Abstract | Keywords | Fulltext | Export | TOC

Conventional non-adaptive filters that are used for extracted the information from an input signals, are normally linear and time invariant. In this case the restriction of time invariance is removed. This is done by allowing the filter to change the coefficients used in the filtering operations according to some predetermined optimization criteria. This has the important effect that the adaptive filters may be applied in areas where the exact filtering operation required may be known a priori and further, this filtering operation may be non-stationary. System modeling or system identification is one of the wide applications of the adaptive filtering that have a great importance in the fields of communication systems and signal processing .The main object of this paper is to find a best optimization algorithm that gives a minimum Mean Squared Error (MSE) between the desired and the actual signal to identify the unknown system. Many algorithms will be studied, such as the Least Mean Squared (LMS) algorithm, Adaptive Linear Neuron Network (ADALINE) and Genetic Algorithm (GA). Then we will produce a new improvement algorithm (we called it GALMS) that uses the LMS algorithm with optimized learning coefficient using genetic algorithm. Optimal weights (coefficients) will also be found to be concentrated with the actual weights.

المرشحات غير التكيفية التقليدية التي تستخدم في استخلاصِ المعلومات من إشارة إدخال معينة تكون عادة خطية وذات معاملات ثابتة مع الزمن. في هذه الحالةِ التقيد بالزمن يمكن التخلص منه عن طريق السَماح للمرشِحَ بتَغيير معاملاتِه اثناء عملياتِ التَرْشيح طبقاً لبعضِ المعايير التي تحقق الأمثلية المحدّدة مسبقاً. هذا لَهُ التأثيرُ المهمُ الذي يجعل استخدام المرشحات التكيفية في التطبيقات التي تحتاج تكيُّف ودقة في عملية الترشيح. إن تمثيل الأنظمة (system identification) أحد تطبيقات المَرْشحات التكيفية الكثيرةِ والتي لَها أهمية كبيرة في حقولِ أنظمة الاتصالاتِ ومعالجةِ الإشارة. الهدف الأساسي من هذا البحث هو إيجاد أفضل خوارزميةِ تحققِ أمثلية المنظومة أي أنها تَعطي أدنى معدل مربع خطأ (MSE) بين الإشارةِ المطلوبةِ والإشارة الفعليةِ لتَمثيل الأنظمة المجهولة. العديد مِنْ الخوارزميات سَتدرس في هذا البحث مثل خوارزمية اقل معدل مربع خطأ (LMS) ، شبكة الخلية العصبيةِ الخطيّةِ التكيفية (ADALINE) و الخوارزمية الوراثية (GA). ثمّ نعرض خوارزمية جديدة أسميناها (GALMS) والتي تستخدم أل (LMS) وال (GA) في أدائها. ستقوم هذه الخوارزمية بإيجاد احسن معامل تعلم (يعطي اقل (MSE)) عن طريق أل(GA) من ثم تطبيق هذا المعامل على أل (LMS) للحصول على أوزان (معاملات) المرشح المثالية والتي تماثل الأوزان الأصلية للمنظومة المجهولة .

Adaptive filters --- identification --- LMS --- ADALINE network --- and GAs.