SUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE
|
|
- Juan Antonio Botella Maidana
- hace 8 años
- Vistas:
Transcripción
1 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de SUPPORT VECTOR MACHIE FOR DETECTIG TEXTIE DEFECTS, USIG FEATURES SPATIA OF TEXTURE MÁQUIA DE VECTORES DE SOPORTE PARA A DETECCIÓ DE DEFECTOS TEXTIES EMPEADO CARACTERÍSTICAS ESPACIAES DE TEXTURA Ing. Duber Martínez Torres, Ing. Sergo Oruela Unversdad Antono arño, Colomba E-mal: duber0@yahoo.com, seraleov@teln.ugent.be Abstract: Ths paper presents the results obtaned by usng a classfer wth Support Vector Machnes for detectng textle defects n fabrcs. In order to obtan the necessary texture features for the detecton, four dfferent texture analyss methods were used. The results show the valdty of the scheme mplemented for the detecton of fve of the most common types of defects. Resumen: En este trabao se presentan los resultados obtendos al emplear un clasfcador con Máqunas de Vectores de Soporte para la deteccón de defectos en telas sn estampar. Se utlzan cuatro técncas espacales para análss de textura que unto a un grupo de descrptores estadístcos permten conformar las característcas necesaras para la deteccón. os resultados muestran la valdez del esquema mplementado para la deteccón de cnco de los tpos más frecuentes de defectos. eywords: Image Processng, mage obect recognton, pattern recognton.. ITRODUCCIÓ Dentro del proceso textl, una prmera etapa es la produccón de telares en crudo, que corresponde a telas sn nngún tpo de estampado y es en este punto donde se deben detectar los dferentes tpos de defectos en el tedo. En países como Colomb muchas de estas tareas de nspeccón y control de caldad son realzadas por operaros, lo cual conlleva a la nexacttud en los resultados obtendos por factores como: la velocdad con que pasa la tela bao revsón, la ampla área que debe ser abarcad el cansanco físco y agotamento vsual que esta actvdad mplc entre otros. Para el trabao, se emplearon muestras textles sumnstradas por empresas textles del departamento del Tolma-Colomb dentro de ellas, se selecconaron los prncpales defectos que se presentan durante el proceso de fabrcacón. Algunos de estos defectos son apenas perceptbles a smple vst lo que los hace dfícles de detectar. Dada la naturaleza de la superfce de los tedos, los defectos aparecen como una varacón de la textur razón prncpal por la cual las técncas de análss de textura han sdo amplamente empleadas para este tpo de aplcacones (Habt et al., 004), (Pérez et al., 007). Exsten dversos enfoques para la extraccón de las propedades de textura: espacales, espectrales, estructurales, basadas en modelo, basadas en color. (ulak, 00), (Ralló et al., 003). En este trabao se explora sí algunas de las técncas espacales más comúnmente empleadas, unto con un clasfcador apropado permten detectar los defectos presentes en las muestras adqurdas. Se Unversdad de Pamplona
2 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de hzo la seleccón de las técncas espacales dado que presentan las condcones de velocdad y compledad apropadas para su mplementacón en un sstema de tempo real. En trabaos prevos han empleado clasfcadores prncpalmente basados en Redes euronales Artfcales (Islam et al., 006). En este trabao se emplea como clasfcador una Máqunas de Vectores de Soporte SVM (por sus sglas en nglés Support Vector Machnes), que en los últmos años, han mostrado ser una herramenta muy poderosa en la clasfcacón (wang et al., 00). Se parte de una descrpcón de las mágenes adqurdas y la plataforma de captura emplead segudamente se realza una explcacón de las dferentes técncas espacales de análss de textura mplementadas para la extraccón de las característcas así como del clasfcador con SVM. En la últma seccón se ndcan los resultados obtendos de acuerdo con los dferentes tpos de defectos y las dstntas técncas mplementadas.. DESCRIPCIÓ DE BACO DE PRUEBAS. Imágenes de Prueba as mágenes que conforman el banco de pruebas para la deteccón de defectos, fueron adqurdas a partr de muestras de tedo representatvas de la ndustra textl de la regón. Fueron consderados cnco tpos de defectos: defectos de barrado, defectos por manchas, defecto de mota ted defecto de marposeo y defecto por pques. a Fg.. corresponde a mágenes de los respectvos defectos en el orden anterormente expuesto. (a) (b) (c) (d) (e) Fg.. Tpos de defectos. (a) defecto de barrado, (b)defecto de manch (c)defecto de mota ted (d)defecto de marposeo y (e)defecto por pques. Plataforma de Captura as muestras obtendas corresponden a tedos sn estampar tpo tubular como se ndca en la Fg. Para la captura se mplementó la plataforma que se muestra en la Fg. 3. que permta emular algunas de las condcones de la máquna teedora. Fg.. Tedo Tubular Fg. 3. Plataforma as mágenes se capturaron con una resolucón de 640x480 y durante el preprocesamento fueron dvddas en cuadrículas de 00x00 sobre las cuales se busca la deteccón de los defectos. Para el entrenamento del clasfcador se emplearon un total de 500 mágenes, 00 por cada tpo de defecto y para la valdacón se emplearon 000 mágenes, 00 por cada tpo de defecto. 3. TÉCICAS DE AÁISIS DE TEXTURA IMPEMETADAS En un sentdo general, la textura hace referenca a las característcas y aparenca de la superfce de un certo obeto, de acuerdo con el tamaño, form densdad, arreglo y proporcón de los elementos estructurales que la consttuyen. Se cuenta con dferentes enfoques para extraer la nformacón a partr de la textura de la magen (Turceryan y Jan, 993). En este trabao se explora uno de estos enfoques, basado en las propedades espacales de la magen y la dstrbucón espacal de las varacones de tono dentro de un grupo de píxeles de resolucón. Se exploran cuatro técncas espacales para la extraccón de característcas, a partr de la textura. A contnuacón se realza una breve descrpcón de cada una. 3. Matrz de Concurrenca de veles de Grs a matrz GCM por sus sglas en nglés (Grey evel Co-occurrence Matrx) es conformada como un hstograma de dos dmensones, donde se ndca la frecuenca en que aparece una certa relacón entre pares de píxeles para una dstanca y orentacón dada. Se establecen típcamente 4 orentacones 0, 45, 90 y 35 para dstancas de,, etc. píxeles de separacón. Unversdad de Pamplona
3 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de probabldad, donde a cada celda se le asgna el valor ndcado por la ecuacón (), que corresponde a la relacón de aparcón de un evento entre el número total de posbles eventos. (a) (b) Fg. 4. Píxeles vecnos. (a) d, (b) d En la magen de la Fg. 4 (a), se ndcan los píxeles vecnos tomando como referenca una dstanca d. Para una orentacón de 0º los píxeles a consderar son los de la poscón y 5. Para la orentacón de 45º los píxeles 4 y 8. El la Fg. 4 (b) se toma como referenca una dstanca d, con los píxeles,5 y 4,8 para las orentacones 0º y 45º respectvamente. Es posble conformar una matrz de GCM para cada combnacón dstanca-orentacón. Dcha matrz se conforma de la sguente manera: a magen orgnal se cuantfca para un total de g nveles de grs. Se genera una matrz de g flas y g columnas. Cada celda ndca el número de veces que una determnada parea de nveles de grs se repte al recorrer la magen cuantfcad en la orentacón y dstanca determnada. d,?45 Fg. 5. Matrz GCM En la Fg. 5. se ndca la matrz GCM para una orentacón de 0º y dstanca d. a celda correspondente a la fla k, columna m, ndca que al recorrer la magen cuantfcad las veces que se encuentra que el vecno del un píxel con nvel de grs k, para una dstanca de píxel con una orentacón de 45º tene un nvel de grs m, se repte 00 veces. Con la fnaldad de hacer nvarable la matrz GCM respecto al tamaño de la magen, es necesaro normalzarl para ello prmero se vuelve smétrca sumándole su transpuest y segudamente expresándola como una funcón de V c () V, Descrptores de textura empleados Una vez obtenda la matrz GCM, se conforma un vector de característcas cuyos elementos corresponden a los descrptores ndcados a contnuacón (Jménez, 00): Sean: c g Entropía Térmno, de la matrz GCM úmero de nveles de grs y Unformdad Contraste g y g Ent c log c () U c (3) Con c (4) Correlacón Crr ( µ )( µ ) c σ σ Donde µ c µ σ σ ( µ ) c ( µ ) c c Momento de Dferenca de Orden k: (5) Df c (6) k Momento Inverso de Dferenca de Orden k: c Inv ; (7) k Unversdad de Pamplona 3
4 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de Máxma Probabldad max ( c ) Homogenedad ocal: c H + ( ) Varanza Drectvdad V Tendenca de Cluster: mp (8) c (9) ( µ ) (0) Dr () k TC ( + µ ) c () 3. Matrz de Secuenca de ongtud de vel de Grs GRM (Gray evel Run ength Matrx) Por lo general un número grande de píxeles vecnos del msmo nvel de grs representan una textura rustc mentras que un reducdo número de estos píxeles representa una textura refnad de tal forma que la longtud de prmtvos de textura en dferentes dreccones puede servr como descrptor de textur donde un prmtvo es el máxmo conunto contguo de píxeles de nvel de grs constantes ubcados en una línea. El método de longtud de secuencas de grs está basado en calcular el número de secuencas de nvel de grs de varas longtudes, donde una secuenca de nvel de grs es un conunto de puntos de la magen lnealmente adyacentes en una secuenca en una determnada orentacón. En la Fg. 6, las dos celdas sombreadas ndcan una secuenca de longtud en la orentacón de 45º. Fg. 6. Secuenca de longtud c Fg. 7. Matrz GRM Una vez la magen se ha cuantfcado en G nveles de grs, se genera la matrz GRM con G flas y M columnas, donde M corresponde a la máxma longtud de la secuenca. Por cada posble orentacón (0º, 45º, 90º y 35º) se genera una matrz GRM. En la Fg. 7, se ndca la conformacón de la matrz para una orentacón de 0º. El valor 0 que aparece en la celda sombreada ndca que para el nvel de grs k, se encontraron 0 secuencas de longtud m de píxeles consecutvos con el msmo valor k en una orentacón de 0º. 3.. Descrptores de Textura empleados Sea B ( el número de prmtvos de la longtud r y el nvel de grs a, en alguna dreccón φ ; M, las dmensones de la magen, y el número de nveles de grs de la magen. Sea longtud de prmtvo máxma en la magen. El número total de secuencas se obtene de: m a r m la B( (3) Fueron empleados los sguentes descrptores de textura: Énfass de prmtvos (Run) largos RE (ong Run Emphass): RE m B( r (4) a r Énfass de prmtvos (Run) cortos SER (Short Run Emphass) SER m a r B( r (5) Unformdad de nvel de grs GU (Gray evel Unformty) m a r B( GU (6) Unformdad de longtud del prmtvo (Run) RU (Run enght Unformty) m r a B( GU (7) Porcentae de prmtvo (Run) RPC (Run Percentage). RPC m n r rb( (8) 3.3 Matrz de Dependenca de veles de Grs de la Vecndad GDM (eghbourng Gray evel Dependence Matrces) Se buscan característcas ndependentes de la orentacón, consderando la relacón entre un elemento y todos sus vecnos smultáneamente en vez de una sola dreccón. Esto elmna la Unversdad de Pamplona 4
5 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de dependenca angular y reduce el tempo de cálculo requerdo para procesar una magen. os parámetros de la matrz son la dstanca d y el umbral de tal forma que se puede obtener una matrz por cada posble combnacón de dchos parámetros. a matrz es calculada de la relacón de nvel de grs entre cada elemento en la magen y todos sus vecnos a una certa dstanca d. a matrz GDM es conformada por G flas, correspondente al número de nveles de grs de la magen cuantfcada y r columnas, donde r es el número de posbles vecnos a un píxel en un rango especfcado por d. En la Fg. 8 se ndca la matrz GDM para el caso de una vecndad de dstanca d, donde se tenen 6 vecnos para el píxel central Fg 9. El valor 0 que aparece en la celda sombreada ndca que al recorrer la magen, se ha encontrado 0 veces que para un píxel con nvel de grs k, dcho píxel tenga 8 vecnos cuya dferenca de nvel de grs con el nvel k sea menor que el umbral a. Fg. 8. Matrz GDM 3.3. Descrptores de Textura empleados Se emplearon los sguentes descrptores: Sea Q la matrz GDM Fg. 9. vecndad d Énfass de número pequeño. SE (Small umber Emphass) SE Q(, ) (9) Énfass de número argo E (arge umber Emphass) E ( Q(, )) (0) o unformdad de úmero U (umber on- Unformty) U Q(, ) () Entropía ET (Entropy) ET Q(, )log( Q(, )) () Segundo Momento SM (Second Moment) SM Q(, ) (3) [ ] 3.4 Medda de Energía de la Textura de aws El método de energía de textura para el análss de textura nvolucra la aplcacón de fltros smples a mágenes dgtales (Habt et al., 004), aws dseño estos fltros para destacar característcas de alta energía de textura en mágenes usando como base fltros Gaussanos, la deteccón de bordes y fltros de tpo aplacano, usando una sere de arreglos de píxeles de mpulso obtendos de una combnacón de vectores undmensonales, estos vectores son dvddos en tres vectores base: 3 [,, ] E3 [-, 0, ] S3 [-,, ] (4) Estos vectores representan promedo (evel), deteccón de bordes (Edge) y deteccón de puntos o manchas (spots). Es posble obtener vectores de mayor tamaño para analzar una magen en dferentes escalas, convoluconando los tres vectores base, obtenendo fnalmente cnco vectores llamados máscaras de convolucón undmensonales: E5 [-, -, 0,, ], 5 [, 4, 6, 4, ], R5 [, -4, 6, -4, ], S5 [-, 0,, 0, -], W5 [-,, 0, -, ] (5) A partr de estas máscaras undmensonales, se generan 5 máscaras bdmensonales convoluconándolas como se ndca en la tabla. Tabla : Máscaras de convolucón bdmensonales Se generan 5 mágenes parcales al aplcar cada máscara sobre la magen orgnal. Sobre cada una de estas mágenes se aplca el fltro no lneal que se Unversdad de Pamplona 5
6 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de ndca en la ecuacón (6). Generando las 5 mágenes parcales ndcadas en la tabla. l l ew( x, y) Old( x +, y + ) (6) l Tabla : Imágenes con fltro no lneal Se combnan mágenes con nformacón complementara como se ndca en la ecuacón (7). E5 5TR E55T + 5E5T (7) Se obtene de esta forma 0 mágenes transformadas TRmag sobre las cuales se procede a aplcar los descrptores estadístcos de textura para así formar los vectores de característcas. Energía TRmag (, ) (8) Pr omedo ( µ ) TRmag(, ) (9) M Varanza ( M ) ( TRmag(, ) µ ) (30) 3 ( TRmag(, ) µ ) Skewness (3) 3 M Var 4 ( TRmag(, ) µ ) urtoss (3) M Var 4. CASIFICADOR CO SVM Se presenta en forma compacta los pasos báscos para la mplementacón del clasfcador con una máquna de vectores de soporte SVM (Support Vector Machnes). Se conforma la clase C, con los vectores de característcas de las dferentes mágenes correspondentes a mágenes de textles en buen estado. Y la clase C conformada con los vectores de característcas de las mágenes correspondentes a muestras con defectos. Se seleccona una funcón ernel. En este trabao se empleó la funcón Gaussana. x x ( x, x ) exp 33) σ Se resuelve el sguente problema de optmzacón: Maxmzar Se calcula: α Sueto a : 0 α C α α y y ( x, x ) α α y,,, 0 [ ( x, x ) ( x, x )] b ˆ ˆ y p + VS n (34) α (35) Donde: x Vector soporte x p Vector soporte del plano postvo Vector soporte del plano negatvo x n Se conforma la funcón dscrmnante: f ( x) α ˆ y [ ( x, x) bˆ] (36) SV + Para resolver el problema de optmzacón se han planteado múltples solucones, algunas aparecen referencadas en (Crstann y Shawe, 000). En este trabao se empleó un algortmo de programacón cuadrátca. Para resolver el problema de programacón cuadrátca es necesaro expresar el problema de optmzacón en forma matrcal. Mnmzar T T α Hα + f α Sueto a : A α 0 0 α C Donde y y y y y y y y H M M y y y y eq α,,, y y y y y y M (37) (38) x, x ) (39) α A T eq ( α α α ] (40) [ [ y y y ] (4) T f [ ] (4) Unversdad de Pamplona 6
7 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de 5. RESUTADOS EXPERIMETAES Para la valdacón de las técncas se emplearon un total de 000 mágenes, 000 de las cuales corresponden a mágenes de muestras en buen estado y 000 de muestras con defectos, dvddas en grupos de 00 mágenes por cada tpo de defecto. En la tabla 3, se presentan los porcentaes de acerto obtendos en la clasfcacón de las dferentes muestras tanto en buen estado como con los tpos de defectos. Cada columna corresponde al resultado del clasfcador con SVM y los vectores de característcas obtendos por cada una de las cuatro técncas de análss de textura mplementadas. Así, por eemplo, el prmer valor de la tabla 98.3 ndca que de las 400 mágenes (00 de muestras en buen estado y 00 con defecto de barrado) 393 fueron correctamente clasfcadas como buenas o como con defecto, al emplear la técnca GCM. En esta tabl a partr del promedo se muestra que el meor desempeño global se obtene con la GDM y el más bao con AWS. Sn embargo se observan algunas varacones en el desempeño relatvo de cada técnca respecto al tpo de defecto. En la tabla 4 se ndca el porcentae de acerto en la deteccón de los defectos, así por eemplo, el prmer valor 98.5 ndca que de las 00 mágenes correspondentes al defecto de barrado, con la técnca GCM se reconoceron 97 como con defecto y 3 como s no tuvesen defectos. Aunque en promedo GDM presenta el desempeño global más alto, sn embargo se observa que esto varía de acuerdo con el tpo de defecto, así por eemplo, para barrado GCM presenta el mayor valor, mentras que para pques y marposeo el mayor valor se obtene con AWS. Estos datos sn embargo no son completos, s no se tene en cuenta el porcentae de falsos acertos, que corresponden a mágenes de muestras en buen estado clasfcadas como defectuosas; en la tabla 5 se ndca el porcentae de falsos acertos. os menores errores por falsas deteccones se obtenen con GCM, mentras que los mayores errores se alcanzan con AWS. Se observa en todas las tablas que el tpo de defecto que presenta mayor dfcultad en su deteccón es el de marposeo, esto debdo a su pequeño tamaño que puede hacerlo confundr con el tedo normal. Tabla 3: Porcentae de Acerto de Clasfcacón Defecto/Tec GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo Tabla 4: Porcentae de Defectos Detectados Defecto/Tec. GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo Defecto/Tec Tabla 5: Porcentae de Falsos Acertos GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo COCUSIOES Se construyó una plataforma que permte emular las condcones de adquscón de muestras textles en una máquna teedora tpo tabular. Se adqureron muestras del sector ndustral con los cnco tpos más comunes de defectos con dferentes formas tamaños. Se mplementaron cuatro técncas espacales de análss de textura para obtener a partr de éstas, las característcas que permtan medante un clasfcador basado en una Máquna de Vectores de Soporte detectar la presenca o no de algún tpo de defecto. os resultados muestran que el esquema de extraccón de característcas empleando las técncas espacales de análss de textur unto con el clasfcador con Máqunas de Vectores de Soporte presenta un alto índce de acerto en la Unversdad de Pamplona 7
8 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de deteccón de defectos, tenendo en cuent que algunos de dchos defectos son muy pequeños hacendo dfícl su deteccón. a técnca que presentó el mayor desempeño global es la GDM y la de menor desempeño fue AWS, sn embargo, se destaca el hecho de que algunas de las característcas de textura extraídas por las dferentes técncas son complementaras entre s, de tal forma que algunos defectos se detectan meor con una técnca que con otr lo que abre un panorama para trabaos futuros. REFERECIAS Habb, Hafz Adnan; Yousaf, Mohammad Haroon; Mohbullah, M. Modfed aws Energy Descrptor for Inspecton of Ceramc Tles. Unversty of Engneerng and Technology Taxla. atonal Conference on Emergng Technologes, 004. p Islam, Atqul; AHTER, Shamm; Y MURSAI, Tumnun. Automated Textle Defect Recognton System Usng Computer Vson and Artfcal eural etworks. Proceedngs of World Academy of Scence, Engneerng And Technology. Volumen 3. May p. Jménez, Alvaro. Analss de comportamento de descrptores de la matrz de coocurrenca en la extraccón de característcas de textura en mágenes dgtales, Unversdad aconal de Colomb Manzales, 00, 63p. ulak, Eray. Analyss Of Textural Image Features For Content Based Retreval. Submtted to the Graduate School of Engneerng and atural Scences n partal fulfllment of the requrements for the degree of Master of Scence. Sabanc Unversty p. Pérez Castlho, Hugo; Sequera Gonçalves, Paulo Jorge; Caldas Pnto, João Rogéro; mas Serafm, Antóno. Intellgent Real-Tme Fabrc Defect Detecton. Image Analyss and Recognton. Volume 4633/ P Tuceryan M. and A.. Jan. Texture Analyss, chapter, pages World Scentfc Publshng Co., 993. M. Ralló, M. S. Mllán, J. Escofet. Wavelet based technques for textle nspecton, Opt. Eng. 6(), (003). ello Crstann and John Shawe. An Introducton to Support Vector Machnes Cambrdge Unversty Press wang In m, eechul Jung, Se Hyun Park, and Hang Joon. Support Vector Machnes for for Texture Classfcaton, IEEE Trans. on Pattern Analyss and Machne Intellgence, vol. 4, no., november 00. Unversdad de Pamplona 8
Pruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesKEY WORDS Pattern recognition, Circular Harmonics, Synthetic Discriminate Filter
ISSN 00-4 BISTUA Vol BISTUA 5 No Vol Pag 59 No - 4 ueda Parada JE, Castro C L M, Guerra L A Facultad de Cencas Báscas, Departamento de Físca, Grupo de Investgacón Óptca Moderna Unversdad de Pamplona E-Mal:
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesLA MATRIZ DE CO-OCURRENCIA EN LA CLASIFICACIÓN MULTIESPECTRAL: TUTORIAL PARA LA ENSEÑANZA DE MEDIDAS TEXTURALES EN CURSOS DE GRADO UNIVERSITARIO.
LA MATRIZ DE CO-OCURRECIA E LA CLASIFICACIÓ MULTIESPECTRAL: TUTORIAL PARA LA ESEÑAZA DE MEDIDAS TEXTURALES E CURSOS DE GRADO UIVERSITARIO. Tema do Trabalho: Recursos Ddátcos para o Ensno de Sensoramento
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesProcesamiento de imágenes para la clasificación de café cereza
Prospectva Vol. 7, No., Enero - Juno de 2009, pág. 67-73 Procesamento de mágenes para la clasfcacón de café cereza Images processng classfcaton for cherry coffee Zulma Sandoval*, Flavo Preto** *Msc. Ingenería
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesIII. <<Insertar Cita>> <<Autor>>
Capítulo III Vsón III 3.1 Procesamento de Imágenes Se entende por procesamento de mágenes a la alteracón y análss de la normacón gráca. 3.1.1 Sstema de vsón humano El sstema
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesReconocimiento automático de objetos basado en la relación dimensional
Reconocmento automátco de objetos basado en la relacón dmensonal Alejandro Israel Barranco Gutérrez 1 y José de Jesús Medel Juárez 2 1 Centro de Investgacón en Cenca Aplcada y Tecnología Avanzada, Calzada
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesSISTEMA DE RECONOCIMIENTO DE ROSTROS
SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesPORTAFOLIO DE TRES ACTIVOS FINANCIEROS
PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesExplicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS
Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesTÉCNICAS AVANZADAS DE FUSIÓN DE IMÁGENES. Consuelo Gonzalo Martín (UPM) María González-Audicana
Consuelo Gonzalo Martín (UPM) María González-Audcana Madrd, 23 Abrl 2007 1.- Introduccón 2.- en la ponderacón de la nformacón 3.- en bancos de fltros 3.- en la respuesta espectral del sensor 4.- Conclusones
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesSoftware de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1
Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesScientia Et Technica ISSN: 0122-1701 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia
Scenta Et Technca ISSN: 0122-1701 scenta@utp.edu.co Unversdad Tecnológca de Perera Colomba OSPINA GUTIÉRREZ, LUZ MARÍA; ZAPATA RAMÍREZ, GEISON ALEXIS; RODAS RENDON, PAULA ANDREA PRUEBA DE NO LINEALIDAD
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesTasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx
Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesModelado de un Robot Industrial KR-5
RESUMEN Modelado de un Robot Industral KR-5 (1) Eduardo Hernández 1, Samuel Campos 1, Jorge Gudno 1, Janeth A. Alcalá 1 (1) Facultad de Ingenería Electromecánca, Unversdad de Colma, km 2 Carretera Manzanllo-Barra
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesFORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN
CAPITULO 1 FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN En la actualdad los métodos de dseño estructural y las consderacones que se realzan prevas al
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesSegmentación robots móviles en espacios inteligentes utilizando técnicas GPCA y minimización de funciones de energía
Segmentacón robots móvles en espacos ntelgentes utlzando técncas GPCA mnmzacón de funcones de energía Crstna Losada, Manuel Mazo, Sra Palazuelos, Francsco edondo Departamento de Electrónca. Unversdad de
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesReconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo
Rev. Fac. Ing. Unv. Antoqua N. 49. pp. 73-84. Septembre, 2009 Reconocmento de caracteres manuscrtos medante nformacón del proceso nverso en la realzacón de su trazo Character recognton system usng the
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
Más detallesDiagnóstico de Fortalezas y Debilidades Comunales
Dagnóstco de Fortalezas y Debldades Comunales Introduccón Los avances y mayores nveles de desarrollo que el país ha mostrado durante los últmos 15 años, se han traducdo, entre otros aspectos, en un aumento
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesOrden de las clases...
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesEstudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos
Estudo de un sstema de reconocmento bométrco medante frma manuscrta onlne basado en SVM usando Análss Formal de Conceptos Ator Mendaza Ormaza 1, Oscar Mguel Hurtado 1, Raúl Sánchez Rello 1, Francsco Valverde
Más detallesTítulo: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.
Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesCAPÍTULO 4. CINEMÁTICA DE LOCALIZACIÓN DEL ROBOT PARALELO
8 CAPÍTULO 4. CINEMÁTICA DE LOCALIZACIÓN DEL ROBOT PARALELO En esta seccón se descrbe el análss de posconamento y orentacón del robot paralelo: Se resuelve el problema cnemátco nverso en base a métodos
Más detallesIDENTIFICACIÓN Y CLASIFICACIÓN DE FRUTOS DE CAFÉ EN TIEMPO REAL, A TRAVÉS DE LA MEDICIÓN DE COLOR
IDENTIFICACIÓN Y CLASIFICACIÓN DE FRUTOS DE CAFÉ EN TIEMPO REAL, A TRAVÉS DE LA MEDICIÓN DE COLOR Paula Jmena Ramos Graldo*, Juan Rodrgo Sanz Urbe*, Carlos Eugeno Olveros Tascón* RESUMEN RAMOS G., P.J.;
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesEl clasificador Naïve Bayes en la extracción de conocimiento de bases de datos
El clasfcador Naïve Bayes en la extraccón de conocmento de bases de datos Samuel D. acheco Leal, Lus Gerardo Díaz Ortz, Rodolfo García Flores osgrado en Ingenería de Sstemas, FIME-UANL samuel@yalma.fme.uanl.mx
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detalles3. CORRESPONDENCIA DE IMÁGENES
UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesLa representación Denavit-Hartenberg
La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detalles