DOI QR코드

DOI QR Code

A New Gradient Estimation of Euclidean Distance between Error Distributions

오차확률분포 사이 유클리드 거리의 새로운 기울기 추정법

  • Kim, Namyong (Division of Electronic, Information and Communications Eng. Kangwon National University)
  • 김남용 (강원대학교 공학대학 전자정보통신공학부)
  • Received : 2014.03.15
  • Accepted : 2014.07.28
  • Published : 2014.08.25

Abstract

The Euclidean distance between error probability density functions (EDEP) has been used as a performance criterion for supervised adaptive signal processing in impulsive noise environments. One of the drawbacks of the EDEP algorithm is a heavy computational complexity due to the double summation operations at each iteration time. In this paper, a recursive method to reduce its computational burden in the estimation of the EDEP and its gradient is proposed. For the data block size N, the computational complexity for the estimation of the EDEP and its gradient can be reduced to O(N) by the proposed method, while the conventional estimation method has $O(N^2)$. In the performance test, the proposed EDEP and its gradient estimation yield the same estimation results in the steady state as the conventional block-processing method. The simulation results indicates that the proposed method can be effective in practical adaptive signal processing.

오차 신호의 확률분포 사이의 유클리드 거리 (Euclidean distance between error probability density functions, EDEP)는 충격성 잡음 환경의 적응 신호 처리를 위한 성능 지수로 사용되었다. 이 EDEP 알고리듬의 단점 중의 하나로 각 반복 시간마다 수행하는 이중적분에 의해 과다한 계산상의 복잡성이 있다. 이 논문에서는 EDEP 와 그 기울기 계산에서 계산상의 부담을 줄일 수 있는 반복적 추정 방법을 제안하였다. 데이터 블록 크기 N에 대하여, 기존의 추정 방식에 의한 EDEP와 그 기울기 계산량은 $O(N^2)$인 반면, 제안한 방식의 계산량은 O(N)이다. 성능 시험에서 제안한 방식의 EDEP와 그 기울기는 정상상태에서 기존의 블록 처리 방식과 동일한 추정결과를 나타냈다. 이러한 시뮬레이션 결과로부터, 제안한 방식이 실제 적응신호처리 분야에서 효과적인 방식임을 알 수 있다.

Keywords

References

  1. S. Haykin, Adaptive Filter Theory. Prentice Hall. 4th edition, 2001.
  2. B. Widrow, Adaptive Signal processing, Prentice - Hall, New Jersey, 1985.
  3. J. Proakis, Digital Communications, McGraw - Hill, 2nd edition, 1989.
  4. J. Principe, D. Xu and J. Fisher, Information Theoretic Learning in: S. Haykin, Unsupervised Adaptive Filtering, Wiley, (New York, USA), pp. 265-319, 2000.
  5. E. Parzen, "On the estimation of a probability density function and the mode," Ann. Math. Stat. Vol. 33, p.1065, 1962. https://doi.org/10.1214/aoms/1177704472
  6. S. Kullback, Information Theory and Statistics, Dover Publications. (New York, USA), 1968.
  7. K. Jeong, J. Xu, D. Erdogmus, and J. Principe, "A new classifier based on information theoretic learning with unlabeled data," Neural Networks, Vol. 18, pp. 719-726, 2005. https://doi.org/10.1016/j.neunet.2005.06.018
  8. N. Kim, K. Jung, and L. Yang, "Maximization of zero-error probability for adaptive channel equalization," JCN, Vol. 12. pp. 459-465, Oct. 2010. https://doi.org/10.1109/JCN.2010.6388491
  9. N. Kim and Y. Hwang, "Communication equalizer algorithms with decision feedback based on error probability," Journal of the Korea Academia -Industrial cooperation society, Vol. 12, pp. 2390-2395, May, 2011. https://doi.org/10.5762/KAIS.2011.12.5.2390