INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS
|
|
- Julia Valenzuela Sevilla
- hace 8 años
- Vistas:
Transcripción
1 Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL4106 Inteligencia Computacional INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS Nombre Alumno : Sebastián Gálvez Profesor : Javier Ruiz del Solar Profesor Auxiliar : Daniel Herrmann Felipe Valdés Fecha : 8/07/2014 Santiago, Chile.
2 Contenido Contenido... II Tabla de Figuras y Tablas... III 1. Introducción Desarrollo Análisis del Problema Metodología para resolución del problema Clasificación Conclusiones Anexos Bibliografía y Referencias... 18
3 Tabla de Figuras y Tablas Figura 1: Señales de la base de datos para muestras de actividad Walking (Izquierda) Y Laying (Derecha)... 3 Figura 2: Señales temporales para los ejemplos 68 y 71 de la clase Laying en el conjunto de entrenamiento, correspondientes a Outliers detectados en la base de datos Figura 3: Señales temporales graficadas para las 6 actividades a clasificar para un ejemplo aleatorio Figura 4: Cascada de clasificación de dos capas propuesta con separación en dos macro clases M1 y M Figura 5: Curvas ROC de SVM{1} para distintos set de características Figura 6: Matrices de Confusión luego de seleccionar características con el método iterativo descrito. (Izq) Rendimiento del clasificador RNA{2}, Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. (Der) Rendimiento del clasificador RNA{3}, Clases 1=Sitting, 2=Standing, 3=Laying Figura 7: Evolución del rendimiento para distinto número de neuronas de la capa oculta de la red neuronal. (Izq) en Clasificador RNA{2} (Der) en Clasificador RNA{3} Figura 8: Matriz de confusión para mejor clasificador RNA{2} logrado. Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. NHL2= Figura 9: Matriz de confusión para mejor clasificador RNA{3} logrado. Clases 1=Sitting, 2=Standing, 3=Laying. NHL3= Figura 10: Matriz de Confusión para clasificación del conjunto de prueba al considerar la cascada completa
4 Introducción 1. Introducción El objetivo del proyecto en esta entrega final consiste en implementar un clasificador de actividades físicas usando el conocimiento adquirido durante las fases previas del proyecto, además de las técnicas aprendidas en el curso. Para esto se utilizará la base de datos Human Activity Recognition Using Smartphones Data Set, que forma parte del UC Irvine Machine Learning Repository ( Esta base de datos contiene mediciones de la Unidad de Mediciones Inerciales (IMU) de un Samsung Galaxy S II, para 30 personas realizando 6 actividades físicas, las cuales son: 1. Caminar (Walking) 2. Subir escaleras (Walking Upstairs) 3. Bajar escaleras (Walking Dwonstairs) 4. Estar sentado (Sitting) 5. Estar parado (Standing) 6. Estar acostado (Laying) Las IMU del smartphone cuenta con dos sensores: un acelerómetro 3D y un giroscopio de 3 ejes. La base de datos incluye los ejemplos obtenidos para cada actividad, para los cuales se realizó un filtrado y división de muestras mediante ventanas traslapadas. Se requiere diseñar, implementar y entrenar un sistema de clasificación que tome cada una de las muestras, obtener características convenientes, ya sean las previamente calculadas en la base de datos o nuevas, y la clasifique la acción realizada. Para este problema de clasificación multiclase se permite utilizar cualquier clasificador, cascada de clasificadores, árbol de clasificadores o cualquier método que se estime conveniente para la realización del proyecto. U. de Chile. FCFM. DIE ~1~
5 2.1. Análisis del Problema 2. Desarrollo Antes de comenzar a resolver el problema es necesario comprender a cabalidad la estructura de la base de datos a utilizar, las distintas mediciones que se hicieron y las características que vienen pre-calculadas. A continuación se explican los principales aspectos que se deben considerar para utilizar la base de datos para el diseño del clasificador. a) Mediciones base de datos: Human Activity Recognition Using Smartphones La información que constituye la base de datos fue obtenida a partir de las señales medidas en la unidad IMU de un Smartphone Samsung Galaxy S II, la cual mide señales de aceleración en los ejes X,Y y Z, y de velocidad angular en los 3 ejes. Para las mediciones realizadas para los 6 tipos de actividad física, el celular se encontraba ubicado en la cintura de los sujetos de prueba. Para los experimentos se utilizó un grupo de 30 voluntarios, con un rango etario de 19 a 48 años. Cada persona realizó las 6 actividades (Caminar, Subir escaleras, Bajar escaleras, Estar sentado, Estar Parado, Estar acostado). Las 6 señales fueron capturadas a una tasa de 50Hz, el ruido fue removido con un proceso de filtrado previo y posteriormente se definieron los ejemplos a utilizar mediante ventanas de las señales de duración 2.56[s], es decir, considerando 128 muestras en cada ventana, las cuales tienen un 50% de traslape entre dos ventanas consecutivas. Luego de este proceso se cuenta con un total de ejemplos, con sus respectivas etiquetas para cada actividad, de los cuales se extrajo aleatoriamente un conjunto de prueba (con 30% de los datos) y un conjunto de entrenamiento (con 70%). Además de las señales obtenidas por los sensores, se generaron otras adicionales. En primer lugar, la señal de aceleración TotalAcceleration fue separada con un filtro pasabajos (con frecuencia de corte 0.3Hz) estimando una componente gravitacional GravitationalAcceleration (baja frecuencia) y la componente del cuerpo BodyAcceleration. La base de datos disponible muestra 9 señales, la aceleración total, la velocidad rotacional total, y la aceleración estimada del cuerpo, para los 3 ejes. En la FIGURA 1 se observan estas 9 señales para un ejemplo de la actividad Walking, y para un ejemplo de la actividad Laying. U. de Chile. FCFM. DIE ~2~
6 Figura 1: Señales de la base de datos para muestras de actividad Walking (Izquierda) Y Laying (Derecha) Para importar la base de datos en Matlab, se desarrolló el script importdata.m. b) Características pre-calculadas A partir de las muestras obtenidas, la base de datos también incluye un set de 561 características distintas extraídas. Para obtenerlas, además de las 9 señales mencionadas previamente, se generaron señales Jerk (derivadas temporales) para la aceleración y rotación del cuerpo, para los 3 ejes en cada una. También se calculó la magnitud tridimensional mediante la norma Euclidiana, usando para cada ventana las componentes en X, Y y Z para la aceleración de cuerpo, de gravedad, y las 2 señales Jerk generadas. Finalmente, se obtuvieron espectros de frecuencia mediante la Fast Fourier Transform (FFT) para las señales de aceleración y rotación del cuerpo, y la señal Jerk de aceleración de cuerpo, además de las señales de magnitud generadas, exceptuando la de aceleración de gravedad. Para mayor información sobre estas señales se puede obtener la información del archivo features_info.txt disponible en la base de datos. A partir del nuevo conjunto de señales y espectros de frecuencia disponibles, se calcularon las siguientes variables a cada una de las señales para obtener el set de características. Para ver la lista completa, se puede consultar el archivo Excel Features.xls. mean(): Mean value std(): Standard deviation mad(): Median absolute deviation max(): Largest value in array min(): Smallest value in array sma(): Signal magnitude area energy(): Energy measure. Sum of the squares divided by the number of values. U. de Chile. FCFM. DIE ~3~
7 iqr(): Interquartile range entropy(): Signal entropy arcoeff(): Autorregresion coefficients with Burg order equal to 4 correlation(): correlation coefficient between two signals maxinds(): index of the frequency component with largest magnitude meanfreq(): Weighted average of the frequency components to obtain a mean frequency skewness(): skewness of the frequency domain signal kurtosis(): kurtosis of the frequency domain signal bandsenergy(): Energy of a frequency interval within the 64 bins of the FFT of each window. Además, se obtuvieron señales promedio para cada ventana, para las siguientes señales: gravitymean, tbodyaccmean, tbodyaccmean, tbodyaccjerkmean, tbodygyromean, tbodygyrojerkmean. Y se calculó el ángulo de los vectores que representan, conformando la última característica: angle(): Angle between two vectors. c) Outliers Durante el desarrollo de la actividad se identificaron datos que tenian señales que no correspondían al comportamiento normal dentro de esa clase, como lo son los ejemplos 67,68, 71 y 72, los cuales debieron ser eliminados para lograr mejores resultados al entrenar clasificadores, por lo que se contó finalmente con una totalidad de ejemplos. En la se muestran las señales que claramente no se condicen con el comportamiento esperado, posiblemente debido a que hayan sido medidas en un transiente iniciando la actividad o terminándola. Figura 2: Señales temporales para los ejemplos 68 y 71 de la clase Laying en el conjunto de entrenamiento, correspondientes a Outliers detectados en la base de datos. U. de Chile. FCFM. DIE ~4~
8 2.2. Metodología para resolución del problema Para abordar este problema de clasificación, se plantea utilizar una cascada de clasificadores, para lo cual en primer lugar se definirán macroclases heurísticamente mediante observación de las formas de las señales temporales para las distintas actividades y a partir de estas macroclases, proponer un clasificador para la primera capa. Si se logra una muy buena clasificación, se sigue adelante con el diseño en cascada, evaluando si existen macroclases internas para cada rama de la cascada de la misma forma. Así, se definirán clasificadores para la segunda capa y tercera si es necesaria. Una vez definido el esquema de la cascada de clasificadores, se prosigue a realizar selección de características y ajuste de parámetros para cada clasificador, empezando por la primera capa. Se utilizará el set de características presentado en la base de datos, y en cada caso se proponen conjuntos de características de manera intuitiva, y si no se logran buenos resultados, se realiza varias veces una selección iterativa por agregación. Luego, se rescatan la totalidad de características obtenidas por cada proceso y se procede con una selección iterativa por eliminación a partir de este conjunto. Finalmente, una vez terminada la selección de características para cada clasificador por separado, se realizará un ajuste de parámetros si es necesario, para aumentar el rendimiento del mismo. Cuando se complete el diseño de la cascada, se evaluará el rendimiento de la misma mediante la obtención de una matriz de confusión al realizar la clasificación del conjunto de prueba. U. de Chile. FCFM. DIE ~5~
9 2.3. Clasificación a) Observación y determinación de macroclases Para comenzar, se generó un archivo script de MATLAB visualizar.m que permite visualizar las 9 señales temporales de la base de datos para un ejemplo aleatorio del conjunto de entrenamiento, cuyos gráficos se observan en la FIGURA 3. Figura 3: Señales temporales graficadas para las 6 actividades a clasificar para un ejemplo aleatorio. U. de Chile. FCFM. DIE ~6~
10 A partir de estas observaciones, es intuitivo pensar en dos macroclases, una primera que agrupa las actividades con movimiento (Walking,Walking Upstairs y Walking Downstairs) y la segunda que agrupa las actividades estáticas (Sitting, Standing, Laying). Debido a que tienen mucha variación de un ejemplo a otro las señales en cada clase dentro de ambas macroclases, se determinó probar con una clasificación directa en la segunda capa. b) Esquema de clasificación En base a lo anterior, se define que la primera capa corresponde a un clasificador binario, que por facilidad y buen desempeño logrado en la etapa previa al proyecto se escogió que fuera un clasificador Support Vector Machine (SVM). Por la misma razón, para los clasificadores de la segunda capa se eligió utilizar Redes Neuronales Artificiales (RNA), ya que demostraron ser muy efectivas para clasificación multiclase en la fase anterior al proyecto. Con esto, el esquema de la cascada de clasificadores es el mostrado en la FIGURA 4. M1= {Walking, Walking Upstairs, Walking Downstairs} RNA{2} Walking(1) Walking Upstairs(2) Walking Downstairs(3) SVM{1} M2= {Sitting, Standing, Laying} RNA{3} Sitting(4) Standing(5) Laying(6) Figura 4: Cascada de clasificación de dos capas propuesta con separación en dos mac ro clases M1 y M2. U. de Chile. FCFM. DIE ~7~
11 c) Primera capa: Clasificador SVM {1} Para realizar la clasificación con un SVM se desarrolló la función clasificador_svm.m que utiliza el Toolbox de Support Vector Machine de Matlab. El método de optimización se fijó como Least Squares, usando como parámetros C=1, y Kernel Gaussiano con, ya que estos valores demostraron ser los óptimos en varias ocasiones durante el desarrollo del curso. Se comenzó la prueba eligiendo características que se creyó convenientes para diferenciar las macroclases en base a intensidad del cambio del movimiento. En un inicio se utilizó las características 4, 5 y 6, correspondientes a la desviación estándar de la señal de aceleración de cuerpo para X, Y y Z. Se logró un muy buen rendimiento, pero aún tenía error asociado a la clasificación por lo que se agregaron las características 84, 85 y 86, correspondientes a la desviación estándar de la señal Jerk en X, Y y Z, y las características y 296, que son el promedio de la magnitud de frecuencia de la aceleración de cuerpo en los 3 ejes. Con esto, se logró mejorar aún más los resultados. Finalmente se consideró la posibilidad de que algún eje no contribuyera a la separación de macroclases, por lo que se probó remover las características del eje Z. Así, se logró tener un clasificador perfecto con TPR=1 y FPR=0, por lo que se detuvo el proceso de selección de características y se dejaron los parámetros escogidos como definitivos. En la FIGURA 5 se observan las curvas ROC obtenidas de las 3 pruebas descritas anteriormente. Figura 5: Curvas ROC de SVM{1} para distintos set de características. (Arriba-Izq) Características 4, 5 y 6. (Arriba-Der) Características 4,5, 6, 84, 85, 86, 294, 295 y 296. (Abajo) Características 4,5, 84, 85, 294 y 295. U. de Chile. FCFM. DIE ~8~
12 Una vez finalizado el diseño del clasificador de la primera capa, se procedió a dividir el conjunto de entrenamiento según lo asignado por el clasificador SVM{1}, para entrenar los clasificadores de cada rama de la cascada únicamente con lo que les puede llegar desde la primera capa. En este caso, al lograr una clasificación perfecta no existen ejemplos mal clasificados que alteren el correcto entrenamiento de los clasificadores de la segunda capa. d) Segunda Capa: Clasificadores RNA{2} y RNA{3} En esta etapa se utilizó la función clasificador_nn.m, que entrena y prueba la red neuronal. Las RNA implementadas son de una sola capa oculta, más la capa de entrada y de salida, y se fijaron los parámetros de entrenamiento como se muestra a continuación, dejando libre la cantidad de neuronas en la capa oculta (NHL): net.trainparam.epochs=100; net.trainparam.goal=0.0005; net.trainparam.mu=0.01; %número máximo de épocas %meta %tasa de aprendizaje Además, cabe destacar que el Toolbox de Redes neuronales de Matlab por defecto genera un conjunto de validación a partir del de entrenamiento, de manera que no exista sobreajuste a los datos de entrenamiento. d.1) Selección de características Para ambos clasificadores se comenzó utilizando la heurística de usar un número de neuronas en la capa oculta según la fórmula, que ha mostrado buenos resultados durante el desarrollo del curso. Las características iniciales utilizadas fueron definidas puramente en base a la intuición para definir un punto de referencia para el método iterativo de selección de características. Cabe mencionar que el proceso de selección para esta etapa es automático, y consiste en seleccionar un índice aleatorio, agregar la característica, evaluar el rendimiento de clasificación y ver cuán cercano es al punto óptimo de clasificación con 100% de clasificación correcta y 0% de falsos positivos. Si la distancia a este punto disminuye, se actualiza el vector que almacena las características que mejoran el rendimiento, si no lo hace, simplemente no se incluye. Así, al concluir las iteraciones se evalúa el vector generado para las mejores características. En el caso del clasificador RNA{2}, que diferencia las clases Walking, Walking Upstairs y Walking Downstairs, se realizó la selección de características por agregación 3 veces distintas, para luego juntar las características obtenidas y realizar una selección por eliminación para descartar algunas de ellas. Para el clasificador RNA{3}, correspondiente a las clases Sitting, Standing y Laying, se realizaron 4 selecciones por agregación y luego una por eliminación de las seleccionadas en las cuatro ocasiones. Las mejores características obtenidas se encuentran en los archivos best_caract2_rnav123_elim2.mat y best_caract3_rnav1234_elim.mat U. de Chile. FCFM. DIE ~9~
13 A continuación se muestran los resultados para cada uno de los clasificadores una vez realizado el proceso completo de selección de características. Al ejecurtar el archivo Clasificacion.m en la consola se muestran los resultados de Clasificación correcta (C_acc) y Clasificación errónea (C_err), junto a la distancia al punto óptimo definido como el par (1, 0). Las matrices de confusión se pueden observar en la FIGURA 6, donde se incluyen los rendimientos específicos para cada clase. Para el clasificador RNA{2} se logró reducir el set de características a utilizar a 60, y para el clasificador RNA{3} se seleccionaron finalmente 90. Para ver en detalle las características utilizadas en cada clasificador se adjunta una tabla con la información en la sección de Anexos. Figura 6: Matrices de Confusión luego de seleccionar características con el método iterativo descrito. (Izq) Rendimiento del clasificador RNA{2}, Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. (Der) Rendimiento del clasificador RNA{3}, Clases 1=Sitting, 2=Standing, 3=Laying. U. de Chile. FCFM. DIE ~10~
14 d.2) Ajuste de parámetro: número de neuronas en capa oculta (NHL). Con el objetivo de encontrar el número de neuronas en la capa oculta óptimo para cada red, se realizó un proceso iterativo para NHL entre 4 y 35, evaluando el rendimiento del clasificador y guardando el valor que maximiza el rendimiento. En la FIGURA 7 se muestra la evolución de este proceso, donde se determinó que los valores óptimos son y. Figura 7: Evolución del rendimiento para distinto número de neuronas de la capa oculta de la red neuronal. (Izq) en Clasificador RNA{2} (Der) en Clasificador R NA{3} Si bien se logró mejorar los resultados de clasificación como se ve en las FIGURA 8 y FIGURA 9, no es completamente seguro que el rendimiento sea mayor cada vez que se entrena la red, ya que también depende de la inicialización aleatoria de las neuronas. Figura 8: Matriz de confusión para mejor clasificador RNA{2} logrado. Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. NHL2=14. U. de Chile. FCFM. DIE ~11~
15 Figura 9: Matriz de confusión para mejor clasificador RNA{3} logrado. Clases 1=Sitting, 2=Standing, 3=Laying. NHL3=20. e) Rendimiento final de la cascada de clasificadores. Para los mejores clasificadores logrados luego del proceso de selección, se guardaron las estructuras entrenadas en los archivos SVM1.mat, RNA2.mat, RNA3.mat. Con esto, se utilizaron las funciones svm_classify( ) y sim(net, ) de los Toolbox SVM y de Redes neuronales de Matlab, respectivamente, para clasificar los datos de prueba y obtener el rendimiento completo de la cascada de clasificadores. La matriz de confusión lograda se observa en la FIGURA 10, donde se aprecia que se logró un rendimiento de 94. Número de Etiqueta Clase 1 Caminar 2 Subir escaleras 3 Bajar escaleras 4 Estar sentado 5 Estar parado 6 Estar acostado Figura 10: Matriz de Confusión para clasificación del conjunto de prueba al considerar la cascada completa. U. de Chile. FCFM. DIE ~12~
16 Conclusiones 3. Conclusiones Comenzando por un análisis detallado del problema a resolver y de la definición de una metodología de resolución del mismo, se logró cumplir los objetivos del proyecto, logrando diseñar, implementar y entrenar un clasificador de actividades físicas con un alto rendimiento. A partir del sistema de clasificadores propuesto se diseñaron clasificadores mediante Support Vector Machine y Redes Neuronales Artificiales, los cuales fueron refinados al seleccionar las características con un método automatizado y ajustar los parámetros. Los resultados logrados para cada clasificador fueron satisfactorios y se concluye que se puede lograr un buen rendimiento con la metodología propuesta. Además, se puede concluir que el set de características pre-calculadas es suficiente para lograr una buena clasificación, y al seleccionar las características adecuadas para cada clasificador se reduce el número de características que se deben calcular. Una posibilidad de mejorar el sistema de clasificación sería el realizar una eliminación sistemática de los outliers en el conjunto de entrenamiento, ya que esto mejoraría la división del espacio de características de manera más exacta, cuidando que no se pierda generalidad. Otra posibilidad para mejorar el rendimiento sería considerar otros tipos de clasificadores multiclase en la segunda capa como Bayesianos, o basados en métodos de clustering como K-means o redes SOM. Se concluye finalmente, que la cascada de clasificadores implementada, con las macroclases definidas logra un desempeño de % de datos de prueba clasificados correctamente, lo cual se considera satisfactorio para todos los efectos de clasificación de las actividades físicas requeridas. U. de Chile. FCFM. DIE ~13~
17 Anexos 4. Anexos Características utilizadas por clasificador SVM{1} RNA{2} N Característica 4 tbodyacc-std()-x 5 tbodyacc-std()-y 84 tbodyaccjerk-std()-x 85 tbodyaccjerk-std()-y 294 fbodyacc-meanfreq()-x 295 fbodyacc-meanfreq()-y 6 tbodyacc-std()-z 24 tbodyacc-entropy()-y 28 tbodyacc-arcoeff()-x,3 31 tbodyacc-arcoeff()-y,2 40 tbodyacc-correlation()-y,z 55 tgravityacc-min()-z 60 tgravityacc-iqr()-x 71 tgravityacc-arcoeff()-y,2 82 tbodyaccjerk-mean()-y 88 tbodyaccjerk-mad()-y 94 tbodyaccjerk-min()-y 95 tbodyaccjerk-min()-z 102 tbodyaccjerk-iqr()-z 129 tbodygyro-mad()-z 140 tbodygyro-iqr()-x 142 tbodygyro-iqr()-z 143 tbodygyro-entropy()-x 144 tbodygyro-entropy()-y 163 tbodygyrojerk-mean()-z 164 tbodygyrojerk-std()-x 165 tbodygyrojerk-std()-y 172 tbodygyrojerk-max()-z 201 tbodyaccmag-mean() 202 tbodyaccmag-std() U. de Chile. FCFM. DIE ~14~
18 Anexos 214 tgravityaccmag-mean() 219 tgravityaccmag-sma() 222 tgravityaccmag-entropy() 232 tbodyaccjerkmag-sma() 234 tbodyaccjerkmag-iqr() 240 tbodygyromag-mean() 241 tbodygyromag-std() 268 fbodyacc-mean()-z 275 fbodyacc-max()-x 288 fbodyacc-entropy()-x 289 fbodyacc-entropy()-y 290 fbodyacc-entropy()-z 292 fbodyacc-maxinds-y 297 fbodyacc-skewness()-x 298 fbodyacc-kurtosis()-x 313 fbodyacc-bandsenergy()-33, fbodyacc-bandsenergy()-49, fbodyaccjerk-mad()-x 354 fbodyaccjerk-max()-x 369 fbodyaccjerk-entropy()-z 372 fbodyaccjerk-maxinds-z 385 fbodyaccjerk-bandsenergy()-25, fbodyaccjerk-bandsenergy()-41, fbodyaccjerk-bandsenergy()-17, fbodyaccjerk-bandsenergy()-17, fbodyaccjerk-bandsenergy()-33, fbodyaccjerk-bandsenergy()-49, fbodygyro-mad()-x 464 fbodygyro-bandsenergy()-25, fbodygyro-bandsenergy()-41, fbodygyro-bandsenergy()-33, fbodygyro-bandsenergy()-49, fbodyaccmag-std() 508 fbodyaccmag-sma() 543 fbodybodygyrojerkmag-std() 549 fbodybodygyrojerkmag-iqr() U. de Chile. FCFM. DIE ~15~
19 Anexos RNA{3} N Característica N Característica 1 tbodyacc-mean()-x 254 tbodygyrojerkmag-std() 2 tbodyacc-mean()-y 261 tbodygyrojerkmag-entropy() 3 tbodyacc-mean()-z 267 fbodyacc-mean()-y 4 tbodyacc-std()-x 270 fbodyacc-std()-y 11 tbodyacc-max()-y 282 fbodyacc-energy()-x 12 tbodyacc-max()-z 287 fbodyacc-iqr()-z 13 tbodyacc-min()-x 292 fbodyacc-maxinds-y 16 tbodyacc-sma() 297 fbodyacc-skewness()-x 50 tgravityacc-max()-x 302 fbodyacc-kurtosis()-z 51 tgravityacc-max()-y 307 fbodyacc-bandsenergy()-33,40 52 tgravityacc-max()-z 311 fbodyacc-bandsenergy()-1,16 54 tgravityacc-min()-y 340 fbodyacc-bandsenergy()-17,32 57 tgravityacc-energy()-x 351 fbodyaccjerk-mad()-x 58 tgravityacc-energy()-y 353 fbodyaccjerk-mad()-z 64 tgravityacc-entropy()-y 358 fbodyaccjerk-min()-y 70 tgravityacc-arcoeff()-y,1 359 fbodyaccjerk-min()-z 71 tgravityacc-arcoeff()-y,2 363 fbodyaccjerk-energy()-z 74 tgravityacc-arcoeff()-z,1 375 fbodyaccjerk-meanfreq()-z 78 tgravityacc-correlation()-x,y 379 fbodyaccjerk-kurtosis()-y 94 tbodyaccjerk-min()-y 396 fbodyaccjerk-bandsenergy()-1,8 99 tbodyaccjerk-energy()-z 403 fbodyaccjerk-bandsenergy()-57, tbodyaccjerk-arcoeff()-y,2 404 fbodyaccjerk-bandsenergy()-1, tbodyaccjerk-arcoeff()-z,4 409 fbodyaccjerk-bandsenergy()-25, tbodyaccjerk-correlation()-x,y 430 fbodygyro-mad()-x 119 tbodyaccjerk-correlation()-x,z 433 fbodygyro-max()-x 130 tbodygyro-max()-x 438 fbodygyro-min()-z 131 tbodygyro-max()-y 439 fbodygyro-sma() 133 tbodygyro-min()-x 443 fbodygyro-iqr()-x 143 tbodygyro-entropy()-x 446 fbodygyro-entropy()-x 146 tbodygyro-arcoeff()-x,1 447 fbodygyro-entropy()-y 156 tbodygyro-arcoeff()-z,3 451 fbodygyro-maxinds-z 164 tbodygyrojerk-std()-x 452 fbodygyro-meanfreq()-x 171 tbodygyrojerk-max()-y 456 fbodygyro-kurtosis()-x 176 tbodygyrojerk-sma() 459 fbodygyro-skewness()-z 186 tbodygyrojerk-arcoeff()-x,1 466 fbodygyro-bandsenergy()-41, tbodyaccmag-energy() 473 fbodygyro-bandsenergy()-1, tbodyaccmag-entropy() 505 fbodyaccmag-mad() 211 tbodyaccmag-arcoeff()2 508 fbodyaccmag-sma() U. de Chile. FCFM. DIE ~16~
20 Anexos 224 tgravityaccmag-arcoeff()2 534 fbodybodygyromag-sma() 230 tbodyaccjerkmag-max() 535 fbodybodygyromag-energy() 231 tbodyaccjerkmag-min() 539 fbodybodygyromag-meanfreq() 232 tbodyaccjerkmag-sma() 540 fbodybodygyromag-skewness() 235 tbodyaccjerkmag-entropy() 541 fbodybodygyromag-kurtosis() 242 tbodygyromag-mad() 555 angle(tbodyaccmean,gravity) 250 tbodygyromag-arcoeff()2 559 angle(x,gravitymean) U. de Chile. FCFM. DIE ~17~
21 Bibliografía y Referencias 5. Bibliografía y Referencias Davide Anguita, Alessandro Ghio, Luca Oneto, Xavier Parra and Jorge L. Reyes-Ortiz. Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop of Ambient Assisted Living (IWAAL 2012). Vitoria-Gasteiz, Spain. Dec 2012 Toda la documentación de la base de datos obtenida en ones Presentación EL4106 Inteligencia Computacional Performance Evaluation Otoño Presentación EL4106 Inteligencia Computacional - Feature Selection/Extraction Otoño Presentación EL Inteligencia Computacional - Introducción RNA - P.Estévez y C.Held, Otoño 2014, Adaptada por Javier Ruiz del Solar. Presentación Multi-Layer Perceptron (MLP) Lectures 5-6 Neural Networks Dr Andy Philippides, University of Sussex, UK. Presentación EL Inteligencia Computacional - SVMJRS - Otoño Centro de documentación de Mathworks, Sección de Support Vector Machine: U. de Chile. FCFM. DIE ~18~
Metodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesCLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesVI PLAN DE PRUEBAS, RESULTADOS Y RECOMENDACIONES
VI PLAN DE PRUEBAS, RESULTADOS Y RECOMENDACIONES En la presente sección, se realiza el correspondiente plan de pruebas del prototipo con la finalidad de exponer las estrategias y recursos necesarios para
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesCAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de
CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,
Más detallesCentro de Capacitación en Informática
Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detalles5.4. Manual de usuario
5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin
Más detallesSOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE TRANSPORTE Y ASIGNACION.
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA DE LA PRODUCCIÓN INGENIERÍA INDUSTRIAL SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesGestión y Desarrollo de Requisitos en Proyectos Software
Gestión y Desarrollo de Requisitos en Proyectos Software Ponente: María Jesús Anciano Martín Objetivo Objetivo Definir un conjunto articulado y bien balanceado de métodos para el flujo de trabajo de Ingeniería
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesCifras significativas e incertidumbre en las mediciones
Unidades de medición Cifras significativas e incertidumbre en las mediciones Todas las mediciones constan de una unidad que nos indica lo que fue medido y un número que indica cuántas de esas unidades
Más detallesPráctica 11 SVM. Máquinas de Vectores Soporte
Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han
Más detallesDiseño orientado al flujo de datos
Diseño orientado al flujo de datos Recordemos que el diseño es una actividad que consta de una serie de pasos, en los que partiendo de la especificación del sistema (de los propios requerimientos), obtenemos
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesRClimTool MANUAL DEL USUARIO
RClimTool MANUAL DEL USUARIO Lizeth Llanos Herrera, estudiante de Estadística Esta herramienta ha sido diseñada para el apoyo, automatización de procesos y análisis de series climáticas dentro del convenio
Más detallesManual de Usuario SMS Inteligente
Manual de Usuario SMS Inteligente 1 Contenido 1. Introducción... 3 2. Características y requerimientos del equipo de cómputo... 3 3. Requerimientos previos... 3 4. Cómo utilizar el portal... 4 Ingreso
Más detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesPrácticas PGSI. Práctica 4. Gestión de las Cargas de Trabajo de los Recursos y Delimitaciones de Tareas
Prácticas PGSI Práctica 4. Gestión de las Cargas de Trabajo de los Recursos y Delimitaciones de Tareas Introducción a la Programación con Recursos A medida que avanza la planificación se realizan ajustes
Más detallesGestión de Oportunidades
Gestión de Oportunidades Bizagi Suite Gestión de Oportunidades 1 Tabla de Contenido CRM Gestión de Oportunidades de Negocio... 4 Elementos del Proceso... 5 Registrar Oportunidad... 5 Habilitar Alarma y
Más detallesNovedades en Q-flow 3.02
Novedades en Q-flow 3.02 Introducción Uno de los objetivos principales de Q-flow 3.02 es adecuarse a las necesidades de grandes organizaciones. Por eso Q-flow 3.02 tiene una versión Enterprise que incluye
Más detallesRepresentación de señales de audio
Representación de señales de audio Emilia Gómez Gutiérrez Síntesi i Processament del So I Departament de Sonologia Escola Superior de Musica de Catalunya Curso 2009-2010 emilia.gomez@esmuc.cat 28 de septiembre
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesTEMA 39: OPERACIONES LOCALES EN EL MODELO RASTER
TEMA 39: OPERACIONES LOCALES EN EL MODELO RASTER OBJETO DEL TEMA: Conocer las herramientas de análisis de los Sistemas de Información Geográfica raster para realizar operaciones locales. Comprender la
Más detallesHi-Spins. Hi-Spins - Novedades v.10.2.0 10.2.2
Hi-Spins Hi-Spins - Novedades 10.2.2 Tabla de contenido Hi-Spins Consulta Renovación de la presentación gráfica................................... 3 Visualización compacta de dimensiones en ventana de
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detallesConstrucción de Escenarios
Construcción de Escenarios Consiste en observar los diferentes resultados de un modelo, cuando se introducen diferentes valores en las variables de entrada. Por ejemplo: Ventas, crecimiento de ventas,
Más detallesParámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
Más detallesGENERACIÓN DE TRANSFERENCIAS
GENERACIÓN DE TRANSFERENCIAS 1 INFORMACIÓN BÁSICA La aplicación de generación de ficheros de transferencias permite generar fácilmente órdenes para que la Caja efectúe transferencias, creando una base
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más detallesMANUAL DE USUARIO Y EJEMPLO DE UTILIZACIÓN HERRAMIENTA DLP-DELPHI LEARNING PACKAGE
MANUAL DE USUARIO Y EJEMPLO DE UTILIZACIÓN HERRAMIENTA DLP-DELPHI LEARNING PACKAGE PROFESOR: Creación y puesta en marcha de un proceso de aprendizaje Delphi: En esta fase el profesor debe realizar las
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesforma de entrenar a la nuerona en su aprendizaje.
Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesLa presente tesis pretende que los estudiantes observen la teoría de las acciones de control
CAPÍTULO V. CONCLUSIONES. La presente tesis pretende que los estudiantes observen la teoría de las acciones de control de forma virtual al mismo tiempo analicen físicamente los sistemas electrónicos cuando
Más detalles1.1 EL ESTUDIO TÉCNICO
1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesSEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu
EDU082 Resumen SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA Lic. Maikel León Espinosa mle@uclv.edu.cu Departamento de Ciencia de la Computación Universidad Central Marta Abreu de Las Villas Carretera
Más detallesApp para realizar consultas al Sistema de Información Estadística de Castilla y León
App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detalles2.2. LA COMPRA. TOMA DE DECISIONES DEL CLIENTE.
2.2. LA COMPRA. TOMA DE DECISIONES DEL CLIENTE. En este epígrafe abordaremos el estudio del comportamiento de compra del consumidor, para ello tendremos que estudiar tanto las distintas situaciones de
Más detallesCircuito RC, Respuesta a la frecuencia.
Circuito RC, Respuesta a la frecuencia. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (13368) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se armó un
Más detallesQUERCUS PRESUPUESTOS MANUAL DEL USO
QUERCUS PRESUPUESTOS MANUAL DEL USO 2 Tabla de Contenido 1 Introducción 1 1.1 General 1 1.1.1 Que es Quercus Presupuestos? 1 1.1.2 Interfaz 1 1.1.3 Árbol de Navegación 2 1.1.4 Estructura de Datos de un
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesDatos estadísticos. 1.3. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS
.. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS Ser: Describir el método de construcción del diagrama de tallo, tabla de frecuencias, histograma y polígono. Hacer: Construir
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesTÉRMINOS Y CONDICIONES
TÉRMINOS Y CONDICIONES Denominación: MÁS POR MÁS de la CUENTA CORRIENTE INVERAMIGO B.O.D. Mercado Objetivo: Esta Campaña está dirigida a toda persona natural y jurídica que mantenga y/o abra una Cuenta
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesTÉRMINOS Y CONDICIONES MÁS X MÁS
TÉRMINOS Y CONDICIONES MÁS X MÁS DENOMINACIÓN: MÁS POR MÁS de la CUENTA CORRIENTE REMUNERADA B.O.D. MERCADO OBJETIVO: Esta Campaña está dirigida a toda persona natural y jurídica que mantenga y/o abra
Más detallesCuadernillo ALUMNO 7 0 básico. Matemáticas
Cuadernillo ALUMNO 7 0 básico Matemáticas Los objetivos de esta sección están en consonancia con los propuestos por el MINEDUC para Séptimo Básico, tanto desde el punto de vista de los contenidos como
Más detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesCAPÍTULO 5. PRUEBAS Y RESULTADOS
CAPÍTULO 5. PRUEBAS Y RESULTADOS En esta parte se mostrarán las gráficas que se obtienen por medio del programa que se realizó en matlab, comenzaremos con el programa de polariz.m, el cual está hecho para
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesCircuitos RLC resonantes acoplados
Pág. 1 Circuitos RLC resonantes acoplados Cano, Ramiro Díaz, Federico Trebisacce, Carlos cramirocano@.com.ar Facil7@hotmail.com trevicjt@hotmail.com Universidad Favaloro, Facultad de Ingeniería Bs. As.
Más detallesCharla N 6: Utilidades de Consulta de datos.
1 Charla N 6: Utilidades de Consulta de datos. Objetivos Generales: La manipulación de los datos organizados en forma de lista, donde la lista relaciones diferentes ocurrencias de una información común,
Más detallesOperación de Microsoft Excel
Representación gráfica de datos Generalidades Excel puede crear gráficos a partir de datos previamente seleccionados en una hoja de cálculo. El usuario puede incrustar un gráfico en una hoja de cálculo,
Más detallesCAPÍTULO 6 SIMULACIONES Y RESULTADOS
CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco
Más detallesMANUAL DE USO PROGRAMA RBA DAQ EQ IMPLEMENTACIÓN DE ACELERÓMETRO RBA A1
1 / 19 MANUAL DE USO PROGRAMA RBA DAQ EQ IMPLEMENTACIÓN DE ACELERÓMETRO RBA A1 Diciembre 2014 2 / 19 CONTENIDO PRESENTACION... 3 1. CARACTERÍSTICAS DEL HARDWARE... 4 2. DESCARGA DEL SOFTWARE... 5 3. INICIO
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesGUIA COMPLEMENTARIA PARA EL USUARIO DE AUTOAUDIT. Versión N 02 Fecha: 2011-Febrero Apartado: Archivos Anexos ARCHIVOS ANEXOS
ARCHIVOS ANEXOS Son los documentos, hojas de cálculo o cualquier archivo que se anexa a las carpetas, subcarpetas, hallazgos u otros formularios de papeles de trabajo. Estos archivos constituyen la evidencia
Más detallesH E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS
H E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS Una situación que se nos plantea algunas veces es la de resolver un problema hacia atrás, esto es, encontrar
Más detallesSIIT SISTEMA INFORMÁTICO DE INSPECCIONES DE TRABAJO. Modulo de Planificación Manual de Usuario
SISTEMA INFORMÁTICO DE INSPECCIONES DE TRABAJO Modulo de Planificación Manual de Usuario Oficina General de Estadística e Informática Oficina de Informática Unidad de Análisis y Desarrollo MÓDULO DE PLANIFICACIÓN
Más detallesMINISTERIO DE EDUCACIÓN DIRECCIÓN DE EDUCACIÓN TÉCNICA Y PROFESIONAL PROGRAMA DE LA ASIGNATURA BASE DE DATOS ESPECIALIDAD INFORMÁTICA.
MINISTERIO DE EDUCACIÓN DIRECCIÓN DE EDUCACIÓN TÉCNICA Y PROFESIONAL PROGRAMA DE LA ASIGNATURA BASE DE DATOS ESPECIALIDAD INFORMÁTICA. AUTORES: MSC. MIREYA LÓPEZ DELGADO LIC. ESPINOSA. CUIDAD HABANA PROGRAMA
Más detallesSistemas Conexionistas
1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes
Más detallesIntroducción al @RISK
Introducción al @RISK Ariadna Berger Noviembre 2004 Introducción al @RISK El análisis de riesgo implica cuatro etapas: Desarrollo del modelo Identificación de las fuentes de riesgo Análisis con simulación
Más detallesOperación Microsoft Access 97
Trabajar con Controles Características de los controles Un control es un objeto gráfico, como por ejemplo un cuadro de texto, un botón de comando o un rectángulo que se coloca en un formulario o informe
Más detallesSistema Inteligente de Exploración
Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración
Más detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesCAPÍTULO 5. PROCESO DE CAMINAR Y SUFRIMIENTO DE CAÍDAS
CAPÍTULO 5. PROCESO DE CAMINAR Y SUFRIMIENTO DE CAÍDAS Este capítulo comprende un breve el análisis que describe la acción de caminar en una persona de la tercera edad. Este análisis se ha realizado a
Más detallesValidation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación
Validation Validación Psicométrica L art de l évaluation Validation Central Test Central Test Centraltest L art de l évaluation CENTRAL test.com El arte de la evaluación www.centraltest.com Propiedades
Más detallesGENERACIÓN DE ANTICIPOS DE CRÉDITO
GENERACIÓN DE ANTICIPOS DE CRÉDITO 1 INFORMACIÓN BÁSICA La aplicación de generación de ficheros de anticipos de crédito permite generar fácilmente órdenes para que la Caja anticipe el cobro de créditos
Más detallesCapítulo 9. Archivos de sintaxis
Capítulo 9 Archivos de sintaxis El SPSS permite generar y editar archivos de texto con sintaxis SPSS, es decir, archivos de texto con instrucciones de programación en un lenguaje propio del SPSS. Esta
Más detallesPREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Más detallesMANUAL DE USUARIOS DEL SISTEMA MESA DE SOPORTE PARA SOLICITAR SERVICIOS A GERENCIA DE INFORMATICA
MANUAL DE USUARIOS DEL SISTEMA MESA DE SOPORTE PARA SOLICITAR SERVICIOS A Usuario Propietario: Gerencia de Informática Usuario Cliente: Todos los usuarios de ANDA Elaborada por: Gerencia de Informática,
Más detallesProyectos de Innovación Docente
Proyectos de Innovación Docente Manual de Usuario Vicerrectorado de Docencia y Profesorado Contenido INTRODUCCIÓN... 3 DATOS PERSONALES... 6 Modificar email... 6 Modificar contraseña... 7 GESTIÓN PROYECTOS...
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesCapítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
Más detallesEXTRACTO Descripción del uso y manejo de SIRAIS 1.2
Manual de usuario EXTRACTO Descripción del uso y manejo de ELABORADO POR Dr. Javier Rodríguez Suárez Director General de Difusión e Investigación Ing. José Joel Lucero Morales Jefe de Enseñanza de la Dirección
Más detallesUnidad 18. Clasificación según el momento en que se determinan los costos.
Unidad 18 Clasificación según el momento en que se determinan los costos. Desde este punto de vista, los costos de producción pueden determinarse con posterioridad a la conclusión del periodo de costos,
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesCAPÍTULO 3 Programación en LabVIEW
CAPÍTULO 3 Programación en LabVIEW 3.1 Conexión física de los elementos Para capturar todas las señales provenientes de los sensores se utilizó una tarjeta de adquisición de datos de National Instruments,
Más detalles4. EVALUACIÓN DEL PROGRAMA DE CAPACITACIÓN
4. EVALUACIÓN DEL PROGRAMA DE CAPACITACIÓN La etapa final del proceso de capacitación es la evaluación de los resultados obtenidos, mediante este proceso se puede responder a las siguientes preguntas:
Más detallesSpeed EAM La información a un clic
Guía de visita para la página de demostración y pruebas de Speed EAM. Speed EAM La información a un clic El equipo de desarrollo TABLA DE CONTENIDO Introducción... 3 Entrar en el sistema... 4 Datos generales...
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesResumen manejo lista de precios en Discovery 3.70 / 3.71
Los cambios realizados se generan para: - poder realizar modificaciones en las listas de precios sin que las mismas actúen en forma directa en las utilizadas para facturar - Poder disponer de más listas
Más detallesEL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO
EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO I. INTRODUCCIÓN Beatriz Meneses A. de Sesma * En los estudios de mercado intervienen muchas variables que son importantes para el cliente, sin embargo,
Más detallesTÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA
TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una
Más detallesDE VIDA PARA EL DESARROLLO DE SISTEMAS
MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso
Más detallesCAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade
Más detalles