Clasificación y predicción basada en mezclas de analizadores de componentes independientes

Abstract

[ES] El procesado estadístico de señal clásico se basa en explotar información de segundo orden. Desde la perspectiva de optimización (detección y estimación óptima), los estadísticos de segundo orden son estadísticos suficientes cuando se presenta Gaussianidad, pero conducen a soluciones sub-óptimas cuando se trata con modelos de densidad de probabilidad generales. En este trabajo se presentan diversas aplicaciones que hacen uso de una estructura de procesamiento no lineal que explota los estadísticos de orden superior. Las aplicaciones son: control de calidad mediante impacto-eco, segmentación y similaridad de objetos en procesamiento de imágenes y detección de estilos de aprendizajes en e-learning. Por último también se desarrolla un nuevo algoritmo de predicción basado en mezclas de analizadores de componentes independientes.

[EN] Classical statistical signal processing is based on exploiting second-order statistics. Spectral analysis and adaptive lineal filtering are probably the most representative examples. From an optimization point of view (detection and optimal estimation), second-order statistics are enough when Gaussianity is present, but they are sub-optimal when dealing with general probability densities. In this work several applications that use a nonlinear processing machine for exploiting higher-order statistics are presented. The applications are: material quality control using impact-echo testing, segmentation and similarity in image processing, and detection of learning styles in e-learning. Also a new algorithm of prediction based on mixtures of independent component analyzers have been developed