Application fields such as Internet of Things, wearables and 5G are typically battery and cost constrained, demanding algorithms with improved performance at reduced computational cost. Infinite impulse response (IIR) adaptive filters (AFs), are known by their ability to model an unknown system in a compact manner, but their typically low convergence rates may pose a major obstacle to their widespread use when identifying rational plants. In this work, two new iterative methods based on Padé approximants mappings (PAM) are introduced to be used in hybrid finite impulse response (FIR)-IIR adaptive filter combination to accelerate convergence while preserving steady-state performance. An iterative linear system solver is employed to leverage the FIR AF by performing the PAM at all iterations, in contrast to previous approaches that performs the mappings either once or in a cyclic manner. The proposed methods spread the computational cost and makes them suitable for hard real time applications. Simulations show the novel mappings efficiency by outperforming previous cyclic mapping approaches and even modern metaheuristic algorithms. After addressing the standalone IIR AF applications, a distributed estimation implementation for adaptive networks (ANs) of the hybrid FIR-IIR structure is introduced. Simulations show that the proposed IIR-ANs are able to outperform traditional FIR-ANs when estimating auto-regressive moving-average (ARMA) processes by reducing from 70% to 90% the total quantity of multiplications, making it suitable for IoT and sensor networks (SNs) applications.

Aplicações como Internet das Coisas, dispositivos vestíveis e 5G são normalmente limitados por energia e custo, exigindo algoritmos com desempenho aprimorado e custo computacional reduzido. Filtros adaptativos (FAs) de resposta ao impulso infinito (IIR) são conhecidos por sua capacidade de modelar um sistema desconhecido de uma maneira compacta, mas suas taxas de convergência tipicamente baixas podem representar um grande obstáculo para seu uso difundido na identificação de plantas racionais. Neste trabalho, dois novos métodos iterativos baseados em mapeamentos de aproximantes de Padé (PAM) são introduzidos para serem usados na combinação de filtros adaptativos de resposta ao impulso finita (FIR)-IIR híbridos para acelerar a convergência enquanto preserva o desempenho em estado estacionário. Um solucionador de sistema linear iterativo é empregado para alavancar o FA FIR executando o PAM em todas as iterações, em contraste com abordagens anteriores que executam os mapeamentos uma vez ou de maneira cíclica. Os métodos propostos distribuem o custo computacional e os tornam adequados para aplicações de tempo real. As simulações mostram a eficiência dos novos mapeamentos superando abordagens de mapeamento cíclico anteriores e até mesmo algoritmos metaheurísticos modernos. Depois de abordar as aplicações FA IIR autônomas, uma implementação de estimação distribuída para redes adaptativas (ANs) da estrutura híbrida FIR-IIR é apresentada. Simulações mostram que os IIR-ANs propostos são capazes de superar os FIR-ANs tradicionais ao estimar processos de média móvel auto-regressiva (ARMA), reduzindo de 70% a 90% a quantidade total de multiplicações, tornando-o adequado para IoT e aplicações de redes de sensores (SNs).