Resumen

El algoritmo de máxima verosimilitud (ML) es el método de estimación de parámetros más común y efectivo. Sin embargo, al tratar con muestras pequeñas y una relación señal-ruido baja (SNR), se producen efectos de umbral y el rendimiento de la estimación degrada considerablemente. Se ha demostrado que la máquina de vectores de soporte (SVM) es adecuada para muestras pequeñas. En consecuencia, empleamos la relación lineal entre las entradas y salidas de la regresión de vectores de soporte de mínimos cuadrados (LS-SVR) y consideramos el proceso LS-SVR como un filtro lineal variable en el tiempo para aumentar la SNR de las señales recibidas y disminuir el valor umbral de la curva del error cuadrático medio (MSE). Además, se ha verificado que al realizar la estimación de frecuencia sinusoidal de tono único, por ejemplo, e integrar el análisis de datos y la validación experimental, si los parámetros de LS-SVR se configuran adecuadamente, no solo el proceso LS-S

• Materias:Redes complejas Redes ecológicas Ecuaciones en diferencias Sistema de ecuaciones diferenciales Valor límite fraccional
• Subjects:Complex networks Ecological networks Difference equations System of differential equations Fractional limit value
• Palabras claves:Máxima verosimilitud; Estimación de parámetros; Máquina de vectores de soporte; Regresión de vectores de soporte de mínimos cuadrados; Error cuadrático medio; Estimación de frecuencia.
• Keywords:Maximum likelihood; Parameter estimation; Support vector machine; Least squares support vector regression; Mean square error; Frequency estimation.