Análise da Correntropia com kernel Epanechnikov em Equalização de Canais de Comunicação
A equalização de canais baseada em aprendizagem por Teoria de Informação (ITL) tem o potencial de lidar com cenários onde técnicas clássicas apresentam dificuldades, como sinais correlacionados e canais não-lineares. No entanto, tais critérios necessitam de funções kernel para calcular as medidas utilizadas no processo de equalização. Na literatura, a função kernel comumente utilizada é a Gaussiana. Neste trabalho é proposto a utilização do kernel Epanechnikov para a estimar valores, assim é possível inferir como o desempenho dos algoritmos é afetado com esta nova função.
Dentro do contexto de ITL, temos o critério baseado na correntropia (COR), definida como uma medida de correlação generalizada que pode ser utilizada no processo de equalização do sinal, sendo particularmente interessante por conta das suas propriedades envolvendo a função kernel e os momentos estatísticos considerados. Incluímos na análise o Correlation Retrieval (CR), que faz uso exclusivo de momentos estatísticos de segunda ordem. Através da modelagem e simulação do processo de equalização, discutimos as similaridades entre os critérios e os resultados obtidos.
Além disso, estudamos os filtros adaptativos baseados em kernel (KAF - Kernel Adaptive Filter), que são interessantes pela sua capacidade de lidar com sistemas não-lineares, algo que os algoritmos clássicos não conseguem. Dentro deste contexto, incluímos a análise do Kernel Least-Mean-Square (KLMS) e o Kernel Maximum Correntropy (KMC), visando comparar o desempenho dos algoritmos em diversos cenários.