No abstract

No abstract

No abstract

No abstract

Resumo-0 desempenho do algoritmo Least Mean Square (LMS) na estima~ao de canais variantes no tempo e avali ado analiticamente. A analise visa a obtenr;ao de curvas de erro medio quadrdtico (EMQ) em regime permanente adotando urn conjunto de hipoteses freqiientemente atendi das em sistemas de comunicar;6es moveis. 0 canal e mo delado por urn filtro transversal cujos coeficientes sao pro cessos estocasticos estacionarios em sentido amplo, com autocorrelar;6es conhecidas. As express6es obtidas para 0 EMQ sao particularizadas para alguns formatos tipicos de espalhamento Doppler. Obtem-se tambem 0 passo otimo do algoritmo LMS para alguns dos casos estudados. Diver sos resultados analiticos sao validados por simular;ao com pUlacional. 0 efeito da otimizar;ao de passo do LMS sobre o desempenho de urn esquema de recepr;ao adaptativo com criterio de decisao de maxima verossimilhanr;a aplicado a seqiiencias de sfmbolos (Maximum Likelihood Sequence Es timation-MLSEj e tambern avaliado por simular;ao. Palavras-chave: Filtragem adaptativa. Desvanecimento variante no tempo e seletivo em freqiiencia. Erro medio quadrcitico em regime permanente. LMS. Receptores MLSE adaptativos Abstract• An analysis of the steady-state mean square er ror (MSE) performance of the Least Mean Square (LMS) algorithm in the identification of time-varying channels is presented. It is based on a set hypotheses usually adopted in the mobile communications context. The channel im pulse response is modelled as time-varying transversal filter whose coefficients are wide-sense stationary stochastic pro cesses with known power (Doppler) spectra. A generic ex pression of the steady state MSE as a function of the LMS step-size parameter is obtained. Two specific Doppler spec trum models are considered for which the optimization of the LMS step-size parameter in the sense of MSE minimization is also addressed. Close match between numerical and an alytical results is shown in several examples. Besides, the impact of the LMS step-size parameter optimization on the performance of an adaptive MLSE (Maximum Likelihood Se quence Estimation

Resumo -O projeto de dicionários tem um papel crucial para o bom desempenho de sistemas de processamento de sinais baseados em quantização vetorial (QV). Neste trabalhoé investigada a complexidade computacional de um algoritmo competitivo aplicado ao projeto de dicionários. São obtidas expressões analíticas (em função do tamanho do dicionário, da dimensão dos seus vetores-código, do número de vetores do conjunto de treino e do número de iterações realizadas) para o número de operações (divisões, multiplicações, comparações, adições e subtrações) realizadas pelo algoritmo competitivo bem como pelo algoritmo LBG (Linde-Buzo-Gray). A partir dessas expressões analíticas, são estabelecidas as condições que devem ser obedecidas para que o algoritmo competitivo seja mais eficiente que o algoritmo LBG no que diz respeito a cada uma das operações realizadas. Simulações referentes ao projeto de dicionários aplicadosà codificação de imagem eà codificação de sinal com distribuição de Gauss-Markov corroboram as expressões analíticas obtidas. Abstract -Codebook design plays a crucial role in the performance of signal processing systems based on vector quantization (VQ). In the present paper, the computational complexity of a competitive learning algorithm applied to VQ codebook design is investigated. Analytical expressions (as a function of the codebook size, the dimension of the codevectors, the number of training vectors and the number of iterations performed) are derived for the number of operations (multiplications, divisions, additions, subtractions and comparisons) performed by the competitive algorithm. Analytical expressions are also derived for the LBG (Linde-Buzo-Gray) algorithm. ¿From the analytical expressions for the number of operations performed by those algorithms, the authors establish the conditions that may be satisfied so that the competitive algorithm be more efficient than the LBG algorithm concerning each operation performed. Simulations regarding image coding as well as coding of signal with Gauss-Markov distribution corroborate the analytical expressions derived. Palavras-chave -Keywords -Vector quantization, competitive algorithm, algorithm LBG, computational complexity, image coding. INTRODUÇÃOA compressão de sinais, cujo objetivo fundamentalé reduzir o número de bits necessários para representar adequadamente os sinais (voz, imagem,áudio, vídeo), desempenha um papel importante em aplicações que necessitam minimização dos requisitos de largura de faixa e/ou de capacidade de armazenamento [1, 2], tais como: sistemas multimídia, redes digitais de serviços integrados, videoconferência, sistemas de resposta vocal, telefonia móvel, sistemas de armazenamento de imagens médicas e de impressões digitais e transmissão de imagens de sensoriamento remoto obtidas por satélites. Nesse cenário, a quantização vetorial (QV) apresenta-se como uma técnica adequada, bastante utilizada em diversos sistemas de codificação de sinais.A quantização vetorial [3,4], que pode ser vista como uma extensão da quantização escala...

IntroduçãoA quantização vetorial [1, 2], que pode ser vista como uma extensão da quantização escalar em um espaço multidimensional, encontra-se fundamentada na Teoria da Distorção Versus Taxa [3], formulada por Shannon, segundo a qual um melhor desempenhoé obtido codificando-se blocos de amostras (istoé, vetores) ao invés de amostras individuais (istoé, escalares). Em outras palavras, essa teoria ressalta a superioridade da quantização vetorial (QV) sobre a quantização escalar [4]. Matematicamente, a quantização vetorial pode ser definida como um mapeamento ¥ de um vetor de entrada

High efficient video coding (HEVC), the latest coding standard, has an encoding complexity much higher compared with H.264/advanced video coding (AVC). The greater efficiency in HEVC is obtained at much greater computational cost compared with AVC. A fast coding unit (CU) splitting algorithm is proposed for the HEVC encoder, which early terminates the CU partitioning process based on an adaptive classification model. This model is generated by an online learning method based on a Pegasos (primal estimated sub-gradient solver for SVM) algorithm. The proposed method is implemented over the HEVC reference implementation on its version 16.7. Experimental results show that the proposed method reduces the computational complexity of HEVC encoder to 35% without any loss, resulting in a 1% of Bjøntegaard Delta-rate gain in the low delay B configuration without any offline training phase.