In a lot of problems in science and technology, one face the signal processing challenge of acquiring information from a single phenomenon that is measured by a multiplicity of sensors. When the number of sensors is very rich, opportunities for exploiting the available degrees of freedom arise. In addition, when the size of available data becomes large, the opportunity for sensor failures increases and, if some signal processing care is not introduced, the contamination of the data increases when one deals with large data. The problem is that classical signal processing app

Community detection and statistical dependence detection between different sets of data are two very intertwined topics of research with many real world applications in areas involving information science resources, such as radar, astronomy, social sciences and even medicine. In this thesis, we present a solution to this emerging demand based on well-known statistical tools, like the Canonical Correlation Analysis (CCA) and the Empirical Characteristic Function (ECF). The advantage of the developed dependence detection technique against other ones is its on-line nature, as it utilizes the Affine Projection family of algorithms, a very powerful yet still unexploited set of adaptive filters. Our proposed algorithm has shown promising results and may become the baseline for various future lines of research in the field of data processing.

La detección de comunidades y dependencia estadística entre distintos conjuntos de datos son dos temas de investigación muy relacionados y que tienen muchas aplicaciones prácticas en áreas que involucran recursos de la ciencia de la información, como el radar, la astronomía, las ciencias sociales o hasta la medicina. En esta tesis presentamos una solución a esta demanda emergente basada en herramientas estadísticas bien conocidas, tales como el Análisis de Correlación Canónica (CCA) y la Función Característica Empírica (ECF). La ventaja que presenta la técnica de detección de dependencia desarrollada frente a otras es su naturaleza on-line, pues utiliza la familia de algoritmos de Proyección Afín, un grupo de filtros adaptativos con mucho potencial, pero aún poco explotado. El algoritmo que proponemos demuestra resultados prometedores y puede convertirse en la base para futuras líneas de investigación en el ámbito del procesado de datos.

La detecció de comunitats i de dependència estadística entre diferents conjunts de dades són dos temes d'investigació molt relacionats i que tenen moltes aplicacions pràctiques en àrees que involucren recursos de la ciència de la informació, tals com el radar, l'astronomia, les ciències socials o, fins i tot, la medicina. En aquesta tesis presentem una solució a aquesta demanda emergent basada en eines estadístiques ben conegudes, com l'Anàlisi de Correlació Canònica (CCA) i la Funció Característica Empírica (ECF). L'avantatge de la tècnica de detecció de dependència desenvolupada vers d'altres és la seva naturalesa on-line, ja que utilitza la família d'algorismes de Projecció Afí, un grup de filtres adaptatius amb molt potencial, però encara poc explotat. L'algorisme que proposem demostra resultats prometedors i pot convertir-se en la base per a futures línies de recerca en el camp del processament de dades.