Bolsa de PD em Processamento de Sinais

Post-Doctoral Fellowship in Signal Processing

• Resumo Summary

  Apesar de seu desempenho superior, filtros de Kalman podem não ser adequados para utilização em redes de sensores, devido ao seu elevado custo computacional (cúbico no número de parâmetros a ser estimado), e também à necessidade de se conhecer um modelo preciso para a evolução dos parâmetros que se deseja estimar. Recentemente foi demonstrado que é possível usar combinações de filtros adaptativos de complexidade linear no número de parâmetros com reduzida perda no desempenho de estimação, e também foi proposta uma nova classe de algoritmos adaptativos com complexidade linear que permitem rastrear classes maiores de sistemas do que o conseguido com filtros adaptativos clássicos.

  Neste trabalho pretende-se estender os resultados anteriores, buscando o desenvolvimento de aproximações do filtro de Kalman, com complexidade linear no número de parâmetros e robustas diante de incertezas no modelo da variação do vetor de parâmetros de interesse.

  Algoritmos distribuídos de aprendizado baseados em métodos como Mínimo Quadrado Recursivo (RLS) e Algoritmo de Mínimo Quadrado Médio (LMS) são propostas relativamente recentes, e permitem que redes de sensores contribuam para resolver estimativas ou detectar problemas de forma eficiente. Ademais, foram propostas versões do filtro de Kalman distribuído que possibilitam rastreamento ótimo (ou quase ótimo) de um vetor de parâmetros sob as restrições de linearidade e gaussianidade.

  Inscrições devem ser enviadas para vitnasci@usp.br com súmula curricular.

  A vaga está aberta a brasileiros e estrangeiros. O selecionado receberá Bolsa de Pós-Doutorado da FAPESP no valor de R$ 9.047,40 mensais e Reserva Técnica equivalente a 10% do valor anual da bolsa para atender a despesas imprevistas e diretamente relacionadas à atividade de pesquisa.

  Despite their superior performance, Kalman filters may not be adequate for use in sensor networks, due to their high computational cost (cubic on the number of parameters to be estimated), and also due to the need of a-priori knowledge of a model for the parameter evolution. We recently proved that it is possible to use combinations of adaptive filters to approximate the performance of Kalman filters with low computational cost (linear in the number of parameters). We also developed a new class of adaptive filters that allows near-optimal tracking with low computational cost for a larger class of models than possible with classical adaptive filters.

  The goal of this work is to extend these results and to develop low-cost approximations to the Kalman filter that are robust against uncertainties in the model for the variation of the parameter vector to be estimated.

  Distributed learning algorithms based on methods such as least-mean square (LMS) or recursive least squares (RLS) were proposed not long ago, and allow sensor networks to collaborate to solve estimation and/or detect problems efficiently. In addition, distributed versions of the Kalman filter were also proposed that allow optimal (or quasi-optimal) tracking of a parameter vector, under the constraints of linearity and Gaussianity.

  The study will be based at the Department of Electronic Systems Engineering of the University of São Paulo's Engineering School (POLI-USP) in Brazil.

  This opportunity is open to candidates of any nationality. The selected candidate will receive a Post-Doctoral fellowship from the São Paulo Research Foundation (FAPESP) in the amount of R$ 9,047.40 monthly and a research contingency fund, equivalent to 10% of the annual value of the fellowship which should be spent on items directly related to the research activity. 

  Applications by e-mail to vitnasci@usp.br, with short CV (FAPESP format).