| Revista: | Computación y sistemas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000359293 |
| ISSN: | 1405-5546 |
| Autors: | Zagaceta Alvarez, María Teresa1 Medel Juárez, José de Jesús2 |
| Institucions: | 1Instituto Politécnico Nacional, Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada, México, Distrito Federal. México 2Instituto Politécnico Nacional, Centro de Investigación en Computación, México, Distrito Federal. México |
| Any: | 2012 |
| Període: | Abr-Jun |
| Volum: | 16 |
| Número: | 2 |
| Paginació: | 255-260 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | En este documento se presenta el estudio de algunas técnicas de filtrado digital de señales para determinar cuál ofrece la mayor convergencia aplicada en sistemas lineales invariantes en el tiempo como: el método de mínimos cuadrados y el de gradiente estocástico, usando modelos ARMA (1) ("autoregresive moving average", modelos de primer orden estocásticos y descritos de manera recursiva). Se enfatiza en el análisis de las técnicas de filtrado adaptivo, desarrollando algoritmos que permiten identificar y estimar parámetros de manera integrada dentro de un sistema visto como caja negra de tal forma que sea posible conceptualizar su nivel de convergencia y mejorar los algoritmos que actualmente se utilizan en esta importante área que interviene tanto en visión artificial, como en sistemas de control complejos en los que se requiere de la predicción, descripción y reconstrucción de información. Los algoritmos presentados aquí se han desarrollado de manera analítica en base a la literatura citada y a las herramientas matemáticas necesarias, todos ellos simulados en Matlab |
| Resumen en inglés | This thesis presents a study of various techniques of digital signal filtering to determine which provides greater convergence when applied to time-invariant linear systems such as the least squares and the stochastic gradient method, using in all of them the ARMA (1) models (autoregressive moving average, first-order stochastic model). We have made emphasis in the analysis of adaptive filtering techniques to develop algorithms that allow us to identify and estimate parameters integrated within a system seen as a black box, in such a manner that it becomes possible to conceptualize their level of convergence and to improve algorithms that are currently used in this important area that is involved in both artificial vision and complex control systems, where information prediction, description and reconstruction are required. The algorithms presented here have been developed in an analytical manner on the basis of cited literature and the necessary mathematical tools. All of them were simulated using MathLab |
| Disciplines | Ciencias de la computación |
| Paraules clau: | Procesamiento de datos, Señales digitales, Filtrado digital, Filtrado adaptivo, Gradiente estocástico, Sistemas de referencia |
| Keyword: | Computer science, Data processing, Digital signals, Digital filtering, Adaptive filters, Stochastic gradient, Reference systems |
| Text complet: | Texto completo (Ver HTML) |
