Data Assimilation under Affine Projection Algorithm

Abstract

Data assimilation consists of combining multiple sources of information in order to estimate the true state of a physical system as it evolves over time. As this field has multiple applications in today's technology such as automate driving, a lot of research has been done by Bayesian, Shannon's entropy and Deep Learning approaches. This thesis discusses how a classical communications system (GSLC) performs at learning the optimal way to fuse data from a set of sensors using adaptive algorithms (LMS, R-APA) and projective techniques. This study provides a solution and simulation results for two main issues: Selecting the sensors with less output uncertainty and excluding the sensors that attenuate the input signal. To end with, this work also contains its management, a brief description of the economic and environmental impact and the used MatLab code.

La asimilación de datos consiste en combinar múltiples fuentes de información para estimar el verdadero estado de un sistema físico a medida que evoluciona en el tiempo. A consecuencia de que este campo tiene múltiples aplicaciones en la tecnología actual, como en la conducción autónoma, se ha investigado mucho y con diferentes enfoques: Bayesianos, utilizando la entropía de Shannon y con modelos de Deep Learning. En esta tesis se discute cómo un sistema de comunicaciones clásico (GSLC) se desempeña al aprender cuál es la forma óptima de fusionar los datos recibidos por un conjunto de sensores empleando algoritmos adaptativos (LMS, R-APA) y técnicas proyectivas. Este estudio proporciona una solución y resultados en forma de simulaciones para dos escenarios: Como seleccionar los sensores que manifiestan una mayor precisión al captar información y como identificar y descartar los sensores que atenúan la señal de entrada. Para finalizar, este trabajo también contiene su plan de gestión, una breve descripción del impacto económico y medioambiental y el código MatLab usado para realizar las simulaciones.

L'assimilació de dades consisteix en combinar múltiples fonts d'informació per tal d'estimar l'estat real d'un sistema físic a mesura que evoluciona al llarg del temps. Com que aquest camp té múltiples aplicacions en la tecnologia actual, com per exemple en la conducció automàtica, s'han fet moltes investigacions mitjançant enfocaments bayesians, d'entropia de Shannon i d'aprenentatge profund. Aquesta tesi analitza com funciona un sistema de comunicacions clàssic (GSLC) per aprendre la manera òptima de fusionar dades d'un conjunt de sensors mitjançant algorismes adaptatius (LMS, R-APA) i tècniques projectives. Aquest estudi proporciona una solució i resultats per a dos problemes principals: Seleccionar els sensors amb menys incertesa de sortida i excloure els sensors que atenuen el senyal d'entrada. Per acabar, aquest treball també conté la seva gestió, una breu descripció de l'impacte econòmic i ambiental i el codi MatLab utilitzat.