Resumen

Nos enfocamos en el problema de descomposición de señales multicomponentes no estacionarias que involucran Big Data. Proponemos el aprendizaje disperso del núcleo (KSL), desarrollado para el algoritmo de reasignación T-F mediante la función de penalización de trayectoria, para descomponer las crestas de frecuencias instantáneas (IFs) de los componentes superpuestos de una representación tiempo-frecuencia (TFR). El objetivo principal de KSL es minimizar el error del proceso de predicción al mismo tiempo que se minimiza la cantidad de muestras de entrenamiento utilizadas y, por lo tanto, reducir los costos interrelacionados con la colección de muestras de entrenamiento. La primera extracción de las IFs se decide utilizando el marco de la transformada de chirrido de polinomio de modo intrínseco (IMPCT), que obtiene una breve TFR ortogonal local de las señales. Luego, las curvas de IFs de la señal multicomponente pueden ser fácilmente reconstruidas mediante la reasignación T-F.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Descomposición; Señales no estacionarias; Big Data; Aprendizaje disperso de núcleo; Reasignación tiempo-frecuencia; Señales multicomponente
• Keywords:Decomposition; Nonstationary signals; Big Data; Kernel sparse learning; T-F reassignment; Multicomponent signals