Resumen

Se sabe que el rendimiento del algoritmo tradicional de LMS restringido (CLMS) se degrada gravemente en presencia de datos de entrenamiento de pequeño tamaño y de desajustes entre la respuesta supuesta del array y la respuesta real del array. En este trabajo desarrollamos un algoritmo LMS restringido robusto (RCLMS) basado en la maximización de la SINR en el peor de los casos. Nuestro algoritmo pertenece a la clase de técnicas de carga diagonal, en las que el factor de carga diagonal se obtiene de forma sencilla y disminuye el coste computacional. El vector de pesos actualizado se obtiene mediante el método del gradiente de descenso y el método del multiplicador de Lagrange. Se demuestra que nuestro algoritmo recursivo propuesto proporciona una excelente robustez frente a los desajustes del vector de dirección de la señal y el pequeño tamaño de los datos de entrenamiento y, tiene una rápida tasa de convergencia, y hace que la media de la matriz de salida de la relación señal-interferencia-más-ruido (SINR) sea consistentemente cercana a la óptima. Se presentan algunos resultados de simulación para comparar el rendimiento de nuestro algoritmo robusto con el algoritmo CLMS tradicional.

• Materias:Ingeniería electrónica Comunicaciones Ópticas Redes Inalámbricas Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Optical communications Wireless Networks Signal processing computer-assisted Data processing
• Palabras claves:pequeño tamaño de los datos de entrenamiento, algoritmo, señal media de salida del array, desajustes del vector de dirección de la señal, maximización del caso sinr, método del gradiente de descenso, factor de carga diagonal, técnicas de carga diagonal, tasa de convergencia rápida, algoritmo clms tradicional
• Keywords:small training data size, algorithm, mean output array signal, signal steering vector mismatches, case sinr maximization, descent gradient method, diagonal loading factor, diagonal loading techniques, fast convergence rate, traditional clms algorithm