Search

[ES] En este trabajo de investigación se aplican métodos adaptables en el diseño de algoritmos computacionales, dichos algoritmos emplean redes neuronales y series de wavelets para construir “neuroaproximadores” wavenets. Se muestra cómo las wavenets pueden combinarse con los métodos autosintonizables para obtener el seguimiento de señles complejas que están en función del tiempo. Los algoritmos obtenidos se aplican en la aproximación de señales que representan funciones algebraicas y funciones aleatorias, así como en una señal médica deun ECG. Se muestran los resultados en simulación numérica de dos arquitecturas de neuroaproximadores wavenets: el primero está basado en una wavenet, con el cual se aproximan las señales bajo estudio donde los parámetros de la red neuronal son ajustados en línea; el otro esquema emplea un filtro IIR a la salida de la red wavenet para discriminar las contribuciones de aquellas neuronas que tienen menos peso en la aproximación de la señal, lo que ayuda a reducir el tiempo de convergencia a un error mínimo deseado., [EN] In this paper adaptable methods for computational algorithms are presented. These algorithms use neural networks and wavelet series to build neuro wavenets approximators. The algorithms obtained are applied to the approximation of signals that represent algebraic functions and random functions, as well as a medical EKG signal. It shows how wavenets can be combined with auto-tuning methods for tracking complex signals that are a function of time. Results are shown in numerical simulation of two architectures of neural approximators wavenets: the first is based on a wavenet with which they approach the signals under study where the parameters of the neural network are adjusted online, the other neuro approximator scheme uses an IIR filter to the output of wavenet, which serves to filter the out- put, in this way discriminate contributions of neurons that are less important in the approximation of the signal, which helps reduce the convergence time to a desired minimum error.

[ES] En este trabajo de investigación se aplican métodos adaptables en el diseño de algoritmos computacionales, dichos algoritmos emplean redes neuronales y series de wavelets para construir “neuroaproximadores” wavenets. Se muestra cómo las wavenets pueden combinarse con los métodos autosintonizables para obtener el seguimiento de señles complejas que están en función del tiempo. Los algoritmos obtenidos se aplican en la aproximación de señales que representan funciones algebraicas y funciones aleatorias, así como en una señal médica deun ECG. Se muestran los resultados en simulación numérica de dos arquitecturas de neuroaproximadores wavenets: el primero está basado en una wavenet, con el cual se aproximan las señales bajo estudio donde los parámetros de la red neuronal son ajustados en línea; el otro esquema emplea un filtro IIR a la salida de la red wavenet para discriminar las contribuciones de aquellas neuronas que tienen menos peso en la aproximación de la señal, lo que ayuda a reducir el tiempo de convergencia a un error mínimo deseado. [EN] In this paper adaptable methods for computational algorithms are presented. These algorithms use neural networks and wavelet series to build neuro wavenets approximators. The algorithms obtained are applied to the approximation of signals that represent algebraic functions and random functions, as well as a medical EKG signal. It shows how wavenets can be combined with auto-tuning methods for tracking complex signals that are a function of time. Results are shown in numerical simulation of two architectures of neural approximators wavenets: the first is based on a wavenet with which they approach the signals under study where the parameters of the neural network are adjusted online, the other neuro approximator scheme uses an IIR filter to the output of wavenet, which serves to filter the out- put, in this way discriminate contributions of neurons that are less important in the approximation of the signal, which helps reduce the convergence time to a desired minimum error.