Resumen

La función de base radial (RBF) es conocida por proporcionar un excelente rendimiento en la aproximación de funciones y la clasificación de patrones. La RBF convencional utiliza funciones de base que se basan en medidas de distancia como el núcleo gaussiano de la distancia euclidiana (ED) entre el vector de características y el centro de las neuronas, entre otros. En este trabajo, presentamos una nueva red neuronal artificial (ANN) RBF donde la función de base utiliza una combinación lineal del núcleo gaussiano basado en la ED y un núcleo coseno donde el núcleo coseno calcula el ángulo entre los vectores de características y centro. La novedad del trabajo propuesto radica en el hecho de que hemos demostrado que puede haber escenarios donde los dos vectores de características (FV) son más claramente distinguibles a través de la medida de coseno propuesta en comparación con la medida ED convencional. Discutimos la detección de símbolos adaptativos para señales de modulación por desplazamiento de fase múltiple (MPSK) como un ejemplo

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Función de base radial; Aproximación de funciones; Clasificación de patrones; Red neuronal artificial; Núcleo coseno; Modulación por desplazamiento de fase múltiple
• Keywords:Radial basis function; Function approximation; Pattern classification; Artificial neural network; Cosine kernel; Multiple phase shift keying