$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

시변 시스템 추정을 위한 연산량이 적은 가우스 뉴턴 가변 망각인자를 사용하는 RLS 알고리즘
Low Complexity Gauss Newton Variable Forgetting Factor RLS for Time Varying System Estimation 원문보기

한국통신학회논문지 = The Journal of Korean Institute of Communications and Information Sciences, v.41 no.9, 2016년, pp.1141 - 1145  

임준석 (Sejong University Department of Electronic Engineering) ,  편용국 (GangWon State University Department of Information and Communication)

초록
AI-Helper 아이콘AI-Helper

일반적으로 RLS 알고리즘에서 비정재성(non-stationary) 환경에서 시간에 따라 변하는 파라메터를 좀 더 잘 추정하기 위해서 가변 망각인자를 사용한다. RLS 알고리즘에서 가변 망각인자를 사용할 때는 연산량이 많이 증가하는 단점이 수반된다. 본 논문에서는 연산량이 적은 가우스 뉴턴 가변망각인자 RLS 알고리즘을 제안한다. 본 방법은 기존 가우스 뉴턴 가변망각인자 RLS와 거의 유사한 성능을 보유하고 있을 뿐만 아니라 부가로 요구되는 연산량을 $O(N^2)$에서 O(N)으로 줄이는 효과도 준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In general, a variable forgetting factor is applied to the RLS algorithm for the time-varying parameter estimation in the non-stationary environments. The introduction of a variable forgetting factor to RLS needs heavy additional calculation complexity. We propose a new Gauss Newton variable forgett...

주제어

#RLS   #Variable forgetting factor   #Gauss-Newton  

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서는 부가 연산량이 적은 가우스 뉴턴 가변 망각인자 RLS 알고리즘을 제안한다. 이를 위해서 기존의 가우스 뉴턴 가변 망각인자 RLS에 대해서 간편화 방법[6][7]을 도입하고, 이를 가우스 뉴턴 형식 알고리즘으로 확장하여 필요한 연산량을 줄인 새로운 알고리즘을 도출한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
비정재성 환경에서 계속 변화하는 참 파라메터 값을 추정하는 추적 성능을 높이기 위해서는 어떻게 해야 하는가? 비정재성 환경에서 계속 변화하는 참 파라메터 값을 추정하는 추적 성능을 높이기 위해서는, RLS 알고리즘의 망각 인자를 가변적으로 조절할 필요가 있다. 이런 가변 망각인자에 대한 기본적인 방법이 Simon Haykin[4]의 책에 소개된 바 있다.
RLS 알고리즘이 좋지 않은 성능을 보이는 환경은 무엇인가? RLS (Recursive Least Squares) 알고리즘은 신호처리 및 통신 분야에서 널리 쓰이는 적응 알고리즘 중하나이다[1-3]. 또한 RLS 알고리즘은 정재성(stationary) 신호 환경에서 좋은 성능과 빠른 적응 속도를 보여주는 알고리즘이지만, 고정된 망각 인자 (혹은 메모리)를 가지고 있기 때문에 비정재성(non-stationary) 신호 환경에서는 좋지 않은 성능을 보여준다.
가우스 뉴턴 형식의 가변 망각인자는 어떤 단점을 가지고 있는가? 송성욱 등은 가변 망각 인자의 추정 성능을 더욱 향상 시키고자 가우스 뉴턴 형식의 가변 망각인자를 소개한 바 있다[5]. 이는 기존의 가변 망각인자 RLS 알고리즘[4]에 비해 더 좋은 성능을 보여주지만 [5] , 연산량이 크게 증가하는 단점을 가지고 있다[5]. 본 논문에서는 부가 연산량이 적은 가우스 뉴턴 가변 망각인자 RLS 알고리즘을 제안한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (7)

  1. S. Han, C. Song, and J. Choi, "Interference cancellation for wireless LAN systems using full duplex communications," J. KICS, vol. 40, no. 12, pp. 2353-2362, Dec. 2015. 

    원문보기 상세보기 crossref

  2. J. Lim and Y. Pyeon, "Kernel RLS algorithm using variable forgetting factor," J. KICS, vol. 40, no. 9, pp. 1793-1801, Sept. 2105. 

  3. M. Choi and S. Lee, "Comparison study of channel estimation algorithm for 4S maritime communications," J. KICS, vol. 38, no. 3, pp. 288-293, Mar. 2013. 

  4. Simon Haykin, Adaptive filter theory, Prentice-Hall, Inc., 4th Ed., 2002. 

  5. S. Song, J. Lim, S. Baek, and K. Sung, "Gauss newton variable forgetting factor recursive least squares for time varying parameter tracking," Electronics Lett., vol. 36, no. 11, pp. 988-990, Nov. 2000. 

    상세보기 crossref

  6. S. Song, "Self-tuning adaptive algorithm and applications," Ph.D. dissertation, Seoul National Univ. 2003. 

  7. S. Song and K. Sung, "Reduced complexity self-tuning adaptive algorithms in application to channel estimation," IEEE Trans. Commun., vol. 55, no. 8, pp. 1448-1452, Aug. 2007. 

    상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로