Algoritmos genéticos para la separación de señales en medios lineales y no lineales

Abstract

Existen numerosas situaciones en el mundo real en que los datos que podemos observar y cuantificar tan sólo guardan una cierta relación desconocida con los datos que en realidad son objeto de interés. Por otra parte, resulta evidente la acentuada tendencia en la comunidad científica de confiar la solución de problemas reales a paradigmas basados en modelos biológicos. De alguna forma, se trata de imitar el razonamiento humano o los comportamientos observados en la naturaleza. Tal es el caso de las técnicas basadas en redes neuronales, razonamiento mediante lógica difusa o los paradigmas que mimetizan los procesos de evolución natural. En esta última categoría se encuadran los algoritmos genéticos, que implementan procedimientos de búsqueda y optimización sobre el espacio de soluciones basándose en el principio de "supervivencia del más dotado" (Darwin 1859). El presente trabajo de tesis doctoral se centra en resolver el problema de la separación ciega de señales para diferentes tipos de mezclas lineales y no lineales, aplicando técnicas basadas en evolución, más concretamente algoritmos genéticos. Se presentan dos algoritmos denominados GABSS y PNL-GABSS para la separación de señales en mezclas lineales y mezclas no lineales (modelo post-no-lineal), respectivamente. En el primer caso (mezcla lineal) la solución al problema se limita a encontrar los coeficientes de una matriz de coeficientes lineales que multiplicada por las señales mezcladas nos devuelva las señales originales . La solución propuesta en esta tesis doctoral para este caso, basada en algoritmos genéticos, es la de encontrar una solución que corresponde a una matriz de separación que maximice una determinada función que evalúa la independencia de un conjunto de estimaciones. En cuanto a la situación en que la mezcla no es lineal, encontrar las componentes independientes sin más no es condición suficiente para hallar la solución al problema de la separaci