Rairán Antolines, José Danilo2019-09-192019-09-19http://hdl.handle.net/11349/20696En este artículo se reconstruye una señal periódica por medio de 2 redes neuronales. La primera es entrenada para aproximar el periodo de la señal, y la segunda sirve para estimar los coeficientes de la expansión de Fourier correspondientes. La estrategia consiste en minimizar el error medio cuadrático por medio del algoritmo de propagación hacia atrás sobre una neurona con función de transferencia senoidal. Además, en este artículo se presenta la prueba matemática acerca de la calidad de la aproximación, así como una primera modificación del algoritmo, la cual permite alcanzar el mismo resultado con menos datos, así entonces el algoritmo podría ser utilizado en aplicaciones que requieran tiempo realIn this paper, we reconstruct a periodic signal by using two neural networks. The first network is trained to approximate the period of a signal, and the second network estimates the corres­ponding coefficients of the signal's Fourier ex­pansion. The reconstruction strategy consists in minimizing the mean-square error via backpro-pagation algorithms over a single neuron with a sine transfer function. Additionally, this paper presents mathematical proof about the quality of the approximation as well as a first modi­fication of the algorithm, which requires less data to reach the same estimation; thus making the algorithm suitable for real-time implemen­tations.application/pdftext/htmlBackpropagationfrequency measurementFourier seriesharmonic analysisPropagación hacia atrásmedida de frecuenciaseries de Fourieranálisis de armónicosinfo:eu-repo/semantics/article