Nueva Metodología para la Diferenciación de Señales Discretas Unidimensionales mediante el Empleo de Características Geométricas

Autores

  • Hernán M. García Blesa Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Centro de Procesamiento de Señales e Imágenes. Ciudad Autónoma de Buenos Aires, Argentina.
  • Juan Vorobioff Universidad Tecnológica Nacional, Facultad Regional Buenos Aires. Ciudad Autónoma de Buenos Aires, Argentina.
  • Walter Legnani Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Centro de Procesamiento de Señales e Imágenes. Ciudad Autónoma de Buenos Aires, Argentina.

DOI:

https://doi.org/10.70567/mc.v41i15.79

Palavras-chave:

amplitud, ángulo de zenit, factor de forma, diferenciación de señales

Resumo

El presente estudio se centra en la aplicación de un algoritmo para la clasificación de sistemas dinámicos caóticos, incluyendo los sistemas de Henón, Chirikov, Schuster, Logístico y el modelo poblacional de Ricker. El algoritmo utiliza como mecanismo principal la técnica de barrido, para la cual se define una dimensión de embedding y un parámetro de discretización. La clasificación de los sistemas dinámicos caóticos se lleva a cabo mediante la extracción de características geométricas. La metodología utiliza tres elementos: magnitud de la señal, ángulo de Zenit y un factor de forma, generando ternas y reduciendo aquellas que se repiten durante el proceso. A partir de estos datos se crea un espacio de características donde cada vector es único. Además de la clasificación, se lleva a cabo un análisis detallado del espacio generado por el algoritmo, el cual proporciona información adicional que complementa la clasificación realizada.

Referências

Boaretto B.R.R., Budzinski R.C., Rossi K.L., Prado T.L., Lopes S.R., y Masoller C. Discriminating chaotic and stochastic time series using permutation entropy and artificial neural networks. 2021. https://doi.org/10.1038/s41598-021-95231-z

Cencini M., Cecconi F., y Vulpiani A. Chaos: from simple models to complex systems (Advances in Statistical Mechanics). World Scientific Publishing Company, 2009. https://doi.org/10.1142/7351

Devaney R. A first course in chaotic dynamical systems: Theory and experiment. Chapman and Hall/CRC, 2020. https://doi.org/10.1201/9780429280665

Keller K., Mangold T., Stolz I., y Werner J. Permutation entropy: New ideas and challenges. Entropy, 19(3):134, 2017. https://doi.org/10.3390/e19030134

May R. y McLean A.R. Theoretical ecology: principles and applications. Oxford University Press, 2007. https://doi.org/10.1093/oso/9780199209989.001.0001

Olivares F., Souza L., Legnani W., y Rosso O. Informational time causal planes: A tool for chaotic map dynamic visualization. En Nonlinear Systems-Theoretical Aspects and Recent Applications. 2019. https://doi.org/10.5772/intechopen.88107

Pinsky M.A. Introduction to Fourier analysis and wavelets, volumen 102. American Mathematical Society, 2023.

Strang G. Wavelet transforms versus fourier transforms. Bulletin of the American Mathematical Society, 28(2):288-305, 1993. https://doi.org/10.1090/S0273-0979-1993-00390-2

Tangirala A.K. Principles of system identification: Theory and practice. Crc Press, 2018. https://doi.org/10.1201/9781315222509

Publicado

2024-11-08

Edição

Seção

Artigos completos da conferência MECOM 2024