05/10/2026
Durante este año he estado trabajando con el uso de radares y he aprendido algunas ideas interesantes sobre distintas cosas que aquí listo:
- Al trabajar con un sensor cuya información es de múltiples dimensiones y cuya incertidumbre es variable, los modelos estocásticos se vuelven una mejor alternativa.
- No es suficiente comprender las matemáticas de los métodos, sino ligar sus hipótesis con la física del fenómeno. De hecho, saber de la física del fenómeno te ayuda a evitar trabajo innecesario; vale la pena invertir en entender el problema antes de intentar cualquier solución heurística...
- La optimización nunca es global, como lo discutimos en https://www.youtube.com/live/_yD6w8KMI6M?si=M9fywjNERXQQq9yu puedo creer que he encontrado una perfecta solución, pero resulta que solo fue local... además no hay algoritmo que universalmente sea mejor que otro (no free lunch theorem)...
- La vida real comúnmente supera las hipótesis de resultados analíticos disponibles, esto genera nuevas preguntas y expande la necesidad de generalizar lo existente; es necesaria la retroalimentación continua entre lo que se lee en papers (o discutir con teóricos) y lo que vemos en experimentación.
- Es posible crear colaboraciones entre el sector privado y la investigación científica de universidades, pero los investigadores deben estar dispuestos a tratar de indagar en los problemas expuestos por dicho sector y no enfrascarse en lo que dominan...
Atte Adrian Guel
Libro: https://www.routledge.com/Introduction-to-Multidimensional-Nonstationary-Radar-Signal-Analysis-Using-Fourier-Transforms/Abratkiewicz/p/book/9781041286493
