Resumen

El rápido desarrollo de la tecnología de comunicación moderna hace que la identificación de las señales de emisor sea más complicada. En este trabajo se propone un algoritmo de identificación de conjuntos para señales de emisores mixtos basado en el método de agrupación de Ward y en las redes neuronales probabilísticas con análisis de correlación. El algoritmo consta principalmente de dos partes, una es la clasificación de las señales y la otra es la identificación de las señales. En primer lugar, se utiliza el filtrado autoadaptativo y la transformada de Fourier para obtener el espectro de frecuencias de las señales. A continuación, se utiliza el método de agrupación de Ward y algunos índices de validez de la agrupación para determinar el ámbito del número óptimo de agrupaciones. Para reducir este ámbito y encontrar el número óptimo de clasificaciones, se selecciona un número suficiente de muestras en las proximidades de cada centro de clase para entrenar redes neuronales probabilísticas, que corresponden a un número diferente de clasificaciones. A continuación, se obtiene el clasificador de la red neuronal probabilística óptima calculando el valor máximo del índice de validez de la clasificación. Por último, la precisión de identificación del clasificador se mejora eficazmente utilizando el método del análisis de correlación bivariable. Los resultados de la simulación también ilustran que los algoritmos propuestos pueden identificar con precisión las señales del emisor de impulsos.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:red neuronal probabilística, número de clasificación, número óptimo, número de muestra, índice de validez de la clasificación, métodos de agrupación de salas, algoritmo de identificación de conjuntos, clasificación de la señal, identificación del emisor, número de cluster
• Keywords:probabilistic neural network, number of classification, optimal number, number of sample, classification validity index, ward clustering methods, ensemble identification algorithm, classification of signal, identification of emitter, number of cluster