PROYECTO: Dr. Limas Ballesteros Roberto
|
|
- Juan Luis Reyes Espejo
- hace 7 años
- Vistas:
Transcripción
1 PROYECTO: REDES NEURONALES ARTIFICIALES (RNA S) PARA PREDECIR ALGUNAS PROPIEDADES MECÁNICAS DE MEZCLAS DE POLÍMEROS DE POLICARBONATO Y POLIESTIRENO DE ALTO IMPACTO, ASI COMO POLICARBONATO Y ACRONITRILO ESTIRENO BUTADIENO Dr. Limas Ballesteros Roberto Diciembre del REDES NEURONALES ARTIFICIALES (RNA S) PARA PREDECIR ALGUNAS PROPIEDADES MECÁNICAS DE MEZCLAS DE POLÍMEROS DE POLICARBONATO Y POLIESTIRENO DE ALTO IMPACTO, ASI COMO POLICARBONATO Y ACRONITRILO
2 ESTIRENO BUTADIENO Resumen Este proyecto pretende realizar la determinación de las propiedades mecánicas de materiales poliméricos, en función de las propiedades físicas, en este caso utilizaremos composiciones porcentuales en peso del Policarbonato (PC) y del Poliestireno de alto impacto (HIPS), así como PC y Acronitrilo Estireno Butadieno (ABS), para comparar ambas mezclas poliméricas, mediante la aplicaciones de redes neuronales artificiales del tipo retropropagación, de una manera rápida y sencilla, obteniendo lo siguiente: Modulo de Young Esfuerzo máximo a la tensión (UTS) De esta manera determinaremos la resistencia a la tensión y elongación de mezclas de HIPS y PC, así como de ABS y PC utilizando valores de bibliografía y por medio de un proceso experimental verificar los valores a obtener mediante la red neuronal. INTRODUCCIÓN Una red neuronal artificial es un entramado o estructura formada por nodos o neuronas, que se conectan entre sí y tienen la capacidad de recibir datos de entrada y producir una salida. Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia. Las redes neuronales constituyen un campo de estudio dentro de la Inteligencia Artificial que ha cobrado mucha importancia en los últimos años; específicamente, a partir de la década de los 80 s, debido al desarrollo de procesadores más poderosos y una mejor comprensión del funcionamiento del cerebro humano. Las redes neuronales artificiales, destacan dentro de otras aplicaciones informáticas, debido a que presentan la capacidad de adaptación de los seres vivos, y a la vez, el poder para procesar información en paralelo de las máquinas binarias; con lo cuál se establece una simulación del funcionamiento del cerebro humano empleando un algoritmo matemático. En realidad, se emplea una modesta aproximación; puesto que la complejidad del cerebro humano radica en el estudio de las conexiones de sus elementos; es decir su topología, pues tratar de presentar un modelo preciso, es realizar ciencia ficción; debido a que el cerebro posee más de de neuronas conectadas entre sí por de sinapsis. Resulta interesante el utilizar una red neuronal artificial para la predicción de propiedades mecánicas poliméricas, ya que la tecnología no solo tiene que ver con los aparatos electrónicos y el desarrollo de circuitos, sino que es de suma importancia la aplicación de la tecnología en procesos industriales tales como la resistencia de un polímero, y una red neuronal artificial, por tener la capacidad de aprender,
3 nos es muy eficiente en el comportamiento y predicción propiedades mecánicas de polímeros, independientemente de que nos evita muchísimas pruebas de laboratorio, debido a que una red neuronal con la información y el entrenamiento que se le da, al pedirle cierta característica lo procesa y da una respuesta, misma que se puede obtener mediante experimentaciones a base de prueba y error, lo que nos implica un gasto innecesario. Dependiendo del tipo de aplicación y sus características, se han desarrollo distintos tipos de redes neuronales, que se aplican en reconocimientos de voz, sistemas de control, procesamiento, clasificación de patrones en imágenes satelitales, determinación de variables climáticas, procesos químicos, y procesos de gestión. En este caso se utilizará para una predicción de propiedades mecánicas. El propósito de este trabajo fue diseñar una topología para una red neuronal artificial, usando el algoritmo del tipo "retropropagación", capaz de predecir algunas propiedades de mezclas de materiales poliméricos, a partir de datos físicos y mecánicos a partir de composiciones en peso. Se realizaron distintas topologías para evaluar el comportamiento de las redes cuando se usan distintos números de variables de entrada y/o neuronas en la capa oculta y las probabilidades de aciertos en los resultados de predicción para los mismos al considerar distintas variables de entrada. GENERALIDADES Las redes neuronales artificiales, siguen un algoritmo matemático para poder dar resultados, aquí describiremos de manera general el funcionamiento de la red, mediante el siguiente procedimiento: Recolección de datos. Esto se realiza con el fin de modelar un proceso adecuadamente, y debe ser con amplio intervalo de operación, para poder tener una exactitud mayor y realizar la experimentación lo mejor posible. Procesamiento de los datos. Los datos iniciales de composiciones porcentuales se utilizan para obtener algunas propiedades de tensión, en este caso se obtiene el modulo de Young, resistencia a la tensión, % de elongación a la ruptura y área bajo la curva de deformación real contra esfuerzo real. Se requieren datos de entrenamiento, datos de validación y datos de pruebas, el numero de datos iniciales son cuatro en éste caso, %HIPS y %PC para la mezcla uno así como %ABS y %PC para la mezcla dos. Selección del modelo. Aquí será donde se especifique la topología de la red, en otras palabras como se va a trabajar dicha red para que una vez entrenada, se ajuste el número de neuronas de la capa intermedia u oculta y a su vez el numero de nodos en esta capa, para tener dos ó más nodos en la capa de salida de acuerdo al número de propiedades mecánicas a evaluar, y buscar el número óptimo de nodos en la capa intermedia que proporcione la minimización del cuadrado del error de la red con respecto a los datos de validación, en este caso la entrada será un sólo nodo con la composición de PC en HIPS y las salidas deberán ser el modulo de Young y el esfuerzo máximo a la tensión (UTS) para esa composición al principio se intentara construir con una topología de 3 capas. Para poder determinar el número de neuronas que tendrá la capa intermedia, se hace de forma experimental a prueba y error, pues no existe ningún método analítico que permita determinar con certeza cuál ha de ser el número óptimo de estas, el número de neuronas en dicha capa, tiene un impacto directo en el desempeño de la red, y no tener más, siempre es mejor, pues se puede complicar la comunicación entre las mismas y arrojar datos erróneos
4 Se establece un número determinado de nodos para esa capa correr el entrenamiento de la red, analizar los datos obtenidos con la corrida de validación, y registrar la variación en la media de la raíz cuadrada (Root Mean Square-RMS), que es el parámetro que te indica que tan alejado se encuentra el modelo del comportamiento real, aunque también puede ser con datos estadísticos como la desviación estándar. Entrenamiento y validación. El entrenamiento de esta red neuronal es supervisado, la red aprende adaptando los pesos a base de los datos de entrenamiento que se le proporcionan a la misma en sus capas de entrada y salida. Las RNA utilizadas en este proyecto están siendo entrenadas usando el algoritmo de retropropagación El HIPS se utiliza para mejorar la resistencia mecánica del material. Es más fuerte, no quebradizo y capaz de soportar impactos más violentos sin romperse. Su inconveniente principal es su opacidad. Pero al combinarse con el policarbonato, nos da un copolimero de mayor resistencia mecánica, utilizado en múltiples aplicaciones sustituyendo al caucho y teniendo una excelente tenacidad. En particular, las mezclas de ABS/PC muestran un interés creciente debido a su excelente comportamiento térmico y mecánico. Estas características hacen que estas mezclas sean útiles para aplicaciones técnicas: electrónica, automoción, aplicaciones domésticas, oficinas,.. El PC contribuye a la buena estabilidad térmica y mecánica, mientras que el ABS contribuye, fundamentalmente, a la mejora de la procesabilidad y reducción de costes. Considerando la importancia de estas mezclas, se ha planteado la posibilidad de reciclar ABS y PC mediante sistemas de mezclado en base al ratio con que se generan estos residuos Las propiedades que se van a determinar son de suma importancia en el estudio de las mezclas poliméricas trabajadas, si lo hiciéramos sin ayuda de las redes neuronales tendríamos que utilizar un equipo muy sofisticado y fabricar una probeta de prueba de cada una de las mezclas poliméricas, y esto se hace mediante la prueba de tensión, en la cual se determinan las siguientes propiedades: Resistencia Ductilidad Tenacidad Módulo elástico de young Endurecimiento por deformación. de las cuáles en este caso solo nos interesan dos, la resistencia a la tensión y el modulo de young y esfuerzo máximo a la tensión (UTS), los cuales se obtienen de una grafica que se forma mediante la experimentación mencionada con anterioridad, aquí también se detecta que componentes sufren cadencia, esto es un fenómeno mediante el cual se alargan permanentemente los esfuerzos aplicados ; la cadencia puede ocasionar finalmente la falla del material, y se ve en la curva esfuerzo vs deformación
5 DESARROLLO Para realizar la simulación, se empleó el software QNET2000, el cuál permite diseñar, entrenar y validar la red. Existen 2 tipos de aprendizaje: Aprendizaje no Supervisado. Aquél en el cual no se conocen las soluciones para un determinado tipo de entrada. Ejemplo de esto, es el patrón que siguen los bebés para asociar imágenes con estímulos externos. Se emplea para el reconocimiento de patrones visuales y auditivos. Aprendizaje Supervisado. Aquél en el que se conocen las funciones objetivo para una entrada determinada; como es el caso de cualquier procedimiento matemático, y por ende la representación de cualquier fenómeno en la naturaleza, éste es el tipo de aprendizaje que se emplea para desarrollar aplicaciones referidas a la Ingeniería Química. Las redes diseñadas, se basan en el algoritmo de aprendizaje de retro propagación, el cual consiste en la organización de una serie de elementos de procesamiento neuronas, interconectaos entre sí mediante capas adyacentes en las cuáles, se introducen los datos de entrada en las neuronas de la primera capa, se obtiene una suma ponderada de éstos, la cuál es procesada en las neuronas mediante las funciones de transferencia, las cuales normalizan la salida entre 0 y 1, dicha salida se convierte en la entrada de las neuronas de las capas subsecuentes, repitiéndose el proceso a lo largo de toda la red. Debido a que el aprendizaje involucra un proceso de entrenamiento, tal como ocurre con los seres humanos, la red compara las salidas generadas con lo targets ó funciones objetivos reales, en éste caso el módulo de Young, y el UTS para una composición de terminada de la mezcla, por lo que la diferencia entre el valor arrojado y el real constituye un error que se propaga hacia atrás para poder mejorar la respuesta mediante la modificación de los pesos de las conexiones; este procedimiento se realiza de manera iterativa hasta que se alcanza el valor de error mínimo RMS. Para modificar el aprendizaje de la red, existen 2 parámetros que se pueden ajustar al momento del diseño de la red el Learning Rate Control, valor ajustado a 0.01, que representa la velocidad de aprendizaje, y el factor de momento, en 0.8, que representa la estabilidad del aprendizaje. El diseño de las redes es el siguiente: Capas de entrada: 1 Nodos en la capa de entrada: 2 Capas Ocultas: 1 Nodos en la capa oculta: 2 Capas de Salida: 1 Nodos en la capa de salida: 2 El cual, fue el mejor diseño para ambas redes comprobado experimentalmente, al modificar los parámetros y probar los resultados de otros diseños.
6 En esta parte se desarrollaron los diseños para dos tipos diferentes de mezclas poliméricas, ambas mezclas contenían policarbonato, una estaba combinada con poliestireno de alto impacto y la otra con ABS, a continuación se muestran los resultados de las corridas de entrenamiento y validación para cada mezcla polimérica, logrando asi poder analizar ambas mezclas. RESULTADOS Y DISCUSIÓN Tabla No 1 Datos empleados para construir la Red para la mezcla PC en HIPS % PESO DE PC MODULO DE YOUNG UTS (E-10 dina/cm2) (E-7 dina/cm2) Obteniendo las siguientes curvas:
7 Gráfica No 4 Salidas Vs Patrones para la mezcla PC en HIPS Gráfica No 5 Salidas Vs Patrones para la mezcla PC en HIPS
8 Gráfica No 6 Salidas Vs Patrones para la mezcla PC en ABS
9 RMS CORRELACIÓN Tabla No 2 Resultados de la Prueba de Validación % PESO DE PC MODULO DE YOUNG UTS (E-10 dina/cm2) (E-7 dina/cm2) Tabla No 3 Datos empleados para construir la Red para la mezcla PC en ABS % PESO DE PC MODULO DE YOUNG UTS (E-10 dina/cm2) (E-7 dina/cm2) Gráfica No 4 Salidas Vs Patrones para la mezcla PC en ABS
10
11 Gráfica No 5 Salidas Vs Patrones para la mezcla PC en ABS Gráfica No 6 Salidas Vs Patrones para la mezcla PC en ABS
12 RMS CORRELACIÓN Tabla No 2 Resultados de la Prueba de Validación % PESO DE PC MODULO DE YOUNG UTS (E-10 dina/cm2) (E-7 dina/cm2) De los resultados obtenidos, se observa que la red que modela el comportamiento de la mezcla de PC en HIPS, es muy exacta, lo cuál permite establecer datos concretos para la toma de decisiones, en el momento de seleccionar una determinada composición para obtener tales propiedades mecánicas, las cuáles determinan el uso final de la mezcla polimérica, por lo que en éste caso se pueden evitar las pruebas de laboratorio con la máquina universal. En el caso de la mezcla con ABS, se observa que se obtiene un polímero compuesto más rígido, y por lo tanto con un UTS menor, pero los resultados de la red no son tan exactos como se requiere, pues se entrenó la red con muy pocos datos, lo cuál conlleva a obtener un aprendizaje más del tipo memorístico que generalizado, por lo que se obtuvo una mayor desviación. CONCLUSIONES Aunque no existe una metodología sistemática a través de la cual se pueda construir un modelo de RNA el procedimiento propuesto en este trabajo nos ofrece una buena alternativa para este propósito, ya que esta basado en criterios estadísticos.
13 Es de suma importancia tener una amplia variedad de datos experimentales, ya que esto se relaciona estrechamente con el tamaño de la RNA propuesta, en otras palabras entre mas grande sea la RNA, mas pesos se involucran en su estructura y por lo tanto se necesita una cantidad de datos mayor. También es importante contar con estos datos debido a que las RNA manejan datos con ruido y se deben eliminar datos que estén muy alejados de ciertos intervalos, para minimizar el error. Los modelos planteados permitieron inferir una función de predicción del comportamiento polimérico que depende de un número reducido de datos físicos y químicos como los que se mencionaron con anterioridad, así como algunas propiedades mecánicas. El proceso de modelación utilizando las redes neuronales artificiales es eficiente pero como aun nuestro proyecto no esta completo no podemos decir el comportamiento que siguen nuestros polímeros mediante este método, aunque cabe mencionar que se da la utilización de un bajo número de variables. IMPACTO Al desarrollar este proyecto evitamos pruebas físicas y químicas de las mezclas poliméricas mencionadas anteriormente, mediante equipos con alta tecnología y muy costosos, y en ciertas ocasiones innecesarias, las fabricaciones de las probetas con cada concentración, la elaboración de graficas y lectura de valores que posiblemente no sean tan acertados por el factor hombre-maquina. REFERENCIAS BIBLIOGRAFICAS Redes neuronales. Algoritmos, aplicaciones y técnicas de programación. James A. Freeman y David M. Skapura. Ed. Addison-Wesley/Díaz de Santos. Introduction to artificial intelligence. Phillip C. Jackson, Jr. Dover Publications, Inc. New York. Self Organization and Associative Memory. Kohonen, T Springer-Verlag, Berlín. Neural networks and Physical Systems with Emergent Collective Computational Abilities. Hopfield, J.J Proc Watl Acad. Theory of the Propagation Neural Network. Hetch-Wielsen, R Proc. Int. Joint Conf. Redes Neuronales Artificiales: Fundamentos, modelos y aplicaciones Hilera J. R., Martínez V , RA-MA Editorial, Madrid. Manufactura, Ingeniería y tecnología. Kalpakjian Serope y R. Schmid Steven. Cuarta edición. Editorial Pearson. 1
Redes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesLIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
1. Información General UNIVERSIDD DISTRITL FRNCISCO JOSÉ DE CLDS UNIVERSIDD DISTRITL Francisco José de Caldas Facultad Tecnológica Tecnología en Sistemas Eléctricos de media y baja tensión articulado por
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesNeurona. Células y Fibras nerviosas Célula Nerviosa. Sensoriales, motoras y de asociación Nucleo Actividades metabólicas Conexiones sinápticas
Redes Neuronales Neurona Células y Fibras nerviosas Célula Nerviosa Neuronas Bipolares Neuronas Multipolares Sensoriales, motoras y de asociación 50000 Nucleo Actividades metabólicas Conexiones sinápticas
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesCOMPENSADOR DE TEMPERATURA PARA CELDAS DE CARGA
COMPENSADOR DE TEMPERATURA PARA CELDAS DE CARGA 1 Roberto Salas, 2 M. Velasco 1 MIDE, Metrología Integral y Desarrollo S. A. de C. V., Querétaro, México. 2 CENAM (Centro Nacional de Metrología), Querétaro,
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesRedes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesASIGNATURA: DISEÑO Y PRODUCTOS ANÁLISIS Y EVALUACIÓN DE DISEÑOS CONSIDERANDO EL CICLO DE VIDA
ASIGNATURA: DISEÑO Y PRODUCTOS ANÁLISIS Y EVALUACIÓN DE DISEÑOS CONSIDERANDO EL CICLO DE VIDA 1.- INTRODUCCIÓN. Asistimos a un boom de los productos verdes y del diseño ecológico. Muchos de ellos sólo
Más detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Más detallesRed Neuronal para el Reconocimiento de Patrones
Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez juan.alvarado@aunar.edu.co Facultad de Ingeniería Programa de ingeniería
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesDISEÑO DE EXPERIMENTOS
DISEÑO DE EXPERIMENTOS Dr. Héctor Escalona hbescalona@yahoo.com hbeb@xanum.uam.mx Diseño de 1. Introducción al diseño de 2. Herramientas de inferencia estadística 3. para la comparación de dos tratamientos
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesLas medidas y su incertidumbre
Las medidas y su incertidumbre Laboratorio de Física: 1210 Unidad 1 Temas de interés. 1. Mediciones directas e indirectas. 2. Estimación de la incertidumbre. 3. Registro de datos experimentales. Palabras
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesASIGNATURA DE MODELADO DE SISTEMAS DE ENERGÍAS RENOVABLES
INGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MODELADO DE SISTEMAS DE ENERGÍAS RENOVABLES UNIDADES DE APRENDIZAJE 1. Competencias Desarrollar el modelado del proyecto propuesto,
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesEl PODER del Agilent Cary 630 FTIR. Las ventajas I 2 R
El PODER del Agilent Cary 630 FTIR Las ventajas I 2 R Cómo es el FTIR 630? Diseñado específicamente para análisis de rutina de líquidos, sólidos y gases Diseño increíblemente compacto Flexibilidad en los
Más detallesMarco Antonio Andrade Barrera 1 Diciembre de 2015
Diseño, simulación, construcción, medición y ajuste de un filtro pasa-bajas activo de segundo orden con coeficientes de Bessel, configuración Sallen-Key, ganancia unitaria y una frecuencia de corte f c
Más detallesRelación lineal (densidad)
Relación lineal (densidad) Laboratorio de Física: 1210 Unidad 1 Temas de interés. 1. Relación lineal. 2. Relaciones directamente proporcionales. 3. Ajuste de tendencia lineal por el método de cuadrados
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México
Más detallesEnsayo de falla/fatiga Moreno López Marco Antonio Metodologia del diseño
Ensayo de falla/fatiga Moreno López Marco Antonio Metodologia del diseño Teorías de falla La falla de un elemento se refiere a la pérdida de su funcionalidad, es decir cuando una pieza o una máquina dejan
Más detalles28/08/2014-16:52:22 Página 1 de 5
- NIVELACION 1 MATEMATICA - NIVELACION FISICA - NIVELACION AMBIENTACION UNIVERSITARIA 1 - PRIMER SEMESTRE 71 REPRESENTACION GRAFICA 1 - PRIMER SEMESTRE 1 INTRODUCCION A LA INGENIERIA Para Cursarla debe
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesTecnologías de Inteligencia Artificial
Tecnologías de Inteligencia Artificial En la actualidad se han desarrollado importantes tecnologías de inteligencia artificial basadas en conjuntos borrosos y redes neuronales artificiales, cuyas potencialidades
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesTema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Tema 3: Ðreas de La IA: Ejemplos de Investigaci n Actual (II) Redes
Más detalles7. CONCLUSIONES 7.1 Comparación con otros datos experimentales
7. CONCLUSIONES 7.1 Comparación con otros datos experimentales En este capítulo se observarán los resultados obtenidos estableciendo comparaciones con otros resultados conocidos con la finalidad de comprobar
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN MANUFACTURA AERONÁUTICA ÁREA MAQUINADOS DE PRECISIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MECANIZADO CNC
TÉCNICO SUPERIOR UNIVERSITARIO EN MANUFACTURA AERONÁUTICA ÁREA MAQUINADOS DE PRECISIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MECANIZADO CNC 1. Competencias Desarrollar la manufactura de piezas aeronáuticas
Más detallesSimulación perceptual
Simulación En ingeniería, una simulación tiene como objetivo mostrar el comportamiento de un modelo digital bajo condiciones específicas, sean estas ideales, reales o extremas, dando como resultado datos
Más detallesExpositor: Mauricio Galvez Legua
ó Expositor: Mauricio Galvez Legua mgl10may62@hotmail.com 1 Qué es la ó La Robótica es una ciencia aplicada que se ocupa del estudio, desarrollo y aplicaciones de los robots. El estudio de la robótica
Más detallesENSAYO DE TENSIÓN PARA METALES. Determinar el comportamiento de un metal cuando es sometido a esfuerzos axiales de tensión.
ENSAYO DE TENSIÓN PARA METALES 1. OBJETIVO 1.1 Objetivo general. Determinar el comportamiento de un metal cuando es sometido a esfuerzos axiales de tensión. 1.2 Objetivos Específicos Conocer las normas
Más detalles240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Más detallesDISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN GUIAS PARA EL DISEÑO DEL LABORATORIO
DISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN DESCRIPCIÓN DEL DOCUMENTO: Este documento presenta la construcción de un laboratorio virtual básico para el diseño de redes
Más detallesEL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.
EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos
Más detallesOPTATIVA I: INGENIERÍA DE PRODUCTO
INGENIERÍA INDUSTRIAL HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura OPTATIVA I: INGENIERÍA DE PRODUCTO 2. Competencias Administrar los recursos necesarios de la organización
Más detallesCAPITULO 8: CONCLUSIONES
CAPITULO 8: CONCLUSIONES El objetivo primordial de este estudio ha sido valorar la posibilidad de utilizar una nariz electrónica para monitorizar el proceso de maduración de diferentes variedades de fruta.
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesOPERACIONES UNITARIAS II
DES: Ingeniería Programa(s) Educativo(s): Ingeniero químico UNIVERSIDAD AUTONOMA DE CHIHUAHUA FACULTAD DE CIENCIAS QUÍMICAS PROGRAMA DEL CURSO: OPERACIONES UNITARIAS II Total de Horas por Semana: 6 Teoría:
Más detallesQue es una Ecuación Diferencial? (ED) Para qué sirven las ecuaciones diferenciales?
Que es una Ecuación Diferencial? (ED) Una ecuación diferencial (ED), es una ecuación que relaciona una función desconocida y una o más derivadas de esta función desconocida con respecto a una o más variables
Más detallesTema 2: Propiedades de los Materiales Metálicos.
Tema 2: Propiedades de los Materiales Metálicos. 1. Propiedades mecánicas. 2. Mecanismos de deformación (Defectos). 3. Comportamiento elasto-plástico. 4. Comportamiento viscoso (fluencia y relajación).
Más detallesResumen. Abstract INTRODUCCIÓN.
METODOLOGÍA PARA SELECCIÓN DE MATERIALES EN INGENIERÍA MECATRÓNICA, William E. Diaz Moreno, Universidad Militar Nueva Granada Nelson F. Velasco Toledo, Universidad Militar Nueva Granada Resumen Durante
Más detalles1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO
Capítulo 1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO INTRODUCCIÓN 1.1. INTRODUCCIÓN Las técnicas de filtrado adaptativo han sido aplicadas con éxito a los sistemas de antenas adaptativas, a problemas
Más detallesInforme de Materiales de Ingeniería CM4201. Informe N 2. Laboratorio A: Ensayo Jominy
Departamento de Ciencia de los Materiales Semestre Primavera 2012 Informe de Materiales de Ingeniería CM4201 Informe N 2 Laboratorio A: Ensayo Jominy Nombre alumno: Paulo Arriagada Grupo: 1 Fecha realización:
Más detallesAnálisis Espacial aplicando Técnicas de Inteligencia Artificial
Análisis Espacial aplicando Técnicas de Inteligencia Artificial OBJETIVO. Proporcionar al estudiante técnicas variadas de inteligencia artificial para el tratamiento de datos espaciales y presentar cómo
Más detallesMaría Gabriela Vintimilla Sarmiento Darwin Alulema
Desarrollo e Implementación de una Aplicación que Traduzca el Abecedario y los Números del uno al diez del Lenguaje de Señas a Texto para Ayuda de Discapacitados Auditivos Mediante Dispositivos Móviles
Más detallesCAPÍTULO III I. MARCO METODOLÓGICO. Este capítulo hace mención a los aspectos metodológicos de la
CAPÍTULO III I. MARCO METODOLÓGICO Este capítulo hace mención a los aspectos metodológicos de la investigación utilizados para la solución del problema. Antes de todo, es necesario definir lo que es una
Más detallesCAPITULO Variación de la composición química de la varilla de aporte ASM 1A :
CAPITULO 5 DISCUSIÓN DE RESULTADOS Para poder evaluar nuevos materiales para soldadura se prepararon probetas soldando la varilla ASM 1aA sobre el recubrimiento ASM 1 B 10.60% de aleación y sobre el recubrimiento
Más detallesPROYECTO AULA TRANSFORMACIÓN DE LOS PROCESOS DE APRENDIZAJE
E.E. FÍSICA MODERNA UNIDAD DE COMPETENCIA: El estudiante observa, compara y analiza los diferentes fenómenos físicos que se estudian en Óptica, Acústica y Física Moderna, mediante la aplicación de conceptos,
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN MANUFACTURA AERONÁUTICA ÁREA MAQUINADOS DE PRECISIÓN EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN MANUFACTURA AERONÁUTICA ÁREA MAQUINADOS DE PRECISIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MECANIZADO NO CONVENCIONAL 1. Competencias Desarrollar la manufactura
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesPROGRAMA DE ESTUDIO. Horas de Práctica
PROGRAMA DE ESTUDIO Nombre de la asignatura: DISEÑO DE EXPERIMENTOS Clave:MAT10 Ciclo Formativo: Básico ( ) Profesional (X) Especializado ( ) Fecha de elaboración: MARZO DE 2015 Horas Semestre Horas semana
Más detallesNombre de la asignatura: Resistencia de los materiales. Carrera : Ingeniería Mecánica. Clave de la asignatura: ACC
Nombre de la asignatura: Resistencia de los materiales. Carrera : Ingeniería Mecánica Clave de la asignatura: ACC- 96 Clave local: Horas teoría horas practicas créditos: 4--0.- UBICACIÓN DE LA ASIGNATURA
Más detallesProyecto de tesis de grado:
CARRERA DE INGENIERÍA EN ELECTRÓNICA E INTRUMENTACIÓN Proyecto de tesis de grado: TEMA: DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO DE CONTROL AVANZADO APLICADO A UN PROCESO DE PRESIÓN, UTILIZANDO UN CONTROLADOR
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesDOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas de Control Digital Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0187 Asignaturas antecedentes y
Más detallesCiudad Guayana, Febrero de 2011
REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA ANTONIO JOSÉ DE SUCRE INGENIERÍA INDUSTRIAL CÁTEDRA: SISTEMAS DE INFORMACIÓN Profesor: Turmero, Iván Ciudad Guayana, Febrero
Más detallesNeuronas Artificiales
Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante
Más detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Más detallesUNIVERSIDAD TECNOLOGICA DE LOS ANDES VICE RECTORADO ACADEMICO FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA I. INFORMACIÓN GENERAL SILABO 2016 1.1. Nombre de la asignatura SISTEMAS EXPERTOS 1.2. Código SI101 1.3. Año Calendario
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 3 : RECONOCIMIENTO
Más detallesDivisión 6. Análisis de la mecánica de fractura Esquemas simples
CAPITULO 3 TENSIONES Y DEFORMACIONES. REVISIÓN DE PRINCIPIOS FÍSICOS División 6 Análisis de la mecánica de fractura Esquemas simples 1. Introducción En esta división del capítulo se analizarán someramente
Más detallesINGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES
INGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES ASIGNATURA DE DISEÑO DE SISTEMAS UNIDADES DE APRENDIZAJE 1. Competencias Desarrollar sistemas de Energía Renovable considerando las necesidades
Más detallesTécnicas de Planeación y Control
Técnicas de Planeación y Control 1 Sesión No. 5 Nombre: Métodos cuantitativos de pronóstico Contextualización Como vimos en la sesión anterior, el enfoque cualitativo nos sirve para efectuar pronósticos
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Desarrollo de Habilidades De Pensamiento
Más detallesProyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Más detallesENSAYOS DE LABORATORIO.
CAPÍTULO 5. ENSAYOS DE LABORATORIO. Alejandro Padilla Rodríguez. 111 5. ENSAYOS DE LABORATORIO. Con base en la Normativa de la Secretaría de Comunicaciones y Transportes de México, para pavimentos flexibles,
Más detallesMEDICIÓN Y ANÁLISIS DE CIRCUITOS ELÉCTRICOS
Módulo: Medición y Análisis Educación de Circuitos EléctricosMedia Técnico-Profesional Sector Electricidad 1 Especialidad: Electricidad Módulo MEDICIÓN Y ANÁLISIS DE CIRCUITOS ELÉCTRICOS Horas sugeridas
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesMediciones Eléctricas
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERIA ELECTRICA Y ELECTRONICA Mediciones Eléctricas Ing. Roberto E. Solís Farfán CIP 84663 1 INTRODUCCION La importancia de los instrumentos eléctricos
Más detallesCircuitos Electrónicos Digitales Práctica 1 Introducción al laboratorio de circuitos
Circuitos Electrónicos Digitales Práctica 1 Introducción al laboratorio de circuitos Grado en Ingeniería Informática: Ingeniería del Software 2010/2011 Objetivos Repasar los conceptos de circuitos eléctricos
Más detallesÍNDICE. 1. INTRODUCCION
ÍNDICE. 1. INTRODUCCION--------------------------------------------------------------------------------------- 1 2. REVISIÓN BIBLIOGRAFICA 2.1 Riego por aspersión-----------------------------------------------------------------------------
Más detallesPara llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Más detallesPROGRAMA DE ESTUDIO. Horas de. Práctica ( ) Teórica ( ) Presencial ( x ) Teórica-práct. (x) Híbrida ( )
PROGRAMA DE ESTUDIO Nombre de la asignatura: DISEÑO DE MAQUINARIA Clave:DIS03 Ciclo Formativo: Básico ( ) Profesional ( x ) Especializado ( ) Fecha de elaboración: Horas Semestre Horas semana Horas de
Más detalles