Técnicas de clasificación, optimización y procesado de señal aplicadas a sistemas basados en sensores de gases y líquidos

Esta tesis se encuadra en el procesado de señales y métodos de reconocimiento de patrones aplicados sobre los sistemas conocidos como nariz y lengua electrónicas. Estos sistemas surgen como técnicas analíticas que tratan de imitar los sentidos del olfato y gusto humanos mediante una matriz de sensores de gases o líquidos más una etapa de procesado y clasificación de la información obtenida. Para desarrollar este tipo de de sistemas surgió la red de excelencia europea General Olfaction and Sensing Projects on a European Level (GOSPEL) que establecía como líneas de actuación la mejora de las tecnologías de los sensores, la implementación en tiempo real de los sistemas y la mejora de las técnicas de procesado estadístico de las señales, siendo éste el punto sobre el que se centran las aportaciones de esta tesis. En una primera parte se analiza el estado del arte, tanto de las tecnologías de los sensores como de las técnicas aplicadas a los mismos, en las que se constata la importancia que tiene la información proporcionada de forma dinámica. También se revisan los métodos en el estado del arte sobre procesado de señales aplicados sobre estos sistemas así como los métodos de clasificación. A partir de esta revisión bibliográfica surgen las necesidades de proponer nuevos métodos para la extracción de la información dinámica proporcionada por los sensores, así como establecer una comparativa entre los métodos de clasificación que se han venido utilizando. El objetivo final de realizar dicha comparativa es profundizar en los métodos que mejor resultado proporcionen para proponer mejoras adaptadas a los problemas bajo estudio. En la parte de extracción de la información dinámica se propone la ampliación de la transformada wavelet y se adapta un método de regresión para parametrizar las señales obtenidas de los sensores y utilizar estos parámetros como información discriminante. Los métodos propuestos se han probado sobre una serie de conjuntos de datos procedentes de diferentes tecnologías de sensores buscando en todo momento que los métodos puedan ser aplicados a la mayor variedad de sensores y señales posibles. En la parte de clasificación se propone una metodología de comparación de los diferentes algoritmos de clasificación encontrados en el estado del arte, además de la propuesta de nuevos métodos kernel que han sido aplicados con éxito a otros campos de investigación. En el marco de esta tesis se ha desarrollado un nuevo método de aprendizaje incremental de gran utilidad para los sistemas considerados ya que facilita la obtención de un nuevo modelo de clasificación ante un ensayo nuevo cuando se está en el proceso de aprendizaje. La parte de clasificación se cierra con la propuesta de un nuevo algoritmo de selección de características que permite relacionar la información seleccionada con los principios físicos que originan la separación entre clases. La conclusión más importante de la comparativa establecida entre clasificadores es que los métodos kernel proporcionan un grado de flexibilidad muy adecuado para trabajar con este tipo de sistemas y en especial las máquinas de vectores soporte, cuando se ajustan bien sus parámetros, aparecen como un método de clasificación que por sus características consiguen buenos niveles de tasa de acierto. A partir de esta conclusión, la última parte de la tesis se dedica a la propuesta de mejora de este tipo de clasificadores con los objetivos de mejorar la tasa de acierto, realizar la extensión a los problemas multiclase y reducir el número de operaciones necesarias para evaluar futuras muestras