@MASTERSTHESIS{ 2022:2096842456,
 	title = {Estimação adaptativa de estados baseada na família de algoritmos LMS em Espaço de Estados (SSLMS)},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/4212",
 	abstract = "Através de algumas técnicas de estimação, pode-se estimar uma quantidade de interesse
 desconhecida, com base em um conjunto de dados medidos ou possivelmente corrompidos
 por ruído de medição, sendo a qualidade dessa estimativa avaliada pela proximidade com
 o valor verdadeiro. A filtragem usa observações presentes e passadas para produzir uma
 estimativa atual da quantidade desconhecida. A estrutura em espaço de estado permite
 trabalhar com a dinâmica do sistema, como o algoritmo LMS (Least-Mean Square) em
 espaço de estado SSLMS (State Space Least-Mean Square) que gera um vetor de estado
 
 estimado, sendo uma possível solução ao problema de estimação. O SSLMS supera a capacidade de rastreamento do LMS padrão, a qual é limitada devido à suposição de modelo
 
 de regressão linear. Ao superar essa restrição, o SSLMS exibe uma melhoria acentuada
 no desempenho do rastreamento em relação ao LMS padrão e suas variantes conhecidas.
 Partindo desse princípio, propõem-se neste trabalho nova variante do filtro adaptativo da
 família do LMS em espaço de estado para estimação das variáveis de estado. O método
 proposto, denominado algoritmo do tipo ZA-LMS (Zero-Attracting LMS) é comparado
 
 com os demais algoritmos da literatura para avaliação de desempenho em termos de velocidade de convergência e capacidade de rastreamento.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}