5495868.
Benesty, J., Rey, H., Vega, L. R., Tressens, S. A Nonparametric VSS NLMS Algorithm,IEEESignal Processing Letters, 13:581–584, 2006. DOI: 10.1109/LSP.2006.876323.
Ferrer, M., Diego, M., Pi ̃nero, G., Gonzalez, A. Affine Projection Algorithm Over AcousticSensor Networks for Active Noise Control,IEEE/ACM Transactions on Audio, Speech, andLanguage Processing, 29:448–461, 2020. DOI: 10.1109/TASLP.2020.3042590.
Ng, Y. H., Mohamad, H., Chuah, T. C. Block-based fuzzy step size NLMS algorithms for sub-band adaptive channel equalisation,IET Signal Processing, 3:23–32, 2009. DOI: 10.1049/iet-spr:20070222.
Kim, D. W., Hur, J., Park, P. Two-stage active noise control with online secondary-path filterbased on an adapted scheduled-stepsize NLMS algorithm,Applied Acoustics, 158:107031, 2020.DOI: 10.1016/j.apacoust.2019.107031.
Pauline, S. H., Samiappan, D., Kumar, R., Anand, A., Kar, A. Variable tap-length non-parametric variable step-size NLMS adaptive filtering algorithm for acoustic echo cancellation,Applied Acoustics, 159:107074, 2020. DOI: 10.1016/j.apacoust.2019.107074.
Shafiq, M., Shafiq, M. A., Yousef, H. A. Stability and Convergence Analysis of Direct AdaptiveInverse Control,Complexity, 2017, DOI: 10.1155/2017/7834358.
Tavoosi, J. An experimental study on inverse adaptive neural fuzzy control for nonlinear sys-tems,International Journal of Knowledge-based and Intelligent Engineering Systems, 24:135–143, 2020. DOI: 10.3233/KES-200036.
Orozco-Tupacyupanqui, W., Nakano-Miyatake, M., Perez-Meana, H. A Novel Neural-FuzzyMethod to Search the Optimal Step Size for NLMS Beamforming,IEEE Latin America Tran-sactions, 13:402–408, 2015. DOI: 10.1109/TLA.2015.7055556.
Wang, H., Pi, D., Sun, Y. Online SVM regression algorithm-based adaptive inverse control,Neurocomputing, 70:952–959, 2007. DOI: 10.1016/j.neucom.2006.10.021.
Wang, X. Y., Wang, Y., Li, Z. S. Research of the 3-DOF Helicopter System Basedon Adaptive Inverse Control,Applied Mechanics and Materials, 389:623–631, 2013. DOI:10.4028/www.scientific.net/AMM.389.623.
Widrow, B., Walach, E. Adaptive signal processing for adaptive control,IFAC ProceedingsVolumes, 16:7–12, 1983. DOI: 10.1016/S1474-6670(17)62348-6.
