Faculdade de Engenharia Eltrica e de Computao UNICAMP

Faculdade de Engenharia Eltrica e de Computao

IA353 Redes Neurais - Turma A

Reviso Bibliogrfica

Redes Neurais Artificiais para Filtragem Adaptativa e Processamento de Sinais

Cibele Rene Coscione, RA 018707

Profs.: Leandro Castro & Fernando Von Zuben

1o semestre de 2003

30/04/2003

ndice

Redes Neurais Artificiais

1.1 Aplicaes1.1.1 Processamento de Sinais1.1.2 Processamento Digital de Sinais1.1.2.1 Statistical Signal Processing1.1.2.2 Discrete Time Signal Processing1.1.2.3 Real-Time Signal Processing1.1.2.4 Multirate Signal Processing1.1.2.5 Array Signal Processing1.1.2.6 Processamento Adaptativo de Sinais1.1.2.6.1 Filtragem Adaptativa1.1.2.6.1.1 Configuraes de Filtragem Adaptativa1.1.2.6.1.1.1 Identificao de Sistemas Adaptativa1.1.2.6.1.1.2 Cancelamento de Rudos Adaptativo1.1.2.6.1.2 Algoritmos Adaptativos1.1.2.6.1.3 Filtragem Adaptativa Linear1.1.2.6.1.4 Filtragem Adaptativa No-Linear

1.1.2.6.1.5 Filtragem Adaptativa Supervisionada1.1.2.6.1.6 Filtragem Adaptativa No -Supervisionada1.1.2.6.1.6.1 Blind Source Separation1.1.2.6.1.6.2 Channel Equalization1.1.2.6.1.6.3 Blind Deconvolution1.1.2.6.1.7 Varies de Filtragem Adaptativa1.1.2.6.2 Classificao de Sinais1.1.2.7 Aplicaes1.1.2.7.1 Speech Enhancement1.1.2.7.1.1 Reconhecimento de Voz1.1.2.7.1.2 Speech Coding e Synthesis

1.1.2.7.2 Telecomunicaes1.1.2.7.3 Processamento de Imagens e Vdeo1.1.2.7.3.1 Reconhecimento de Imagens

1.1.2.7.3.2 Viso Computacional1.1.2.7.4 Engenharia Biomdica1.4 Tendncias1) Redes Neurais Artificiais

Existem muitas definies diferentes para Redes Neurais Artificiais, algumas delas so:

... a neural network is a system composed of many simple processing elements operating in parallel whose function is determined by network structure, connection strengths, and the processing performed at computing elements or nodes. DARPA Neural Network Study (1988, AFCEA International Press)

A neural network is a massively parallel distributed processor that has a natural propensity for storing experiential knowledge and making it available for use. It resembles the brain in two respects:

1. Knowledge is acquired by the network through a learning process.

2. Interneuron connection strengths known as synaptic weights are used to store the knowledge. Haykin (1994)

A neural network is a circuit composed of a very large number of simple processing elements that are neurally based. Each element operates only on local information. Furthermore each element operates asynchronously; thus there is no overall system clock. Nigrin (1993)

As caractersticas das Redes Neurais Artificiais as tornam ferramentas poderosas para a resoluo de problemas conhecidos e tambm de problemas para os quais outros paradigmas foram insuficientes. Dessa formas, as Redes Neurais Artificiais podem ser encontradas nas mais diversas disciplinas e, portanto, constam de inmeros papers e outras bibliografias.

REFERNCIASAAnderson, J. A. (1995), An Introduction to Neural Networks, The MIT Press.

DDayan, P. and Abbot, L. F. (2001), Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems, The MIT Press.de Castro, L. N. (1998), Analysis and Synthesis of Learning Strategies for Artificial Neural Networks (in Portuguese), M.Sc. Dissertation, School of Computer and Electrical Engineering, State University of Campinas, Brazil.

F

Fausett, L. (1994), Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice Hall.

H

Haykin, S. (1999), Neural Networks: A Comprehensive Foundation, 2nd Ed., Prentice Hall.

Hebb, D. O. (1949), The Organization of Behavior: A Neuropsychological Theory, New York: Wiley.

Hopfield, J. J. (1982), Neural Networks and Physical Systems with Emergent Collective Computational Capabilities, Proc. of the Nat. Acad. of Sci. USA, 79, pp. 2554-2558.KKohonen, T. (1984) Self-Organization and Associative Memory, Springer-Verlag (2nd Edition: 1988; 3rd edition: 1989), ISBN: 0-387-51387-6.

Kohonen, T. (1997) Self-Organizing Maps, 2nd Edition, Springer Verlag, ISBN: 3-540-62017-6

M

McClelland, J. L., Rumelhart, D. E. and the PDP Research Group (1986), Parallel Distributed

Processing: Explorations in the Microstructure of Cognition, Volume 2: Psychological and Biological Models, The MIT Press.

McCulloch, W. and Pitts, W. H. (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5, pp. 115-133.

Minsky, M.L. (1988) The Society of Mind, Simon & Schuster, ISBN: 0-671-65713-5.

Minsky, M. L. and Papert, S. A. (1969), Perceptrons, MIT Press.

NNigrin, A. (1993), Neural Networks for Pattern Recognition, Cambridge, MA: The MIT Press.R

Rosenblatt, F. (1958), The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Psychological Review, 65, pp. 386-408.

Rosenblatt, F. (1962), Principles of Neurodynamics, Spartan Books.

Rumelhart, D. E., McClelland, J. L. and the PDP Research Group (1986), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1: Foundations, The MIT Press.

WWidrow, B. and Hoff, M. E. Jr. (1960), Adaptive Switching Circuits, WESCON Convention Record, 4, pp. 96-104.

Wiener, N. (1948), Cybernetics, New York: Wiley.INTERNET CONTENTNeural Networks FAQ (site excelente com comentrios sobre a bibliogrfica disponvel):ftp://ftp.sas.com/pub/neural/FAQ.html Artigos On-line da conferncia Neural Information Processing Systems (NIPS) :

http://nips.djvuzone.org/

Neural computation.

Neural Network World (issued by the Inst. of Computer Science of the Acad. Sci. of the Szech Rep.) : http://www.uivt.cas.cz/nnw/Site com informaes sobre Redes Neurais:

Martin Brown's Neuro Fuzzy Resources: http://www-isis.ecs.soton.ac.uk/people/m_brown.htmlSBRN - Sociedade Brasileira de Redes Neurais:

http://www.sbrn.org.brSOFTWARES PARA REDES NEURAISExistem muitos softwares disponveis que permitem a modelagem e simulao de Redes Neurais Artificias. O Site ftp://ftp.sas.com/pub/neural/FAQ.html contm um resumo das caractersticas de alguns dos engines disponveis.

Matlab Neural Networks Toolbox:

The MathWorks, MATLAB Neural Network toolbox, The MathWorks, Inc., Natick, MA, 1992.

Joone: Java Object Oriented Neural Engine (Engine em Java para Redes Neurais)

http://sourceforge.net/projects/joone

1.1) Aplicaes

As Redes Neurais Artificiais representam uma tecnologia enraizada in muitas disciplinas: neurocincia, matemtica, estatstica, fsica, cincia da computao e engenharia. Redes Neurais encontram aplicaes em diversas reas como modelagem, anlise de sries temporais, reconhecimento de padres, processamento de sinais e controle em virtude de uma importante propriedade: a habilidade de aprender partir de dados de entrada com ou sem um professor (Haykin, 1999)

1.1.1) Processamento de Sinais

Do ponto de vista da Engenharia, sinais so funes ou seqncias que servem para transportar informao de uma fonte de mensagens a um destinatrio. As caractersticas especficas dos sinais dependem do canal de comunicaes utilizado para este transporte. Um canal de comunicaes definido pelo tipo de distoro que introduz nos sinais. Esta distoro pode ser: a) determinstica no linear, exemplo: a limitao da banda de freqncia dos sinais; b) determinstica no linear, exemplo: saturaes; ou aleatria, exemplo: presena de rudos.

Sinais so processados no lado transmissor com a finalidade de produzi-los e configura-los, e no lado receptor para extrair a informao neles contida, se possvel com a mxima eficincia. Em sistemas eletrnicos de comunicao a fonte geradora de informao, o canal de comunicao e o destinatrio so elementos pr-definidos com caractersticas em geral muito bem especificadas, como por exemplo, em sistemas de transmisso telefnica, de irradiao de sinais de radio ou de televiso ou de deteco de alvos com radar ou sonar. Em outras situaes, como nos processos de mediao em investigao cientifica, a fonte de mensagens e o canal de comunicaes podero estar apenas parcialmente caracterizados. Sinais bioeltricos como o electrocardiograma (EKG), o eletroencefalograma (EEG), o eletromiograma (EMG) ou o eletroneurograma (ENG) so estudados h dcadas com a finalidade de se extrair informao sobre estados patolgicos de rgos. Os sinais que constituem a voz humana codificam uma variedade de informaes: sobre a semntica do que est sendo dito, sobre a identidade do locutor e at sobre o seu estado de esprito (Kovcs 1996).

Existem vrios tipos de processamento possveis sobre diferentes tipos de sinal. Um dos tipos de processamento cujo potencial tem sido bastante explorado e cuja tendncia de crescimento, o Processamento Digital de Sinais. Outros tipos ou sub-tipos de processamentos tambm so abundantes na literatura e surgiram partir das necessidades de muitas disciplinas e aplicaes. Alguns desses tipos de processamento so: Array Signal Processing, Multirate Signal Processing, Polinomial Signal Processing, Real-Time Signal Processing, Discrete Time Signal Processing, Multi Dimensional Signal Processing e Statistical Signal Processing, entre outros. Muitos desses processamentos so ocorrem sobre sinais digitais.

REFERNCIASH

Haykin, S., (Ed) (1985), Array Signal Processing, Prentice Hall.

Haykin, S., (Ed) (1989), Selected Topics In Signal Processing, Prentice Hall.

Keywords: signal processing, digital speech, systolic array, beamforming, image processing, edge extraction, biomedical, radar

Holland, J.H. (1992), Adaptation in Natural and Artificial Systems, MIT Press.

C

Cichocki, A. and Unbehauen, R. (1993). Neural Networks for Optimization and Signal Processing. NY: John Wiley & Sons.

K

Kellermann, W. (1988), Analysis and design of multirate systems for cancellation of acoustical echoes. Proc. IEEE ICASSP, pp. 25702573.

Key words. acoustical echoes, multirate systems.

Kovcs, Z.L. (1996), Redes Neurais Artificiais: Fundamentos e Aplicaes. Collegium Cognitio.

OOrfanidis, S.J. (1985), Optimum Signal Processing: An Introduction. New York: Macmillan.INTERNET CONTENTSites do 3rd International Symposium on Image and Signal Processing and Analysis ISPA 2003Setembro 18-20, 2003, Rome, Italy:

http://www.isispa.org/

1.1.2) Processamento Digital de Sinais

O Processamento Digital de Sinais (Digital Signal Processing -DSP), distingui-se de outras reas na informtica pelo tipo nico de dados utilizados: sinais. Na maioria de casos, estes sinais originam-se como dados sensoriais do mundo real: vibraes ssmicas, imagens visuais, ondas sonoras, etc. DSP a matemtica, os algoritmos, e as tcnicas usadas para manipular estes sinais depois que foram convertidos em uma forma digital. Isto inclui uma variedade ampla de objetivos, como: realce de imagens visuais, reconhecimento e gerao do discurso, compresso dos dados para o armazenamento e transmisso, etc. As razes de DSP so dos 60 e 70 em que os computadores digitais se tornaram primeiramente disponveis. Os computadores eram caros durante esta era, e o DSP foi limitado somente a algumas aplicaes crticas.

O DSP tradicional baseado em algoritmos, manipulando dados de um formato para outro atravs de procedimentos passo-a-passo. Este tipo de tcnica realiza operaes sobre parmetros do sistema sendo que a seleo adequada dos parmetros tem papel fundamental, dessa forma, as redes neurais tornam-se ideais para a otimizao desses parmetros.

REFERNCIAS

B

Bellanger, M. (1980,) Digital Processing of Signals - Theory and Practice, Willey, 1980.IIbnkahla M., Puechmorel S., e Castanie F. (1994), A constrained neural network with complex activation function : application to time-frequency analysis, IEEE ICASSP , Adelaide, Australia , pp II-545-II-548.JJohnson, D.H, Shami, P. N. (Outubro - 1993), The Signal Processing Information Base. IEEE Signal Processing Magazine, pp. 36-42.

Jackson L.B. (1986), Digital Filters and Signal Processing, Kluwer Academic Publisher.

MMarino, C., Sarajedini, A. e Chau, P., Reduced Complexity FPGA-Based Digital Signal Processing for Adaptive Beam-forming. IEEE World Congress on Computational Intelligence, Anchorage Alaska, 1998

O

Oppenheim A.V. e Schafer, R.W. (1989), Discrete Time Signal Processing, Prentice Hall, 1989.

Oppenheim A.V. e Schafer, R.W. (1975), Digital Signal Processing, Prentice Hall, 1989.

PProakis, J.G. e Manolakis, D.G. (1995), Digital Signal Processing: Principles, Algorithms and Applications, (3 Edio), Prentice Hall.SSaeed V. Vaseghi (2000), Advanced digital signal processing and noise reduction, 2 Edio, Chichester, New York : John Wiley.

Sekey.A. (Outubro - 1992), Multimedia Self-study Courses in DSP and Speech Processing, IEEE Signal Processing Magazine, pp. 36-42.

Shanbhag, N.R. and Parhi, K.K. (1994), Pipelined Adaptive Digital Filters, Kluwer Academic, Netherlands.

ZZelinger, G. and Taylor, F.J. (1994), Advanced Digital Signal Processing Theory and Application, Marcel Dekker, NY.

INTERNET CONTENTSteven W. Smith (1997), The Scientist and Engineer's Guide to Digital Signal Processing, on-line book:http://www.dspguide.com/pdfbook.htmAdaptive Digital Signal Processing JAVA Teaching Tool:http://www.eee.strath.ac.uk/r.w.stewart/adaptivejava/begin.htmFAQs (Frequently asked questions with answers) on digital signal processinghttp://www.bdti.com/faq/dsp_faq.htm

1.1.3) Statistical Signal Processing

REFERNCIASK

Steven M.Kay (1999), Fundamentals of Statistical Signal Processing: Detection Theory Volume II, Prentice-Hall.

1.1.4) Discrete Time Signal Processing

Ao contrario do Processamento em Tempo-Real, o Processamento de sinais em tempo discreto assume a discretizao apenas do eixo do tempo e a amplitude do sinal assumida como sendo um valor contnuo. A teoria de Processamento de Sinais em tempo discreto encontra-se bastante desenvolvida e pode ser utilizada como modelos lineares determinsticos.

REFERNCIASO

Oppenheim, A.V., Schafer, R.W. e Buck, J.R. (1999), Discrete-Time Signal Processing, Prentice-Hall.

1.1.5) Real-Time Signal Processing

Um sistema de Processamento de Sinais Digital em tempo-real processa dados que so discretos no tempo e amplitude, e o sistemas DSP freqentemente requisitado a minimizar atrasos entre a entrada e sada dos sinais. Muitos dos sistemas DSP em desenvolvimento so utilizados para aplicaes em tempo-real (rdios, processamento de vdeo e udio e controle automotivo).

REFERNCIAS

D

Donald B. Malkoff, A Neural Network for Real-Time Signal Processing, (NIPS 2)

I

Izquierdo,M. A.G., Anaya, J.J., Martnez, O., Ibanez, A (1999), Multi-pattern adaptive inverse filter for real-time deconvolution of ultrasonic signals in scattering media, Sensors and Actuators A: Physical, Volume 76, n 1.1.1.6) Multirate Signal Processing

Em sistemas single-rate, apenas uma nica taxa de amostragem utilizada no processamento de sinais, por outro lado, em sistemas multirate a taxa de amostragem modificada pelo menos uma vez.

REFERNCIASC

Crochiere, Ronald E. and Rabiner, Lawrence R. (1993), Multirate Digital Signal Processing, Prentice-Hall.

V

Vaidyanathan, P. P. (1993), Multirate Systems and Filter Banks. Englewood Cliffs, NJ: Prentice-Hall.

V

Wornell, G. W. (1996), Emerging Applications of Multirate Signal Processing and Wavelets in Digital Communication. Proceedings of the IEEE, Vol. 84, No. 4.Key words. Channel coding e modulaton, recent development,. emerging potential applications1.1.7) Array Signal Processing

Este tipo de processamento est associado ao processamento de sinais originados de arrays de sensores.REFERNCIAS

H

Haykin, S., (Ed) (1985), Array Signal Processing, Prentice Hall.

Harry L. Van Trees (2002), Optimum Array Processing (Detection, Estimation, and Modulation Theory, Part IV), John Wiley & SonsJ

Johnson D.H., Dudgeon, D.E. (1993), Array Signal Processing: Concepts and Techniques, Prentice Hall

1.1.2.7.5 Processamento de Sinais Adaptativo

O DSP tem desempenhado um papel muito importante nos avanos tcnicos atuais em reas como filtragem de rudo, identificao de sistemas e predio de voz. No entanto, tcnicas padro de DSP no so suficientes para resolver tais problemas de maneira rpida e com resultados aceitveis. Tcnicas de Filtragem Adaptativa devem ser implementadas a fim de promover solues mais precisas e em menor tempo para essas solues.

REFERNCIASAAlexander, S. T., (1986) Adaptive Signal Processing: Theory and Applications. New York: Springer-Verlag.Astrom, K.J., Wittenmark, B. (1988), Adaptive Systems in Control and Signal Processing, Proc. IFAC Workshop Sweden, Pergamon Press.

C

Clarkson, P.M. (1993), Optimal and Adaptive Signal Processing, CRC Press, Boca Raton.

D

Dugard, L. et al (Eds.), Adaptive Systems in Control and Signal Processing ,(IFAC Symposium), Pergamon, N.Y., 1993.

F

Farhang-Boroujeny, B. (ed.) (1998), Adaptive Filters Theory and Applications, J. Wiley.

G

Gilloire, A.e Vetterli, M. (1992), Adaptive filtering in subbands with critical sampling: Analysis, experiments and application to acoustic echo cancellation.IEEE Trans. Signal Processing, vol. 40, pp. 18621875.

Goodwin, G.C. e Sin, K.,S. (1984), Adaptive Filtering Prediction and Control, Prentice-Hall, Englewood Cliffs.

H

Holland, J.H. (1992), Adaptation in Natural and Artificial Systems, MIT Press.JJenkins, Kenneth, W., Hull, Andrew, W., Strait, Jeffrey, C., Schnaufer, Bernard A., Li, Xiaohui (1996), Advanced Concepts in Adaptive Signal Processing, Kluwer Academic Publishers, Boston.K

Kellermann, W. (1988), Analysis and design of multirate systems for cancellation of acoustical echoes. Proc. IEEE ICASSP, pp. 25702573.

Kenneth, J.W. (1996), Advanced Concepts in Adaptive Signal Processing, Kluwer Academic.

Kalouptsidis, N. e Theodoridis, S. (1993), Adaptive System Identification and Signal Processing Algorithms. Prentice-Hall.

M

Messerschmitt, D. G. (1984), Echo cancellation in speech and data transmission. IEEE J. Select. reas. Commun, vol. SAC-2.

W

Widrow, B. (1975) et al., Adaptive noise cancellation: Principles and applications.

Proc. IEEE, vol. 63, no. 12, Dec. 1975.

Widrow,B. and Stearns, S.D. (1985), Adaptive Signal Processing, Prentice Hall, Engelwood Cliffs. Y

Yasukawa, H., Shimada, S., e Furukawa, I. (1987), Acoustic echo canceler with high speech quality. Proc. IEEE ICASSP, 1987, pp. 21252128.

1.1.2.8 Filtragem Adaptativa

Filtragem Adaptativa um ramo do Processamento de Sinais Digitais que permite a melhora seletiva dos elementos desejados de um sinal e a reduo de elementos indesejveis. A finalidade geral filtrar o sinal de entrada de modo que se assemelhe (em algum sentido) entrada de sinal desejada. Assim, o sinal de erro a diferena entre o sinal desejado e o sinal de sada. Esta diferena realimentada ao processo adaptvel que avalia a "similaridade" entre os dois sinais de acordo com algum critrio do desempenho e modifica a resposta de freqncia do filtro ao aumento que similaridade.

Segundo Haykin (1999), o desenvolvimento da filtragem adaptativa deve muito ao paper clssico de Widrow e Hoff (1960) devido ao pioneirismo do algoritmo Lease-Mean-Square (LMS), tambm conhecido como regra delta, uma vez que tal algoritmo representa o cavalo de fora da filtragem adaptativa linear. Filtros Adaptativos tm sido aplicados com sucesso em reas como antenas, sistemas de comunicao, sistemas de controle, radares, sonares, sismlogos e Engenharia Biomdica (Widrow e Stearns, 1985; Haykin, 1996).

figura 1: Modelo Genrico de Filtragem Adaptativa

Onde:

xk: Input signal

dk: Desired signal

yt : Output signal

ek: Error signal

REFERNCIAS

B

Bellanger, M.G. (1987), Adaptive Digital Filters and Signal Analysis, Marcel Dekker, N.Y.

C

Cowan, C.F.N. and Grant, P.M.,(Ed.), Adaptive Filters, Prentice Hall, Engelwood Cliffs, N.J., 1985

D

Diniz, P.S.R. (1997), Adaptive Filtering Algorithms and Practical Implementation, Kluwer Academic.

HHaykin, S. (1996), Adaptive Filter Theory, Prentice Hall, Third Edition.

Honig, Michael L., Messerschmitt, David G. (1984), Adaptive Filters, Structures, Algorithms and Applications, Kluwer Academic Publishers, Boston.

Horvth, G. e R. Dunay (1994), Application of Neural Networks for Adaptive Filtering for Systems with External Feedback Paths, Proc. of the Int. Conf. on Signal Processing Applications & Technology ICSPAT'94, Dallas, Texas, USA, pp.1222-1227.

M

Mathews, Adaptive Filters, Prentice Hall

PPataki, B. (1992), Neural Network Controlled Adaptive Filters. Periodica Polytechnica Ser. Electrical Engineering, Vol.36. No.3-4, pp.215-226.

TTreichler, J. R., Johnson, C. R. Jr., e Larimore, M. G. (2001), Theory and Design of Adaptive Filters, Prentice Hall.

V

Vaidyanathan, P. P. (1993), Multirate Systems and Filter Banks. Englewood Cliffs, NJ: Prentice-Hall.

WWidrow, B. e Winter, R.(2001), Neural Nets for Adaptive Filtering and Adaptive Pattern Recognition, IEEE, pp. 25-39.

Key words: adaptive linear combiner, signal processing, pattern recognition, adaptive pattern recognition

Widrow, B. e Stearns,S.D.(1985), Adaptive signal processing, Englewood Cliffs, N.J. : Prentice-Hall.1.1.1.2 Configuraes da Filtragem Adaptativa

Existem quatro principais configuraes de filtros adaptativos: Identificao de Sistemas Adaptativa (geralmente utilizada para identificao de canais para sistemas de classificao), Cancelamento de Rudos Adaptativo (que podem ser utilizados, por exemplo, em fones de ouvido), Predio Linear Adaptativa e Inverso de Sistemas Adaptativa. O algoritmo implementado por cada uma das configuraes bastante similar. Todas elas possuem um sinal de entrada, o resultado desejado, uma sada (do filtro), uma funo de transferncia adaptativa (conjunto de pesos), e um sinal de erro. A Identificao de Sistemas e a Inverso de sistemas podem tambm ter um sistema linear desconhecido que recebe uma entrada e produz uma sada utilizada no algoritmo iterativo (Honig 1984).

REFERNCIAS1.1.1.2.1 Identificao de Sistemas Adaptativa

A Identificao de Sistemas Adaptativa responsvel pela determinao de uma estimativa discreta da funo de transferncia para um sistema desconhecido digital ou analgico. A mesma entrada aplicada para o filtro adaptativo e para o sistema desconhecido a partir dos quais a sada comparada. A sada do filtro subtrada da sada do sistema desconhecido resultando no sinal desejado. A diferena resultante um sinal de erro usado para manipular os coeficientes do filtro do sistema adaptativo. Aps um nmero de iteraes, a funo de transferncia do filtro adaptativo convergir para a funo de transferncia do sistema desconhecido (Haikyn 1996).

REFERNCIAS

C

Chen, S, Billings, S. A. e Grant, P. M. (1990) Non-linear system identification using neural networks. International Journal of Control 51:1191-1214.

D

Davies, W.D.T, System Identification for Self-Adaptive Control, John Wiley & Sons, (1970)

H

Horvth, G., R. Dunay and B. Pataki (1996), Recurrent CMAC: A Powerful Neural Network for System Identification, Proc. of the IEEE Instrumentation and Measurement Society Conference, IMTC/96, Brussels, Belgium, June 4-6, Vol.2, pp. 992-997.

Key words: adaptive filter, system identification

K

Kalouptsidis, N. e Theodoridis, S. (1993), Adaptive System Identification and Signal Processing Algorithms (Prentice Hall International Series in Acoustics, Speech and Signal processing)

1.1.1.2.2. Cancelamento de Rudos Adaptativo

O Cancelamento de Rudos Adaptativo utilizado para remover o rudo de background de sinais teis. Esta uma tcnica extremamente til onde sinais esto rodeados por ambientes muito ruidosos, sendo empregada em diversas aplicaes, da aviao a diagnsticos mdicos.

Nessa configurao a entrada ruidosa comparada com o sinal desejado que consiste em um sinal corrompido por outro rudo. Os coeficientes do filtro adaptativo adaptam-se de forma que o sinal de erro seja a verso sem rudo do sinal.

REFERNCIAS

E

Elliot, S. J. e Nelson, P. A., Active Noise Control. IEEE Signal Processing Magazine, pp.12-35, Outubro 1992

Key words: noisy canceling, active noise, noise controlK

Kong H., Guan,L., Detection and Removal of Impulse Noise by a Neural Network Guided Adaptive Median Filter, IEEE Procedings of International Conference on Neural Networks, Perth, Australia, 1995Key words: Adaptive Median filter, noise in images, image integrity

K.S.M. Fung, F.K. Lam, F.H.Y Chan, P.W.F. Poon, J.G. Liu, Adaptive Neural Network Filter for Visual Evoked Potential Estimation , IEEE Procedings of International Conference on Neural Networks, Perth, Australia, 1995Key words: visual evoked potential, eletroencephalogram, non-linear behaviour, adaptive filterM

Marc M. Van Hulle , Learning Rate Adaptation Achieved in Unsupervised Competitive Learning: An Application to Noise Cancelling, IEEE Procedings of International Conference on Neural Networks, Perth, Australia, 1995Key words: noise canceling, competitive learningW

Widrow, B. et al., Adaptive Noise Cancelling: Principles and Applications. Proceedings of the IEEE, pp. 1692-1716, Dezembro 1975

Key words: adaptive filter, noise canceling, applications of noisy canceling filtering

1.1.1.2.1 Algoritmos Adaptativos

Os Algoritmos Adaptativos para filtros digitais podem ser divididos em trs gupos: least mean squares (LMS), least squares (LS) e algoritmos cegos.

REFERNCIAS

S

Solo, V. and Kong, X.(1995), Adaptive Signal Processing Algorithms, Stability and Performance, Prentice Hall.least mean squares (LMS)

Segundo Haykin (), o sucesso dos filtros adaptativos em muitos problemas prticos de processamento de sinais se deve em grande parte a algoritmos baseados no uso do gradiente, tais como o Least Mean Square (LMS). O LMS o algoritmo mais largamente utilizado e tambm o mais barato dos algoritmos para filtragem adaptativa.

Como em qualquer algoritmo adaptativo, o LMS baseia-se na otimizao de um certo valor. Neste caso, o valor o Erro Quadrtico Mdio e este objetivo atingido atravs do ajuste dos valores dos pesos do filtro.

REFERNCIAS

M

Michael, K. N. e Robert J. Plemmons, LMS-Newton Adaptive Filtering Using Based Conjugate Gradient Iterations, Electronic Transactions on Numerical Analysis.Volume 4, pp. 14-36, Maro 1996.

Key words: LMS-Newton adaptive filter algorithm, finite impulse response, Toeplitz matrix, circulant matrix, preconditioned conjugate gradient method, fast Fourier transform.T

Tanrikulu, O. e Constantinides, A.G. (1994), Least-mean kurtosis: a novel higher-order statistics based adaptive filtering algorithm, Electronics Letters, 30, pp. 189190.

WWidrow, B., McCool, J. M., Larimore, M. G. and Johnson, Jr. C. R.1976. Stationary and nonstationary learning characteristics of the LMS adaptive filter, Proceedings of the IEEE, vol. 64, pp.1151-1162.

least squares (LS)

Diferentemente do LMS, O algoritmo least-squares tem por objetivo a minimizao da soma ponderada dos erros quadrticos. Existem variaes como o RLS que leva em contam tambm as somas ponderadas obtidas anteriormente.

REFERNCIAS

B

Buyurman B., e Anthony G. Constantinides, Underdetermined-Order Recursive Least-Squares Adaptive Filtering: The Concept and Algorithms. IEEE Transactions On Signal Processing, VOL. 45, N. 2, Fevereiro 1997

M

Macchi, O. (1994), Adaptive Processing: The Least Squares Approach with Applications in Transmission, J. Wiley.Blind Algorithms

Os Algoritmos Cegos recebem este nome pois no fazem uso de conhecimento sobre o sinal transmitido. Uma classe popular de blind algorithms o decision directed. Existem tambm implementaes que fazem uso de algoritmos semi-blind que geralmente so utilizados em conjunto com treinamento.

1.1.1.2 Filtragem Adaptativa Linear

Filtros adaptativos lineares computam um estimado da resposta desejada utilizando uma combinao linear dos sinais de entrada.REFERNCIAS

J

John, F. M. e Kabal, P. (Junho - 1988), Nonlinear Adaptive Filtering for echo Cancellation, Proc. IEEE Int. Conf. Communications, Philadelphia, PA, pp 30.3.1-30.3.6.

K

Kalman, R.E. (1960), A New Approach to Linear Filtering and prediction problems, Trans, ASME, L Basic Eng., vol 82, pp. 35-40

NNerrand, O., Roussel-Ragot, P., Personnaz, L., Dreyfus, G., Marcos, S. (1993), Neural Networks and Nonlinear Adaptive Filtering: Unifying Concepts and New Algorithms, Neural Computation 5: 165-199.

Nerrand, O., Roussel-Ragot, P., Personnaz, L., Dreyfus, G., Marcos, S. , Neural Networks Training Schemes for Non-Linear Adaptive Filtering and Modelling, Neural Computation 5: 165-199.

1.1.1.2.1 Filtragem Adaptativa No-Linear

REFERNCIAS

H

Haykin, S. (Editor) (2000), Unsupervised Adaptive Filtering: Blind Deconvolution, Volume 1, Wiley.

Haykin, S., Yee, P. and Derbez, E. 1997. Optimum nonlinear filtering, IEEE transactions on signal processing, vol.45, pp. 2774-2786

1.1.1.2 Filtragem Adaptativa Supervisionada

A Filtragem Adaptativa Supervisionada, tambm chamada training-discret signal extraction (1) envolve as fases de treinamento e teste.

REFERNCIAS

R

Reed, J. H. (1989), Adaptive Filter Technology, Defense Eletronics, pp. 83-90

1.1.1.2 Filtragem Adaptativa No-Supervisionada

Pesquisas recentes em processamento de sinais envolvem adaptao no-supervisionada, que encontra muitos mtodos de anlise e compresso de imagens. O conceito de Filtragem Adaptativa No-Supervisionada esta relacionada ao conceito de auto-organizao em redes neurais.

1.1.1.2.1 Blind Source Separation

No BBS, sinais observados em mltiplos sensores so assumidos como sendo o resultado de uma combinao de sinais fonte e uma mixing matrix. Existem muitas aplicaes potenciais para o blind source separation na cincia e tecnologia, especialmente em comunicao sem fio, diagnsticos mdicos, explorao geofsica e realce de imagens/reconhecimento (como reconhecimento facial).

1.1.1.2.2 Channel Equalization

Quando sinais so transmitidas atravs de canais de comunicao sem fio, eles so corrompidos por rudos prejudicando a velocidade de transmisso dos dados. Conseqentemente, um problema importante nas comunicaes sem fio a equalizao de canais.1.1.1.2.2 Blind Deconvolution

Blind Deconvolution uma tcnica que permite a recuperao de objetos alvo a partir de um conjunto de imagens borradas na presena de uma funo de disperso de pontos (PSF) desconhecida ou pobremente determinada .

REFERNCIAS

An Rbf Network Method For Blind Signal Separation, Proceedings of the 2002 International Joint Conference on Neural Networks IJCNN02, 2002, Honolulu, HawaiiA

Albu, F., Mateescu, A., Mota, J.C.M e Dorizzi, B. (1998), Adaptive Channel Equalization Using Neural Network, ITS 98 Proceedings, vol. 2, pp 438- 441, 1998.

CCichocki,A.,Karhunen, J., Kasprzak, W., Vigario, R. (1999): Neural Networks for Blind Separation with Unknown Number of Sources, Neurocomputing, Elsevier, NL, vol. 24, 55-93.H

Haykin S., Unsupervised Adaptive Filtering, Volume 1: Blind Source Separation, 2000, Wiley.

Haykin, S. (Editor) (2000), Unsupervised Adaptive Filtering Volume 2 : Blind Deconvolution, Volume 2, Wiley.S

Simard,P.Y., Bottou L., Haffner, P. e Cun Y.L. , Boxlets: A Fast Convolution Algorithm for Signal Processing and Neural Networks, NIPS 11.

U

Uncini, A., Capparelli,F., Piazza, F. (1998), Fast Complex Adaptive Spleen Neural Networks for Digital Signal Processing, Procedings of IEE World Congress on Computacional Inteligence. Anchorage Alaska, 1998Outras Variaoes da Filtragem Adaptativa

Conforme a necessidade dos problemas a serem resolvidos, outras formas mais especficas de filtragem podem ser empregadas. Algumas delas so: multilayer, multiresolution, multichanel e subband adaptive filtering.

REFERNCIAS

B

Bradford, W. G., Henrique, S. M. e Dinei, A. F., Speech Dereverberation Via Maximum-Kurtosis Subband Adaptive Filtering, Department of Electrical Engineering, University of Washington, Seattle, Microsoft Research.

C

Chin, W. H., e FarhangBoroujeny, B., Subband Adaptive Filtering with RealValued Subband Signals for Acoustic Echo Cancellation

D

Darlington, D. J., e Campbell, D.R. (1996), SubBand Adaptive Filtering Applied To Speech Enhancement, ICLSP, pp. 921 924.

F

Faraj, Z., Ibnkahla, M., Castanie, F., Muli-layer adaptative filtering, Proc. of 6th SSAP Workshop, Victoria Canada, Outubro 1992, pp. 58-61.

Faraj, Z., Castanie, F., Muli-layer adaptative techniques and their applications, Control and Dynamic Systems, Academic Press.

G

Gilloire e Vetterli, M. , Adaptive Filtering in Subbands with Critical Sampling: Analysis, Experiments, and Application to Acoustic Echo Cancellation. IEEE Trans. Sign. Proc. Vol.40, No.8, Agosto - 1992.I

Ibnkahla, M., Faraj, Z., Castanie, F., Hoffmann, J. C., Statistical analysis of a 2-D input multi-layer linear neural network, International Vigo Workshop On Adaptive Methods And Emergent Techniques For Signal Processing And Communications Vigo, Espanha, Junho 16-18, 1993.

Ibnkahla, M., Faraj, Z., Castanie, F., Multi-layer adaptive filters trained with back propagation: a statistical approach, Signal Processing, Vol. 40, Outubro 1994, pp. 65-85.

Itoh, Y., et al. (1985), An acoustic echo canceler for teleconference, Proc. IEEE ICC, pp. 14981502.P

Parlos, A.G. e Kyusung Kim (2002), Model-Based Incipient Fault Diagnosis - Multi-Step Neuro-Predictors and Multi-Resolution Signal Processing , Proceedings of the 2002 International Joint Conference on Neural Networks IJCNN02, Honolulu, Hawaii

S

Sandeep, S. P., Reddy, V. U., A New Approach to Subband Adaptive Filtering., IEEE Transactions On Signal Processing, Vol. 47, No. 3, Maro 1999 .

Keywords. Acoustic echo cancellation, adaptive filtering, subband filtering.

1.1.7)1. Classificao de Sinais

A classificao de sinais, tambm referenciada na literatura como classificao de padres, realiza a classificao dos sinais na sada da rede neural em categorias. Este o caso de muitas aplicaes, como por exemplo, da tentativa de diagnosticar condies cardacas patolgicas a partir de traados de EKG (eletrocardiograma).

Os passos associados a esse tipo de classificao de sinais passam, entre outros, pela busca de uma parametrizao adequada, escolha de um conjunto de sinais representativos para treinamento do classificador e avaliao de seu desempenho com conjuntos de validao.

Os problemas de classificao de sinais geralmente envolvem um pr-processamento ou filtragem, sendo esta uma rea de intensa atividade. Kovcs (1996)

REFERNCIAS

B

Bishop, C. M., Neural Networks for Pattern Recognition, Oxford University Press, 1995.

Keywords: Most used neural networks for practical applications, parameter optimization algorithmsD

Richard, D. e Lippman R. P.(1991), Neural Network classifiers estimate Bayesian a posteriori probabilities, Neural Computation, no 3, pp 461-483.

Keywords: data pre-processing, e Bayesian method, classificationF

Flores, E. I., Oliveira, A. S.., A System Of Classification Of Eletrocardiographic Signals For Detection Of Abnormalities Of The Cardiac Conduction System Using Artificial Neural Networks, Department of Electrical Engineering, University of Uberlndia, Brazil.

Keywords: eletrocardiographic signals, artificial neural networks, backpropagation algorithm, feedforward structure

INTERNET CONTENThttp://www.spd.eee.strath.ac.uk/~interact/AF/aftutorial/adfilindex.html1.1.7)2. Aplicaes

As aplicaes das Redes Neurais Artificiais para Filtragem Adaptativa e Processamento de Sinais tem crescido muito juntamente com a necessidade de processamento de sinais digitais. As aplicaes entendem-se para reas como: telecomunicaes, multimdia, modems, compresso e descompresso, processamento de udio e imagens.

1.1.3.3.6.1 Speech Enhacement

O processamento de voz tem sido amplamente realizado com inmeras finalidades, entre elas, podemos citar: reconhecimento, codificao e sntese. A melhoria do sinal de voz esta diretamente ligada existncia de rudos.

Reconhecimento de voz

Reconhecimento de voz o processo atravs do qual um computador mapeia um sinal acstico de voz para texto.

REFERNCIAS

A

Allen, J., (1985), A Perspective on Man-Machine Communication by Speech, Proceedings of the IEEE, vol. 73, n11, pp. 1541-1550.

B

Bourlard, H.A., and Morgan, N. (1994), Connectionist Speech Recognition: A Hybrid Approach, Boston: Kluwer Academic Publishers.

D

Deketelaere, S., Deroo, O., e Dutoit, T. (2001), Speech Processing for Communications : what's new?, Revue HF, March 2001, pp. 5-24.F

Fontaine, V., Ris, C., Leich, H. (1996), Nonlinear Discriminant Analysis with Neural Networks for Speech Recognition, Proc. EUSIPCO 96, pp 1583-1586, Trieste.J

Jiang, W. e Malvar, H. (Julho 2000), Adaptive Noise Reduction of Speech Signals, Microsoft Research Technical Report, MSR-TR-2000-86.

N

Nokas, G., Dermatas, E. e Kokkinakis, G., On The Robustness Of The Critical-Band Adaptive Filtering Method For Multi-Source Noisy Speech Recognition, Electrical & Computer Engineering Dept.

University of Patras, Greece.

W

Wan, E. A., van der Merwe, R., Noise-Regularized Adaptive Filtering For Speech Enhancement

Waibel, A., Hanazawa, T., Hinton, G., Shikano, K., Lang, K. J. (1989) , Phoneme recognition using time-delay neural networks. IEE Trans. On Acoustics. Speech and Signal Processing, vol. 37, n 3

Speech Coding e Speech Syntesis

Speech coding um ramo dos mais desenvolvidos no Processamento de Sinais. A codificao de voz a compresso de voz (em cdigo) para transmisso usando processamento de sinais de udio e tcnicas de processamento de voz.

REFERNCIAS

A

Allen, J., (1985), A Perspective on Man-Machine Communication by Speech, Proceedings of the IEEE, vol. 73, n11, pp. 1541-1550.

Atal, B.S. (1982), A new model of LPC excitation for producing natural sounding speech at low bit rates, ICASSP 1982

C

Callot, I., Zarader, J. L. et Milgram, M., Dynamic neural network using weights transformation, application to speaker identification, International Conference on Artificial Neural Networicial Neural Networks (ICANN'95), Paris, Octobre 1995, pp 9-13.

G

Gas, B., Zarader, J. L., Chavy, C., A new approach to speech coding: the Neural Predictive Coding; Journal of Advanced Computational Intelligence, Vol 4, n1, Janvier 2001, pp 120-127.L

Lawrence, S., Lee G. C., The Gamma MLP for Speech Phoneme Recognition, (NIPS 8)

INTERNET CONTENTAtal.S., Speech Coding, http://cslu.cse.ogi.edu/HLTsurvey/ch10node4.html (escrito em 1991)

Bell Labs: http://www.bell-labs.com/project/tts/voices.html

Telecomunicaes

Um dos ramos que mais tem se beneficiado com a utilizao de Redes Neurais no Processamento de Sinais e Filtragem. Algumas das aplicaes mais estudas so: radares, antenas, satlites e telefones mveis.

REFERNCIAS

B

Bouchired, S., Ibnkahla, M., Castanie, F., M., Roviras (1998), Equalization of satellite mobile communication channels using combined self-organizing maps and RBF networks, IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP'98), Seattle (USA), Mai 1998, pp. 3372-3380.

C

Castanie F., Roviras, D., Ibnkahla,M. (1997), The Neural Network adaptive systems : impacts on satlellite mobile communications, Invited Paper, IEEE Colloquium 'EU's Initiatives in Satellite Communications, London.

Castanie, F., Ibnkahla, M., Roviras, D. (1997), Techniques Neuronales et communications avec les mobiles, Confrence invite, Confrence franco-russe Dynamique des Systmes complexes. ENSEEIHT, Toulouse.

Compton, R.T., Adaptive Antennas: Concepts and Performance, Prentice Hall, 1988.

I

Ibnkahla, M., Castanie, F. (1996), Neural network identification of digital satellite channels : the adaptative non linear enhancer, IEEE Internationl Conference on Neural Networks, ICNN'96, Washington D.C. - Junho 1996Ibnkahla, M., Castanie, F. (Outubro - 1994), Vector neural networks: A new tool for digital satellite communications, Invited Conference, International Workshop on Adaptive Methods and EmergentTechniques for Signal Processing and Communications, Vigo, SPAIN, pp 237-241

Ibnkahla, M., Castanie, F. (Janeiro 1996), Neural networks for signal processing and communications: Overview and new results, E. Biglieri e M. Louise Eds., Signal Processing in Communications, Captulo 28, Springer Verlag, London-New York.G

Gilloire, A. (1987), Experiments with subband acoustic echo cancelers for Teleconferencing, Proc. IEEE ICASSP, pp. 21412144.

L

Linlin Ge, Horng-Yue Chen, Shaowei Han, and Chris Rizos, Adaptive Filtering of Continuous GPS Results, School of Geomatic Engineering, The University of New South Wales, Sydney, Australia

N

Nitzberg, R. (1992), Adaptive Signal Processing for Radar, Artech House, London

W

Widrow, B., Mantey, P. E., Griffiths, L. J. and Goode, B. B. 1967. Adaptive antenna systems, Proceedings of the IEEE, vol.55, pp. 2143-2159

Widrow, B. and Walach E. 1996. Adaptive Inverse Control, Upper Saddle River, NJ:Prentice-Hall.

1.1.3.3.6.1 Processamento de Imagem e Vdeo

O processamento de imagens e vdeo tem evoludo muito nos ltimos anos. Uma das maiores dificuldades nesse tipo de processamento a necessidade de reduzir o rudo. Algumas reas como o processamento de vdeo em tempo real para aplicaes de multimdia so favorecidas pelo uso de redes neurais no processo de reconhecimento de padres, filtragem, etc.

REFERNCIAS

A

Alexandrov, D., Ma, W. Y., El Abbadi, A. e Manjunath, B. S. (Fevereiro - 1995), Adaptive filtering and indexing for image databases. Proc. of the SPIE Int. Conf. on Storage and Retrieval for Image and Video Databases - III, pages 12-23, San Jose, CA.

Andrews, H. C. e Hunt, B. R. (1977), Digital Image Restoration, Prentice Hall, Upper Saddle River, NJ.B

Bishop, C. M., Neural Networks for Pattern Recognition, Oxford University Press, 1995.

Bruton,L.T., N.R. Bartley, Z.Q. Liu ,The Classication of Motion in Image Sequences Using 3D Recursive Adaptive Filters to Obtain Neural Network Input Vectors, IEEE Procedings of International Conference on Neural Networks, Perth, Australia, 1995

Bruton, L. T. and Bartley, N. R. Three-dimensional image processing using the concept of network resonance, IEEE Trans. On Circuits and Systems, vol. CAS-32, pp. 664-672, 1985.

Bruton, L. T. and Bartley, N. R. The enhancement and tracking of moving objects in digital images using adaptive three-dimensional recursive filters, IEEE Trans. On Circuits and Systems, vol. CAS-33, pp. 604-612, 1986.

Key words: Motion, 3D Adaptive Filters, Image Processing.

D

Duda, R. O., Hart, P. E., and Stork, D. G. (2001). Pattern Classification, 2nd ed., John Wiley & Sons, NY.

E

Elad, M. e Feuer, A. (Maro 1999), Superresolution Restoration of an Image Sequence: Adaptive Filtering Approach. IEEE Transactions On Image Processing, Vol. 8, No. 3.G GonzalezandWoods (2002), DigitalImageProcessing,2ndEd.,Prentice Hall.

L Lim, J. S. (1990). Two-Dimensional Signal and Image Processing, Prentice-Hall, Prentice-Hall, Upper Saddle River, NJ.N

Nestares, O. e Portilla, J., Texture segmentation through adaptive filtering, Instituto de ptica, Consejo Superior de Investigaciones Cientficas, Madrid, Spain.

S

Soni, T., Rao, B.D., Zeidler, J. R. e Ku, W. H. (1991), Enhancement of Images using the 2-D LMS Algorithm, pp. 3029-3032, Proc. of the International Conference on Acoustics, Speech and Signal Processing, Toronto, Canada.Key words: Adaptive filters, least mean squares, recursive least squares, regularization, restoration, superresolution.

Smirnov, A. (1999). Processing of Multidimensional Signals, Springer-Verlag, NY.Reconhecimento de Imagens

O Reconhecimento de Imagens utilizado em aplicaes como: reconhecimento ptico de caracteres, reconhecimento biomtrico de faces e viso computacional.

REFERNCIASB

Bbel, F. G. and Wagner, T., Theoretical foundations of Synergetic Image Processing, in Proceedings of the 1st International Conference of Applied Synergetics and Synergetic Engineering, (Erlangen, Germany), pp. 46-52, june 1994.

H

Haken, H., Synergetic Computers and Cognition. Springer-Verlag, 1991.

M

Murase, H. and Nayar, S. K., Learning and Recognition of 3D Objects from Apearance in IEEE Qualitative Vision Workshop, (New York, USA), pp. 39-50, June 1993.

S

Schamm, U., Wagner, T., Spinnler, T. and Bbel, F. G. Relatioships between Neural Networks, Statistical Classifiers and Synergic Computers, in Proceedings of the 1st international Conference of Applied Synergetics and Synergetic Engineering, (Erlangen, Germany), pp. 10-19, june1994.

H

Hall, E. L. (1979). Computer Image Processing and Recognition, Academic Press, NY.

T

Tou, J. T. and Gonzalez, R. C. (1974). Pattern Recognition Principles, Addison-Wesley, Reading, MA,.

Viso Computacional

O objetivo principal da viso computacional obter informaes sobre o ambiente atravs do processamento de dados. Em outras palavras, uma das metas da viso computacional interpretar imagens digitais de cenas arbitrrias. Tcnicas como filtragem e segmentao de imagens so utilizadas neste processamento.

O campo da Viso Computacional tem uma longa tradio e muitos algoritmos para o processamento de imagens e reconhecimento de padres vem sendo desenvolvidos.

REFERNCIASE

Edelman, S. (1999). Representation and Recognition in Vision, The MIT Press, Cambridge, MA.

R

Ritter, G. X. and Wilson, J. N. (2001). Handbook of Computer Vision Algorithms in Image Algebra, CRC Press, Boca Raton, FL.

S

Shapiro, L. G. and Stockman, G. C. (2001). Computer Vision, Prentice-Hall, Upper Saddle River, NJ.

M

Mallot, A. H. [2000]. Computational Vision, The MIT Press, Cambridge, MA.

Mitiche, A. [1994]. Computational Analysis of Visual Motion, Perseus Publishing, NY.

G

Gupta, M. M., Knopf, G. K. and Nikiforuk, P. N. Sinusoidal based cognitive Mapping Functions, Intelligent Systems Research Laboratory, College of Engineering, University of Saskatchewan, Saskatoon, Canada 1988

INTERNET CONTENTB. Kogan Research Institute for Neurocybernetics - Lab for Neural Network Modeling in Vision Research :

http://www.drc.ntu.edu.sg/users/mgeorg/enter.epl

Events on Neural Networks Vision and Speech:

http://www.drc.ntu.edu.sg/users/mgeorg/enter.epl

1.1.7)3. Biomedical Engineering

As reas relacionas medicina tem utilizado de maneira intensas as tecnologias de processamento de sinais e filtragem adaptativa. Uma das propriedades das Redes Neurais mais utilizadas nesse campo o reconhecimento de padres, isto porque, muitos diagnsticos so baseados no reconhecimento de imagens e outros padres. O Processamento desses sinais tambm faz uso de filtros que possibilitem a melhora dos sinais disponveis, especialmente no caso do tratamento de rudos. O potencial do uso de redes neurais no processamento de imagens e sinais na medicina e reas relacionadas enorme.

REFERNCIAS

H

Hiraiwa, A., Shimohara, K. e Tokunaga, Y. (1990), EEG Topographic Recognition by Neural Networks, IEEE Soc. in Eng. in Med. and Biol., pp.39-40.

Hu Y., Luk K., Lu W., Neural-network-based Adaptive Filtering of Cervical Spinal Evoked Potentials for the localization diagnosis of Cervical Spondylotic Myelopathy, Department of Orthopaedic Surgery, The University of Hong Kong, China.S

Silipo,R. e Marchesi, C. (1998), Artificial Neural Networks for automatic ECG analysis, IEEE Transactions on Signal Processing, vol. 46, pp. 1417-1426.

Silipo, R., Bortolan, G. e Marchesi, C. (1999), Design of hybrid architectures based on neural classifier and RBF pre-processing for ECG analysis, Int. Journal of Approximate Reasoning, vol. 21, 177-196 1999.T

Tuulik, V., Meister, A., Raja, A. e Lossmann, E. (1996), Neural network-based analysis of quantitative EEG data in case of chronic occupational chemical stress. Electroencephalography and clinical neurophysiology, 99 (1996), no.4, Special issue, Abstracts of the 8th European Congress of Clinical Neurophysiology, Munich, Germany, p. 327.Key words: Bio-signal processing; adaptive filters; neural networks.V

Varanini, M., Emdin, M., Raciti, M. , Conforti, P., Macerata, A., Taddei, A., Balocchi, R. e Marchesi, C. (1992), Adaptative filtering for cancelling/enhancing the respiratory contribution to cardiovascular signals, J.Ambulatory Monitoring, vol. 5, pp. 95-105.

INTERNET CONTENTCenter for Biomedical Signal Processing and Control:

http://www.isvr.soton.ac.uk/SPCG/CBSPC/index.html

1.1.7)4. Tendncias

As reas que envolvem o processamento de sinais e redes neurais esto se tornando mais e mais desenvolvidas e iro, sem dvida, continuar sua expanso e diversidade no futuro. O processamento de sinais e a necessidade gerada por aplicaes em tempo-real, contribuem para o crescimento do uso de redes neurais a fim de tornar os processo de processamento de sinais to otimizados quanto possvel. As reas mais evidentes desse crescimento so: radar, sonar, rdio digital, redes, telecomunicaes, PDAs, imagem e vdeo, udio e processamento de sinais de voz, automveis, disk drives, e realidade virtual.

PAGE 2