A Study of MCA Learning Algorithm for Incident Signals Estimation

Judul : A Study of MCA Learning Algorithm for Incident Signals Estimation

Sumber : (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 5, No. 12, 2014

Oleh : Rashid Ahmed

Table of Contents

A. Rangkuman

Banyak pendekatan subspace berbasis sinyal telah diteliti untuk menentukan Arah Langsung Kedatangan (Direction of Arrival / DOA) dari gelombang pesawat yang menimpa berbagai sensor. Dua prosedur untuk jaringan syaraf berbasis DOA disajikan. Pertama, Principal Component Analysis (PCA) digunakan untuk mengekstrak nilai eigen maksimum dan vektor eigen dari subruang sinyal untuk memperkirakan DOA. Kedua, Minor component analysis (MCA) adalah metode statistik untuk mengekstrak vektor eigen yang terkait dengan nilai eigen terkecil dari matriks kovarians. Tulisan ini memodifikasi algoritma pembelajaran MCA untuk meningkatkan Konvergensi, di mana Konvergensi sangat penting untuk algoritma MCA terhadap aplikasi praktis. Parameter tingkat belajar (learning rate) juga disajikan, yang menjamin konvergensi algoritma cepat, karena memiliki efek langsung pada konvergensi vektor bobot dan tingkat kesalahan dipengaruhi oleh nilai ini. MCA dilakukan untuk menentukan perkiraan DOA. Hasil simulasi akan diperlihatkan untuk menggambarkan hasil teoritis yang diraih.

          Learning rate step ketika η= (0.01 and 0.1)



          Perbandingan convergence of algorithms

B. Keunggulan

Keuntungan utama dari algoritma ini adalah dapat menoleransi sinyal suara dengan lebih baik untuk mengekstrak nilai eigen minimum dari subruang kebisingan dan telah diterapkan untuk menemukan estimasi DOA.

C. Kekurangan

MCA yang dimodifikasi telah dengan cepat terkonvergensi ke komponen minor yang dikenai tingkat pembelajaran. Dalam konteks ini, tingkat pembelajaran biasanya harus ditetapkan pada nilai yang sesuai untuk mencapai solusi optimal dan untuk memindahkan algoritma terlalu dekat ke arah yang "benar".

D. Saran Pengembangan Selanjutnya

Dapat dikembangkan metode pengesetan konfigurasi learning rate secara otomatis.


Table of Contents