OVMMSOM: Una variación de MMSOM y VMSOM como técnica de clusterización de imágenes
|
|
- Elisa Bustamante Mora
- hace 7 años
- Vistas:
Transcripción
1 OVMMSOM: Una variaión de MMSOM y VMSOM omo ténia de lusterizaión de imágenes Frano Sánhez Huertas Esuela de Cienia de la Computaión Universidad Católia San Pablo frano.sanhez@usp.edu.pe Yván J. Túpa Valdivia CI en Cienia de la Computaión Universidad Católia San Pablo ytupa@usp.pe Raquel Patiño Esarina Esuela de Cienia de la Computaión Universidad Católia San Pablo rpatino@usp.edu.pe Resumen Este artíulo propone el modelo Optimized Vetor and Marginal Median Self-Organizing Map (OVMMSOM) omo una nueva forma de lusterizaión, omo una variante de los Mapas Auto-Organizados (SOM) basado en estadístias de orden, Marginal Median SOM (MMSOM) y Vetor Mediana SOM (VMSOM). Este modelo emplea ombinadamente MMSOM y VMSOM definiendo la importania de ada uno a través de un índie de partiipaión representado por un parámetro λ. Para demostrar la efetividad de la propuesta se probó on imagenes del onjunto de datos COIL100 y el índie de validaión CDbw. Los experimentos realizados mostraron que el modelo propuesto supera los resultados obtenidos por una red SOM stándard entrenada en bath, e inluso a los entrenamientos realizados por MMSOM y VMSOM por separado. Keywords-SOM ; MMSOM ; VOMSOM; CDbw I. ITRODUCCIÓ Los mapas auto-organizados (Self-Organizing Maps, SOM) son un tipo de Redes euronales[1] que estableen la adaptaión de ualquier espaio de entrada de datos haia una red de dos o tres dimensiones, de modo que se tenga un prototipo de neuronas bien definidas. Los nodos estan organizados en un mapa y ompiten entre sí para ganar uno a uno los patrones de entrada [2]. Este modelo esta basado en la lase de algoritmos de entrenamiento SOM que emplean estadístias de orden, omo Marginal Median SOM (MMSOM) y Vetor Median SOM (VMSOM)[3]. Estas variantes de SOM son tan buenas omo una SOM stándar, entrenada por bath, y han sido apliados anteriormente al reonoimiento de patrones. La ontribuión de esta investigaión esta en la evaluaión del trabajo de estos dos algoritmos de entrenamiento juntos mediante un índie de partiipaión representado por λ. Este índie será elegido dependiendo del mejor valor que obtenga el índie Composity Density between and whitin lusters index (CDbw) durante las pruebas. La superioridad de este modelo frente a BL-SOM y sus padres MMSOM y VMSOM queda demostrada mediante los experimentos realizados sobre el onjunto de datos de COIL100 vetorizados on el desriptor Color Layout [4]. Este artíulo se ha desarrollado de la siguiente manera. En la Seión 2 se explia el onepto de Clustering y el índie de validaión CDbw. La Seión 3 desarrolla los oneptos basios de la red SOM y sus respetivas variantes. Mientras que en la Seión 4, se desribe la propuesta del modelo. Los experimentos y los resultados se presentan en la Seión 5. La Seión 6 muestra algunas onsideraiones. Y finalmente la Seión 7, las onlusiones. II. CLUSTERIG Clustering es el proeso de agrupamiento que permite organizar un onjunto de datos dentro de subonjuntos a manera de grupos, así los datos que están en un mismo lúster son más similares que aquellos que se enuentran en otro lúster[5]. A diferenia de la lasifiaión, este es un aprendizaje no supervisado, es deir, aprende por observaión de ejemplos. Otra araterístia del lustering es que no existen etiquetas predefinidas de las distintas lases posibles para los datos; por lo tanto, a manera de que el algoritmo se ejeuta los datos progresivamente se identifian on los lusters que van apareiendo[6]. Para que un luster pueda ser tomado en uenta y validado debe umplir dos propiedades elementales: baja similitud inter-luster y alta similitud intra-luster[6]. II-1. El índie CDbw Con la neesidad de enontrar un riterio que permita determinar si el agrupamiento final realizado es el más óptimo, es deir lusters bien ompatos y al mismo tiempo bien separados, se aplia un índie onoido omo índie de validaión. Wu y Chow presentan un índie de validaión relativo que se basa en la densidad inter-luster e intra-luster. Este índie es onoido omo CDbw (Composity Density Between and whitin lusters) y enontrará la relaión que hay entre los lústers en funión de los elementos más representativos de ada uno. Una vez agrupados los datos en lusters se utiliza el índie de validaión CDbw. Entre mayor sea el valor del índie este india que es más óptimo. Para alularlo se utiliza la Euaión 1, en la ual intra_den() es la densidad intra-luster y Sep() es la separaión entre lusters[7], [8]. CDbw() = intra_den().sep() (1) 145
2 En la densidad intra-luster definida en la Euaión 2, el término density(v i j ) = n j l=1 f(x i,v i j ), en el ual x l pertenee al luster i, y v i j es el j-ésimo punto de representaión [7]. intra_den()= 1 r i i=1 density(v i j ),>1 (2) La Euaión f(x i,v i j ) se detalla a ontinuaión: { 1 si xi v i j σ, 0 en otro aso donde la desviaión estándar promedio σ es definida por la Euaión 4: σ = ni (3) σ(i) 2 / (4) k=1 donde el término n i representa el número de puntos, y σ(i) es un vetor que ontiene las desviaiones estándar de los puntos de representaión del luster i. Para definir el vetor de desviaiones estándar del luster i se onsidera el vetor de puntos de representaión v i = (v i1 ;v i2 ;...;v iri ) on tamaño r i. En la Euaión 5 vemos el p-ésimo elemento de σ(i) [7]. σ p (i)= ni (x p k mp i )2 /(n i 1) (5) k=1 donde x p k son los datos y mp i es la media de luster i. La expresión Sep() de la Euaión 1 representa la separaión que hay entre los lusters. Para alular la separaión se utiliza la Euaión 6. Los términos lose_rep(i) y lose_rep( j) son el par de puntos representativos más eranos entre el luster i y el luster j. Sep() = i=1 lose_rep(i) lose_rep( j) 1+inter_den() donde la densidad inter_den() se obtiene on la Euaión 7 inter_den() = uando >1 III. i=1 lose_rep(i) lose_rep( j) σ(i) + σ( j) MAPAS AUTO-ORGAIZADOS (SOM) Y SUS VARIATES Las redes neuronales artifiiales simulan el omportamiento de las neuronas biológias y son representadas mediante modelos matemátios. Si bien es ierto todavía no se ha podido omprender el erebro humano en su totalidad, se toman las propiedades básias de las neuronas, tales omo la propagaión del onoimiento entre las que se enuentran en una veindad, donde las neuronas más próximas reiben máyor estímulo de lo aprendido por alguna neurona. Los mapas auto-organizados (SOM) son redes neuronales no supervisadas bastante utilizadas en el área de minería de datos.[2], [9]. Para entender el entrenamiento de una red SOM debemos onsiderar el vetor de entrada X(t), donde todos los datos (6) (7) de entrada afetan a ada neurona i. Según los pesos de las. neuronas w i = [wi1,w i2,...,w in ] se determinará una neurona ganadora, por lo que todos los pesos de las veinas serán afetados y atualizados segun la euaión de aprendizaje 8: III-A. { wi (t)+ε(t)h i (t)(x t w t ), i (8) w i (t) i / SL-SOM El método Self-Organized SOM (SL-SOM) omplementa el trabajo de la SOM, al segmentar el mapa y alular el partiionamiento más óptimo. Una vez entrenada la red SOM se alula una matriz de distanias inter-neuronal denominada U-Matrix, la ual es segmentada a partir de un umbral definido. Todas aquellas posiiones de la U-Matrix que tengan una distania menor al umbral se les asigna un valor 1 y a las mayores un valor 0. De esta manera se genera una matriz binaria [10] en la que los setores donde se aumulan valores 1 se onsideran posibles lusters. El problema que se enuentra en este paso, es que hay regiones que no perteneen a ningún grupo, donde enontramos valores 0. Estas regiones no ayudan a visualizar la segmentaión, por eso onviene apliar un algoritmo de reimiento de regiones omo el Watershed [9], que elimina los valores 0 y redefine los lusters enontrados. El algoritmo tradiional de SL-SOM determina mediante un dendograma uál es el mejor partiionamiento. En el dendograma se puede observar uál es el resultado que prevalee, por su ontinuidad y estabilidad. Es deir, aquel resultado que da on más freuenia es el onsiderado omo más óptimo. Para rear el dendograma, es neesario realizar un álulo del número de lusters que se enuentran on distintos umbrales. Aunque este método es subjetivo, nos proporiona un riterio para esoger un buen resultado. III-B. BL-SOM BL-SOM forma un mapeamiento no-lineal de un espaio de entrada d-dimensional arbitrario haia un onjunto de nodos de dos o tres dimensiones (el mapa en sí). Cada nodo está asoiado on un vetor de pesos w = (w 1,w 2,...,w D ) T en el espaio de entrada. La BL-SOM es entrenada iterativamente y aprende los patrones de entrada. El aprendizaje (no-supervisado) de auto-organizaión subyae en revelar las propiedades estadístias de los patrones de entrada, reando así representaiones adeuadas para las araterístias, por ejemplo vetores de peso, y automátiamente rear nuevos lusters. Los mapas neuronales ompiten entre sí en búsqueda de ser ativados al ganar los patrones de entrada. Solamente una neurona gana en ada iteraión, onvirtiéndose así en la ganadora de la BMU 2 [11]. Sea x j el j-ésimo vetor de araterístias de entrada d- dimensional, y w i el i-ésimo vetor de peso d-dimensional. El primer paso del algoritmo es iniializar el vetor de entrada usando un algoritmo de iniializaión linear. Los vetores de peso w i definen la triangulaión Voronoi del espaio de entrada 2 Best Mathing Unit, mejor unidad de emparejamiento 146
3 [1], [2]. Cada elda Voronoi está representada por su entroide, el ual orresponde al vetor de pesos w i. Cada patrón de entrada x j está asignado a una elda Voronoi basada en la ondiión de veino más erano. Esto es, el índie BMU, ( j), del patrón de entrada x j definido en la Euaión 9 ( j)=argmín( x j w i ) (9) donde denota distania eulidiana. Asimismo, BL-SOM puede ser tratada omo un método de uantizaión de vetor [12]. El paso más importante del algoritmo BL-SOM es la adaptaión de los vetores de peso de las neuronas. Las neuronas están onetadas a neuronas adyaentes por una funión de veindario que india la topología del mapa. Determina también, uán fuertes son las onexiones entre las mismas [11]. En ada paso del entrenamiento, las neuronas atualizan la funión de veindario, uyo propósito es orrelaionar las direiones de las atualizaiones de los pesos en un gran número de neuronas alrededor de la BMU [13]. Para atualizar las neuronas venedoras y sus veindarios, se puede optar ya sea por tipo de regla de adaptaión LMS 3 o por un algoritmo bath. En el presente trabajo, se utiliza la última, la ual onsiste en que un onjunto de entrenamiento dado x j, el ual mantiene registro de las atualizaiones de los pesos, pero uyo ajuste es apliado solamente después de todas las muestras del onjunto que han sido onsideradas. El aprendizaje esa uando se alanza el número predeterminado de iteraiones [13]. En ada iteraión del entrenamiento se determina la BMU. Tras ello, todas las neuronas que perteneen al veindario son atualizadas a su tiempo. La regla de atualizaión del i-ésimo vetor de peso, w i, es alulada mediante la Euaión 10 [11]: α(t)h i( j) (t)x j j 1 h i (t) (10) donde define el número de patrones x j que han sido asignados a la i-ésima neurona hasta la t-ésima iteraión y h i (t) denota una funión de veindario alrededor del BMU (( j)). La tasa de aprendizaje a(t) es una funión dereiente en el tiempo. BL-SOM tiene algunas desventajas, tales omo la falta de robustez en uanto a valores atípios y deisiones erróneas para el vetor ganador debido a estimadores lineales. Pero esto se puede resolver utilizando estadístias de orden multivariante [3]. III-C. MMSOM MMSOM alula la mediana marginal de todos los patrones asignados a la neurona ganadora y atualiza solamente los vetores de peso BMU. MMSOM onfía en el onepto de ordenamiento marginal. El ordenamiento marginal de los vetores de entrada x 1,x 2,...,x n donde x j =(x 1 j,x 2 j,...x D j )T 3 Least Mean Squared se realiza al ordenar los omponentes de la neurona ganadora de forma independiente de auerdo a las D dimensiones [3], [14]: x q(1) x q(2)... xq(),q=1,2,...,d (11) donde q denota el índie del omponente del vetor en onsideraión. El nuevo vetor de peso del BMU surge del álulo de la mediana marginal de todos los patrones indexados en el BMU[15]. El álulo de la mediana marginal está definido en la Euaión (12) = marginal_median{x 1,x 2...,x n }= ( ) T x1(v+1),...,x D(v+a), = 2v+1 ( x1(v) +x 1(v+a) 2,..., x D(v) +x ) T (12) D(v+a) 2, = 2v donde denota el número de patrones asignados al BMU, w. La neurona ganadora es atualizada mediante la Euaión 13: III-D. w (t+ 1)=marginal_median{R (t) x(t)} (13) VMSOM VMSOM alula el vetor de medianas de todos los patrones asignados a la neurona ganadora y atualiza solamente el vetor de peso del BMU. El operador de vetor medio es el vetor que pertenee al onjunto de vetores de entrada indexados por el BMU, el ual es el más erano a todos los vetores de entrada atuales [16]. La mediana del vetor de vetores de entrada x 1,x 2,...,x está definida por la Euaión 14: donde x l = vetor_median{x 1,x 2...,x n } l = argmín k x j x k (14) La neurona ganadora es atualizada según la Euaión 15: w (t+ 1)=vetor_median{R (t) x(t)} (15) IV. OVMMSOM El modelo OVMMSOM alula un nuevo BMU para ada neurona, apartir de los BMU s resultantes de los entrenamientos por separado de MMSOM y VMSOM. El modelo se desribe en el algoritmo 1. V-A. V. RESULTADOS EXPERIMETALES Bases de Datos Utilizadas Las pruebas han sido realizadas utilizando la base de datos de imagenes COIL100 1, proporionada por la Universidad de Columbia, la ual ontiene 7200 imagenes orrespondientes a 100 objetos, ada una de las imagenes muestra a un objeto rotado 72 vees, ino grados a la vez omo se muestra en las Figuras 1 y 2 1 Columbia University Image Library
4 Algoritmo 1 Pseudoódigo del entrenamiento on OVMM- SOM Entrada: dataset P iniial ={p 1,..., p n } no vaío Salida: data lusterizada 1: mientras el valor de CDbw sea aeptable haer 2: Entrenar on MMSOM 3: Obtener BMU: MMBMU 4: Entrenar on VMSOM 5: Obtener BMU: V MBMU 6: Generar el nuevo BMU: OV MMBMU 7: OV MMBMU = λ MMBMU+(1 λ) V MBMU 8: Entrenar on OVMMSOM 9: Calular índie CDbw 10: fin mientras 11: devolver ierto es realizada mediante el álulo del índie CDbw. La partiipaión de ada uno de los entrenamientos (MM- SOM y VMSOM) en la propuesta esta definida por un índie λ, el ual definirá el nuevo BMU (OVMMBMU) de la siguiente manera: OV MMBMU = λ MMBMU+(1 λ) V MBMU (16) Como se puede ver en las Figura 3 y 4, que representan los experimentos realizados (100 entrenamientos). Figura 1. COIL100 Figura 3. Promedio de los índies obtenidos on respeto al número de lusters utilizando OVMMSOM Figura 2. Subonjunto de imagenes de COIL100 orrespondiente a un objeto V-B. Pruebas La extraión de araterístias de las imagenes se hizo utilizando el desriptor ColorLayout espeifiado en el Capítulo 2, el vetor araterístia de ada imagen posee 12 dimensiones, 6 para luminania y 6 para rominania. El total de experimentos realizados para ada algoritmo fue de 100 entrenamientos. El entrenamiento de la red BL-SOM se hizo iniialmente on 1200 patrones (los últimos 12 de ada grupo de 72, ada grupo de 72 representa a un artíulo del onjunto de COIL100), luego se agregaron los 6000 patrones restantes para lusterizar finalmente el onjunto total de patrones. La validaión de los lústers, para los 4 entrenamientos (BLSOM, MMSOM, VMSOM y la propuesta OVMMSOM) Figura 4. Comportamiento del índie CDbw para OVMMSOM on respeto a los valores λ Tras los resultados mostrados en las Figuras 3 y 4, se elige 0,35 omo valor del índie λ el ual se utilizará en las pruebas frente a los demás algoritmos. Los experimentos onstan de entrenamientos on los 4 métodos: BL-SOM, MMSOM, VMSOM y OVMMSOM. BL-SOM fue entrenada on 50 époas ada vez. La Tabla I muestra el promedio de los resultados tras 100 experimentos. El modelo OVMMSOM propuesto para entrenamiento de SOM, on índie λ = 0, 35 ha demostrado mejorar el índie de 148
5 Tabla I RESULTADOS COMPARATIVOS USADO LA DATA DE COIL100 (C = ÚMERO DE CLUSTERS OBTEIDOS) Tam Métodos SOM del BL MM VM OVMM mapa CDbw C CDbw C CDbw C CDbw C validaión de sus predeesores MMSOM y VMSOM, inluso superando el índie de validaión que se le asignaba a los agrupamientos realizados on BL-SOM, por lo que los lústers obtenidos tras el entrenamiento propuesto por este modelo ofreen grupos mas densos y aislados de los demás. Esto signifia que, a diferenia de los demás métodos evaluados, ha proporionado una deteión más efiiente de lústers sobre la data, basado en el desriptor de olor ColorLayout, omo muestra la Figura 5. Figura 5. Clusterizaion de COIL100 on OVMMSOM y un mapa 9 9 VI. COSIDERACIOES En este artíulo se presentó un modelo de agrupamiento basado en redes SOM apliando los entrenamientos MMSOM y VMSOM junto al método de interpretaión de la red: SL-SOM. Se probó la alidad de este nuevo modelo de agrupamientos en un onjunto de imágenes utilizando un desriptor de bajo nivel basado en olor Color Layout. VII. COCLUSIOES Se determinó experimentalmente que la unión de los entrenamientos MMSOM y VMSOM on un índie de partiipaión λ llega a mejores resultados si es omparado on la apliaión de MMSOM y VMSOM por separado, donde los resultados son el valor del índie de validaión CDbw apliado a los grupos resultantes en el onjunto de imágenes utilizado. Se enontró que para un valor de λ = 0,35 se obtuvo el mejor rendimiento. Cabe destaar que en un iniio se propuso una partiipaión por igual de los entrenamientos MMSOM y VMSOM pero los resultados on este esenario no fueron alentadores, por lo que se optó por definir el índie de partiipaión λ y se busó un valor que ofreza mejores resultados. Otro punto a resaltar es la ontinuidad de OVMMSOM para obtener un número adeuado de lusters, pues en promedio ha enontrado la misma antidad de lusters válidos sin depender del tamaño del mapa. REFERECIAS [1] S. Haykin, eural networks: A omprehensive foundation, Journal of Multi-Criteria Deision Analysis, Upper Saddle River, Prentie-Hall, [2] T. Kohonen, Self-organizating maps, Springer-Verlag, [3] I. Pitas, C. Kotropoulos,. ikolaidis, R.Yang, and M. Gabbouj, Order statistis learning vetor quantizer, IEEE Trans. Image Proessing, vol. 5, pp , [4] P. Salembier and J. R. Smith, Mpeg-7 multimedia, desription shemes, Transriptions on Ciruits and Systems For video Tehnologies, pags , [5]. Grira, M. Cruianu, and. Boujemaa, Unsupervised and semisupervised lustering: a brief survey, Review of Mahine Learning Tehniques for Proessing Multimedia Content, Report of the MUSCLE European etwork of Exellene, [6] S. A. Elavarasi, J. Akilandeswari, and B. Sathiyabhama, A survey on partition lustering algorithms, International Journal of Enterprise and Bussiness Systems, [7] S. Wu and T. Chow, Clustering of the self-organizing map using a lustering validity index based on inter-luster and intra-luster density, Pattern Reognition Journal, págs , [8] M. Halkidi and M. Vazirgiannis, A density based luster validity approah using multi-representatives, Journal of Intelligent Information Systems, [9] J. Costa, Classifiaçao automátia e análise de dados por redes neurais auto-organizaveis, PhD thesis, Universidade Estadual de Campinas., [10] A. Ultsh, Self-organizing neural networks for visualization and lassifiation, Intell. Data Anal. pp , [11] Juha.Vesanto, J. Himberg, E. Alhoniemi, and J. Parhankangas, Som toolbox for matlab 5, Finland, [12] A. Gersho and R. Gray, Vetor Quantization and Signal Compression, ser. Kluwer international series in engineering and omputer siene. Kluwer Aademi Publishers, [Online]. Available: google.om.pe/books?id=dwdm6xgituc [13] M. M. V. Hulle, Faithful Representations and Topographi Maps. From Distortion- to Information-Base Self-Organization, 1st ed., ser. Adaptive and Learning Systems for Signal Proessing, Communiations and Control Series. ew York: Wiley-Intersiene, [14] C. Kotropoulos and I. Pitas, onlinear Signal and Image Proessing: Theory, Methods, and Appliations. Boa Raton, FL: CRC Press, 2004, h. Self-organizing maps and their appliations in image proessing, information organization, and retrieval. [15] I. Pitas and P. Tsakalides, Multivariate ordering in olor image restoration, IEEE Trans. Ciruits and Systems for Video Tehnology, pp , [16] J. Astola, P. Haavisto, and Y. euvo, Vetor median filters, Proeedings of the IEEE, vol. 78, no. 4, pp ,
Extracción de parámetros de señales acústicas
VI Congreso Iberoameriano de Aústia - FIA 8 Buenos Aires, 5, 6 y 7 de noviembre de 8 Extraión de parámetros de señales aústias Aguilar, Juan (a), Salinas, Renato (b) FIA8-A16 (a) Instituto de Aústia, Universidad
Más detallesElementos de Estadística Primer Examen Parcial (25%)
UNIVERSIDAD CENTRAL DE VENEZUELA Cilo Básio Departamento de Matemátia Apliada Elementos de Estadístia (0260) Martes 10 de Mayo de 2011 Profesor: José Luis Quintero FACULTAD DE INGENIERÍA Elementos de Estadístia
Más detallesRecursión y Relaciones de Recurrencia. UCR ECCI CI-1204 Matemáticas Discretas M.Sc. Kryscia Daviana Ramírez Benavides
Reursión y Relaiones de Reurrenia UCR ECCI CI-04 Matemátias Disretas M.S. Krysia Daviana Ramírez Benavides Algoritmos Reursivos Un algoritmo es reursivo si se soluiona un problema reduiéndolo a una instania
Más detallesRecursión y Relaciones de Recurrencia. UCR ECCI CI-0111 Estructuras Discretas Prof. Kryscia Daviana Ramírez Benavides
Reursión y Relaiones de Reurrenia UCR ECCI CI-0 Estruturas Disretas Prof. Krysia Daviana Ramírez Benavides Algoritmos Reursivos Un algoritmo es reursivo si se soluiona un problema reduiéndolo a una instania
Más detallesEJERCICIOS DE ALGORITMIA. FUNDAMENTOS DE PROGRAMACIÓN (GRADO EN BIOTECNOLOGÍA)
EJERCICIOS DE ALGORITMIA. UNDAMENTOS DE PROGRAMACIÓN (GRADO EN BIOTECNOLOGÍA) 1. Realizar un organigrama para dividir un segmento [a,b] en N subintervalos iguales. Como datos de entrada se emplearán a,
Más detalles11.1. Ecuaciones de la dinámica de sólidos
Capítulo 11 Dinámia de sólidos Todos los modelos estudiados hasta ahora suponían que los sólidos deformables se enuentran, en todo instante, en equilibrio uasi-estátio. Esto quiere deir que, aunque éstos
Más detallesETE. = fi ETE = Recordatorio de fórmulas
Eamen de la asignatura Estadístia apliada a las ienias soiales Profesor Josu Mezo. de febrero de 004 Instruiones: - Puedes responder a las preguntas en el orden que quieras, pero india laramente a uál
Más detallesTEMA 3.- DISTRIBUCIONES DE PROBABILIDAD
TEMA 3.- DISTRIBUIONES DE PROBABILIDAD 3.1 EXPERIMENTOS Y SUESOS ALEATORIOS Existen dos tipos de experimentos: deterministas y aleatorios. El primero es aquel del que se puede predeir el resultado siempre
Más detalles10 PROYECCIÓN DEMANDA DE VIAJES
Direión de Planeamiento Ministerio de Obras Públias 1-1 Análisis y Diagnóstio de Flujos de Transporte en el Corredor Central 1 PROYECCIÓN DEMANDA DE VIAJES Una primera etapa en la en el estudio de los
Más detallesExamen final de Cálculo Integral
xamen final de Cálulo Integral 6 de septiembre de 1 (Soluiones) Cuestiones C 1 Apliando el teorema 1.15 y definiión 1. de los apuntes se onluye inmediatamente que el valor de la integral oinide on la longitud
Más detalles1 2 +! $ = # 1$ $ Pensamiento Algebraico GUÍA DE PARA LOS ASPIRANTES A LA MME Temas que debe dominar:
Pensamiento lgebraio Temas que debe dominar: GUÍ DE PR LOS SPIRNTES L MME-06 Definiión, operaiones y propiedades de: Números Naturales Números Enteros Números raionales Números irraionales Números omplejos
Más detallesFacultad de Ciencias Exactas Y Naturales FRECUENCIAS DE VIBRACIÓN DE UNA BARRA CON ÁREA SECCIONAL COSENO
Revista NOOS Volumen (3) Pág 4 8 Derehos Reservados Faultad de Cienias Exatas Y Naturales FRECUENCIAS DE VIBRACIÓN DE UNA BARRA CON ÁREA SECCIONAL COSENO Carlos Daniel Aosta Medina Ingrid Milena Cholo
Más detallesIlustración 1 Imagen obtenida al aplicar el algoritmo LBP a una imagen monoespectral. 5.1 Análisis de texturas con patrones locales binarios
101 Capítulo 5 5. El Algoritmo Lbp Ilustraión 1 Imagen obtenida al apliar el algoritmo LB a una imagen monoespetral 5.1 Análisis de texturas on patrones loales binarios La textura en una imagen puede proveer
Más detallesINTRODUCCIÓN A LAS MATEMÁTICAS SUPERIORES. Tema 1
INTRODUCCIÓN A LAS MATEMÁTICAS SUPERIORES Tema 1 1.1 BREE INTRODUCCIÓN A LA LÓGICA MATEMÁTICA Bibliografía: Smith, Karl J.- Introduión a la Lógia simbólia.- Grupo Editorial Iberoaméria.- Méio, 1991. Espinosa
Más detallesVELOCIDAD INSTANTANEA
VELOCIDAD INSTANTANEA OBJETIVOS DE APRENDIZAJE Determinar experimentalmente la veloidad instantánea de un móvil en un punto fijo de su trayetoria a través de un gráfio de veloidad media versus tiempo en
Más detallesCONJUNTOS. Según se ha visto en el ejercicio anterior, para que la intersección de dos conjuntos A y B sea A, se tiene que verificar que A B.
CONJUNTOS 1. Si se umple: a) = b) = ) = (Convoatoria junio 2001. Examen tipo E ) Es laro que la opión orreta es la a). Cuando un onjunto está dentro de otro, la interseión es el onjunto pequeño y la unión
Más detallesPerceptron Multicapa
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 3 Pereptron Multiapa Redes de Neuronas. Pereptron Multiapa Pereptron Multiapa Introduión Arquitetura Aprendizaje: Algoritmo
Más detallesCAMPO Y POTENCIAL ELECTROSTÁTICOS
1 Un eletrón de arga e y masa m se lanza orizontalmente en el punto O on una veloidad v a lo largo de la direión equidistante de las plaas de un ondensador plano entre las que existe el vaío. La longitud
Más detallesSESIÓN DE APRENDIZAJE
INSTITUCIÓN EDUCATIVA INMACULADA DE LA MERCED SESIÓN DE APRENDIZAJE APRENDIZAJE ESPERADO Determina la regla de orrespondenia de una funión Representa e Identifia funiones Resuelve operaiones on funiones
Más detallesEn el sistema S las fórmulas de aberración relativista y efecto Doppler dan
FÍSICA TEÓRICA 1 2do. Cuatrimestre 2015 Fresnel relativista Guía 6, problema 3 Se trata de enontrar las ondas reflejadas y transmitidas en el sistema del laboratorio uando una onda plana inide sobre la
Más detallesde distribución mediante redes neuronales Felier Fernández
Pronóstio de las pérdidas en redes de distribuión mediante redes neuronales Felier Fernández Sergio de la Fé Dante Miraglia Reibido: Otubre del 2004 Aprobado: Diiembre del 2004 Resumen / Abstrat energétia
Más detallesLa ecuación lineal de primer grado con tres incógnitas. El plano en el espacio afín
La euaión lineal de primer grado on tres inógnitas. El plano en el espaio afín En un artíulo anterior habíamos hablado sobre la euaión lineal de primer grado on dos inógnitas y sobre la reta en el plano
Más detallesCÁLCULO DE CALDERÍN. Autores: Pedro Gea José M. Navalón
CÁLCULO DE CALDERÍN Autores: Pedro Gea José M. Navalón 1. INTRODUCCIÓN Para determinar el golpe de ariete produido en una instalaión protegida on alderín, en realidad, el problema en su ontexto real se
Más detallesESTIMACIÓN DE LA INCERTIDUMBRE DE MEDICIÓN EN UN ENSAYO MECÁNICO DE NEUMÁTICOS
ESTIMACIÓN DE LA INCERTIDUMBRE DE MEDICIÓN EN UN ENSAYO MECÁNICO DE NEUMÁTICOS Carlos M. Vaa 1, Juan B. Monge 2 1 Departamento de Meánia Universidad Naional de Río Cuarto Ruta Na. 36 Km 601, Río Cuarto,
Más detallesEstimación de la Incertidumbre de Medición del Sistema de Vóltmetros Digitales Empleado en el Experimento del Efecto Hall Cuántico
imposio de Metrología 008 antiago de Querétaro, Méxio, al 4 de Otubre Estimaión de la nertidumbre de Mediión del istema de óltmetros Digitales Empleado en el Experimento del Eeto all Cuántio lonso Torres
Más detalles7. Administración de bases de datos
7. Administraión de bases de datos INTRODUCCIÓN En este módulo de 152 horas pedagógias se espera que los y las estudiantes desarrollen las ompetenias neesarias para efetuar operaiones más omplejas en los
Más detallesREDES NEURONALES NO SUPERVISADAS
Redes no supervisadas REDES NEURONALES NO SUPERVISADAS Redes no supervisadas El cerebro tiene la capacidad de auto-organizarse a partir de los estímulos recibidos y esto lo logra de manera no supervisada.
Más detallesSistemas homogéneos multicomponentes 24 de marzo de 2009 Cuestiones y problemas: C: 7.3, 5
Índie 5 CELINA GONZÁLEZ ÁNGEL JIMÉNEZ IGNACIO LÓPEZ RAFAEL NIETO Sistemas homogéneos multiomponentes 24 de marzo de 2009 Cuestiones y problemas: C: 7.3, 5 subrayados y en negrita para voluntarios punto
Más detallesDepartamento de Ciencias e Ingeniería de la Computación Lenguajes Formales y Autómatas
Departamento de Cienias e Ingeniería de la Computaión Lenguajes Formales y Autómatas Segundo Cuatrimestre de 2011 Trabajo Prátio N 3 Conjuntos y Relaiones Feha sugerida para finalizar este prátio: 23/09/2011
Más detallese REVISTA/No. 04/diciembre 04
e REVISTA/No. 04/diiembre 04 Las plataformas en la eduaión en línea Alberto Domingo Robles Peñaloza La Eduaión a Distania se ha visto en gran manera benefiiada del desarrollo de las Tenologías de Informaión
Más detalles2. CARGA Y DESCARGA DE UN CONDENSADOR
2. ARGA Y DESARGA DE UN ONDENSADOR a. PROESO DE ARGA La manera más senilla de argar un ondensador de apaidad es apliar una diferenia de potenial V entre sus terminales mediante una fuente de.. on ello,
Más detallesTrabajo Práctico 1 Implementación de AFDs
Trabajo Prátio 1 Implementaión de AFDs Teoría de Lenguajes 1 er uatrimestre 01 Feha de entrega: 9 de abril 1. Objetivos Este trabajo tiene omo objetivos prinipales: Familiarizarse on la implementaión de
Más detallesLas poligonales en forma general pueden ser clasificadas según sus formas en:
Agrimensura Faena - Unne átedra: Topografía Poligonometría Una poligonal esta formada por una suesión de líneas enlazadas entre si por medio del ángulo que forman entre si las líneas. Las poligonales en
Más detalles8. Sistemas operativos de redes
8. Sistemas operativos de redes INTRODUCCIÓN Este módulo de 152 horas pedagógias tiene por objetivo entregar las herramientas neesarias para efetuar una instalaión o mantenión básia de un sistema operativo
Más detallesNúcleo e Imagen de una Transformación Lineal
Núleo e Imagen de una Transformaión Lineal Departamento de Matemátias CCIR/ITESM 8 de junio de Índie 7.. Núleo de una transformaión lineal................................. 7.. El núleo de una matri la
Más detallesCuadernos del CIMBAGE Nº8 (2006) 97-128
Cuadernos del CIMBAGE Nº8 (006) 97-8 ANÁLISIS DE COMPORTAMIENTO DE CUENTAS CORRIENTES EN ENTIDADES BANCARIAS MEDIANTE EL USO DE FUZZY CLUSTERING Y ANÁLISIS DISCRIMINANTE PARA LA ADMINISTRACIÓN DE RIESGO
Más detallesCNN RECONFIGURABLE PARA SENSADO Y PROCESAMIENTO DE IMÁGENES BINARIAS MEDIANTE LA DETECCIÓN DE COMPONENTES CONECTADOS
CNN RECONFIGURABLE PARA SENSADO Y PROCESAMIENTO DE IMÁGENES BINARIAS MEDIANTE LA DETECCIÓN DE COMPONENTES CONECTADOS Carmona, R., Espejo, S., Domínguez-Castro, R. y Rodríguez-Vázquez, A. Instituto de Miroeletrónia
Más detallesInteligencia Computacional II Mapas auto-organizados
Inteligencia Computacional II Mapas auto-organizados Dra. Ma. del Pilar Gómez Gil Ciencias Computacionales, INAOE pgomez@inaoep.mx Versión: 17-Junio-2015 (c) P. Gómez Gil. INAOE 2015 1 Auto-Organización
Más detallesDETERMINACIÓN DE LAS CORRIENTES DE INSERCIÓN EN SISTEMAS DE DISTRIBUCIÓN DE n TRANSFORMADORES.
ng. Horaio Salvañá HS ngeniería - www.hsingenieria.om.ar DETERMNACÓN DE LAS CORRENTES DE NSERCÓN EN SSTEMAS DE DSTRBUCÓN DE n TRANSFORMADORES. Autor: ng. Horaio Salvañá Objetivo: El objeto de este trabajo
Más detallesGuía # 5. Pruebas de hipótesis
INSTITUCION UNIVERSITARIA ANTONIO JOSÉ CAMACHO Asignatura: ESTADÍSTICA APLICADA 010-1 Guía # 5. Pruebas de hipótesis Temas: Pruebas de hipótesis para la media poblaional (µ) Pruebas de hipótesis para la
Más detallesPor qué k µ es un cuadrivector?
Por qué k µ es un uadrivetor? odemos deir algo aera de por qué la freuenia y el vetor número P de onda forman un uadrivetor. La respuesta orta es: onda plana en un sistema, onda plana en todos. La idea
Más detallesUN POCO DE HISTORIA Prof. Teuvo Kohonen UN POCO DE HISTORIA
Self-Organzng Maps 1. Defnón.. Un poo de hstora. CONTENIDO 3. Desrpón del algortmo. L. Pablo Sergo Garía 4. Ejemplos en ejeuón. 5. Problemas 6. Aplaones. DEFINICIÓN El SOM es un algortmo para vsualzar
Más detalles6. Programación orientada a objetos
6. Programaión orientada a objetos INTRODUCCIÓN Este módulo de 228 horas pedagógias iniia el aprendizaje prátio de los diferentes aspetos de programaión orientada a objetos, simulando un ambiente de trabajo
Más detallesAutor: Ing. MSc. Eduardo Gutiérrez Klinsky Universidad Privada de Santa Cruz de la Sierra Santa Cruz Bolivia
DETERMINACION DE LA CAPACIDAD ULTIMA A MOMENTO FLECTOR DE SECCIONES NO RECTANGULARES DE HORMIGÓN MEDIANTE EL ANALISIS DE RELACIONES NO LINEARES DE TENSIÓN DEFORMACION Autor: Ing. MS. Eduardo Gutiérrez
Más detallesUNIDAD 1.- PROBABILIDAD
UNIDAD 1.- PROBABILIDAD 1. EXPERIMENTOS ALEATORIOS. ESPACIO MUESTRAL. Definiión: Un fenómeno o experienia se die aleatorio uando al repetirlo en ondiiones análogas no se puede predeir el resultado. Si
Más detallesNOTAS CONTROL II. Hector A. Botero Castro Lina María Gómez Echavarría Universidad Nacional de Colombia-Sede Medellín Facultad de Minas 01/2008
NOTAS CONTROL II Hetor A. Botero Castro Lina María Gómez Ehavarría Universidad Naional de Colombia-Sede Medellín Faultad de Minas 0/2008 FRT050: en google. www. Control.lth.se/~kursar/ INTRODUCCIÓN. Anteedentes..
Más detallesExtracción de Características en Mamografía Digitalizada Utilizando Filtrado Quincunx
Extraión de Caraterístias en amografía Digitalizada Utilizando Filtrado Quinunx. González, J. Quintanilla,. Sánhez, G. Cortina, A. Vega. Universidad de Guanajuato/Faultad de Ingeniería, eánia, Elétria
Más detallesSOLUCIONES FÍSICA JUNIO 10 OPCIÓN A
SOLUCIONES FÍSIC JUNIO 10 OCIÓN 1.- a) Veloidad de esape es la mínima que debe omuniarse a un uerpo, situado en la superfiie de un planeta de masa m p y radio r p, para que salga del ampo gravitatorio.
Más detalles8 Redistribución de los Momentos
8 Redistribuión de los Momentos TULIZIÓN PR EL ÓIGO 00 En el ódigo 00, los requisitos de diseño unifiado para redistribuión de momentos ahora se enuentran en la Seión 8.4, y los requisitos anteriores fueron
Más detallesOPCIÓN PROBLEMAS 1 OPCIÓN PROBLEMAS 2
El aluno elegirá una sola de las opiones de probleas, así oo uatro de las ino uestiones propuestas. No deben resolerse probleas de opiones diferentes, ni tapoo ás de uatro uestiones. Cada problea se alifiará
Más detallesDiseño e Implementación de Controladores Digitales Basados en Procesadores Digitales De Señales
Congreso Anual 010 de la Asoiaión de Méxio de Control Automátio. Puerto Vallarta, Jaliso, Méxio. Diseño e Implementaión de Controladores Digitales Basados en Proesadores Digitales De Señales Barrera Cardiel
Más detallesANÁLISIS DE LOS INTERCAMBIADORES DE CALOR. Mg. Amancio R. Rojas Flores
ANÁLISIS DE LOS INERAMBIADORES DE ALOR Mg. Amanio R. Rojas Flores En la prátia los interambiadores de alor son de uso omún y un ingeniero se enuentra a menudo en la posiión de: seleionar un interambiador
Más detallesControlador basado en redes neuronales para sistemas mecánicos
Controlador basado en redes neuronales para sistemas meánios Martha I Aguilera Hernández * Jesús de León Morales ** Resumen: Este artíulo presenta un estudio experimental de un ontrolador basado en redes
Más detallesPROGRAMACION DE PARADAS DE EQUIPOS UTILIZANDO PROGRAMACION BINARIA ENTERA 0-1.
PROGRAMACION DE PARADAS DE EQUIPOS UTILIZANDO PROGRAMACION BINARIA ENTERA 0-1. FERNANDO ESPINOSA FUENTES 6.1. INTRODUCCION. El problema más general abordado por la programaión lineal es la asignaión de
Más detallesNOTAS SOBRE LOS MÉTODOS DE INTEGRACIÓN
NOTAS SOBRE LOS MÉTODOS DE INTEGRACIÓN Alberto Gómez-Lozano Universidad Cooperativa de Colombia Sede Ibagué Doumentos de doenia Course Work oursework.u.e.o No. 5. Nov, 05 http://d.doi.org/0.695/greylit.6
Más detallesTeoría de Sistemas y Señales
Universidad Naional de Rosario Faultad de Cienias Exatas, Ingeniería y Agrimensura Esuela de Ingeniería Eletrónia Teoría de Sistemas y Señales Trabajo Prátio Nº 3 Análisis Freuenial de Señales Problemas
Más detallesMODELADO DE LÍNEAS MONOFÁSICAS APLICANDO EL MÉTODO DE BERGERON MODELING OF SINGLE-PHASE LINES APPLYING THE BERGERON METHOD
MODEADO DE ÍNEAS MONOFÁSICAS APICANDO E MÉTODO DE BERGERON MODEING OF SINGE-PHASE INES APPYING THE BERGERON METHOD Juan C. Esamilla, Filiberto Candia Garía, Ismael Albino, Ing. Miguel ópez Castillo Colegio
Más detallesDETERMINACIÓN SEMI-EMPÍRICA DEL CENTRO AERODINÁMICO DE UN PERFIL DE ALA
DEL 19 al 1 DE SEPTIEMBRE, 01. SALAMANCA, GUANAJUATO, MÉXICO DETERMINACIÓN SEMI-EMPÍRICA DEL CENTRO AERODINÁMICO DE UN PERFIL DE ALA 1 Fernández Roque Tiburio, 1 Correa Arredondo José Arturo, 1 Mejía Carmona
Más detalles-14 - ENTALPÍA DE FUSIÓN DEL HIELO
-4 - ENTALPÍA DE FUSIÓN DEL HIELO OBJETIVO Determinar la entalpía de usión del hielo utilizando el método de las mezlas. Previamente, ha de determinarse el equivalente en agua del alorímetro, K, para uantiiar
Más detallesQué es una RNA? Cómo surgieron y para qué? Aplicaciones? Lic. Leticia Seijas SdC Departamento de Computación - FCEyN - UBA
Para qué sirven las Redes Neuronales? SdC 2010 Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Qué es una RNA? Cómo surgieron y para qué? Aplicaciones?
Más detallesUna inecuación lineal con 2 incógnitas puede tener uno de los siguientes aspectos:
TEMA 3: PROGRAMACIÓN LINEAL ÍNDICE 3.1.- Ineuaiones lineales on 2 inógnitas. 3.2.- Sistemas de ineuaiones lineales on 2 inógnitas. 3.3.- La programaión lineal. 3.4.- Soluión gráfia de un problema de programaión
Más detallesINCERTIDUMBRE EN LA CALIBRACIÓN DE VISCOSÍMETROS BROOKFIELD
INCETIDUMBE EN A CAIBACIÓN DE VISCOSÍMETOS BOOKFIED Trujillo S., Shmid W., azos., Galván M. del C. Centro Naional de Metrología, aboratorio de Visosidad Apdo. Postal -00 entro, C.P. 76000. Querétaro, Qro.
Más detallesSECCIÓN 2: CÁLCULO DEL GOLPE DE ARIETE
SECCIÓN : CÁCUO DE GOPE DE ARIETE CÁCUO DE GOPE DE ARIETE SEGÚN AIEVI El impato de la masa líquida ante una válvula no es igual si el ierre es instantáneo o gradual. a onda originada no tendrá el mismo
Más detallesProgramación y Métodos Numéricos Ejercicios Enero Junio 2018
Programaión y Métodos Numérios Ejeriios Enero Junio 18 EJERCICIO 1 En ada aso, evaluar la expresión dada, realizando las operaiones paso a paso de auerdo al orden de preedenia de los operadores aritmétios.
Más detallesModulación de Fase y Frecuencia
Universidad del Caua - FIET Modulaión de Fase y Freuenia En el estudio de la modulaión exponenial, se definen dos tipos de modulaión, la modulaión de Fase (PM) y Modulaión de Freuenia (FM), modulaiones
Más detallesRedes Neuronales Artificiales
Adaline-Madaline Utilizan un aprendizaje OFF LINE con supervisión denominado LMS (Least Mean Squared) o regla del mínimo error cuadrático medio (Widrow). También denominado Regla Delta. El aprendizaje
Más detallesTema 2 La elección en condiciones de incertidumbre
Ejeriios resueltos de Miroeonomía. Equilibrio general y eonomía de la informaión Fernando Perera Tallo Olga María Rodríguez Rodríguez Tema La eleión en ondiiones de inertidumbre http://bit.ly/8l8ddu Ejeriio
Más detallesEcuación Solución o raíces de una ecuación.
Euaión Igualdad que ontiene una o más inógnitas Soluión o raíes de una euaión. Valores de las inógnitas que umplen la igualdad. 15 = 3x + 6 15 6 = 3x 9 = 3x 3 = x on Existen diversos métodos de hallar
Más detallesANEJO 15. ESTABILIDAD DE TALUDES
ANEJO 15. ESTABILIDAD DE TALUDES 1. Objeto... 2 2. Estudio de desmontes... 2 3. Estudio de rellenos... 3 4. Taludes adoptados... 4 Nombre del fihero original: A 15. Estabilidad De Taludes Página 1 de 9
Más detallesIntroducción a la Química Computacional
Introduión a la Químia Computaional MÉTODO D LA VARIACION PARA ROLVR APROXIMADAMNT LA CUACIÓN D CRÖDINGR Reservados todos los derehos de reproduión. Luis A. Montero Cabrera y Rahel Crespo Otero, Universidad
Más detallesSeminario de problemas. Curso Hoja 18
Seminario de problemas. Curso 016-17. Hoja 18 111. Demuestra que una ondiión neesaria y sufiiente para que un triángulo sea isóseles es que tenga dos medianas iguales. Soluión: Vamos a utilizar un resultado
Más detallesUNIVERSIDAD DE ALCALÁ ESCUELA POLITÉCNICA SUPERIOR DEPARTAMENTO DE ELECTRÓNICA
UNIVERSIDAD DE ALCALÁ ESCUELA POLITÉCNICA SUPERIOR DEPARTAMENTO DE ELECTRÓNICA SEGMENTACIÓN Y POSICIONAMIENTO 3D DE ROBOTS MÓVILES EN ESPACIOS INTELIGENTES MEDIANTE REDES DE CÁMARAS FIJAS TESIS DOCTORAL
Más detallesALGUNAS INCONGRUENCIAS CONCEPTUALES SOBRE LA NOCIÓN DE LINEALIDAD
Categoría1.Análisisdeldisursomatemátioesolar ALGUNASINCONGRUENCIASCONCEPTUALESSOBRELANOCIÓNDELINEALIDAD CarlosRondero,AnnaTaraseno,JuanAlbertoAosta UniversidadAutónomadeEstadodeHidalgo.(Méxio) Méxio aostah@uaeh.reduaeh.mx,rondero@uaeh.reduaeh.mx,anataras@uaeh.edu.mx
Más detallesCALIBRACIÓN DEL PATRÓN NACIONAL DE FLUJO DE GAS TIPO PISTÓN
CALIBRACIÓN DEL PATRÓN NACIONAL DE FLUJO DE GAS TIPO PISTÓN J.C. Gervaio S., J. M. Maldonado R., H. Luhsinger Centro Naional de metrología Metrología Meánia, División de Flujo y Volumen Resumen: La alibraión
Más detallesAprendizaje Automático. 5. Modelos gráficos. Septiembre, Index
2017-2018 Aprendizaje Automátio 5. Modelos gráfios Franiso Casauberta Nolla (fn@dsi.upv.es) Enrique Vidal Ruiz (evidal@dsi.upv.es) Departament de Sistemas Informàtis i Computaió (DSIC) Universitat Politènia
Más detalles20 Losas en dos direcciones - Método del Pórtico Equivalente
0 Losas en dos direiones - Método del Pórtio Equivalente CONSIDERACIONES GENERALES El Método del Pórtio Equivalente onvierte un sistema aportiado tridimensional on losas en dos direiones en una serie de
Más detallesINSTITUTO DE PROFESORES ARTIGAS
INSTITUTO D PROFSORS RTIGS SPILIDD MTMÁTI GOMTRÍ UNIDD FIH 3: Teorema de Thales y más. 3.1 Teorema de Thales. 3. Teorema de las bisetries. 3.3 irunferenia de polonio. 3.4 riterios de semejanza de triángulos.
Más detalles4.- ENSAYO Y PRUEBAS DE LOS MODELOS ALGORITMOS DE RESOLUCIÓN EMPLEADOS
4.- ENSAYO Y PRUEBAS DE LOS MODELOS 4.1.- ALGORITMOS DE RESOLUCIÓN EMPLEADOS Para resolver el problema se van a utilizar 3 algoritmos diferentes de resoluión apliados a los 2 modelos de programaión lineal
Más detalles2 E E mv v v 1,21 10 m s v 9,54 10 m s C 1 2 EXT EXT EXT EXT. 1,31W 5,44 10 W 6, W 3, J 2,387 ev 19 EXT W 6,624 10
Físia atual PAU 0. La fusión nulear en el Sol produe Helio a partir de Hidrógeno según la reaión: 4 protones + eletrones núleo He + neutrinos + Energía uánta energía se libera en la reaión (en MeV)? Datos:
Más detallesAnálisis de correspondencias
Análisis de orrespondenias Eliseo Martínez H. 1. Eleiones en París Hemos deidido presentar un legendario ejemplo para expliar el objetivo del Análisis de Correspondenia. Este ejemplo se enuentra en el
Más detallesSelf Organizing Maps. Self Organizing Maps. SOM/KOHONEN Network Mapas Auto-organizativos. Estructura de la Red. Estructura de la Red
SOM/KOHONEN Network Mapas Auto-organizativos Capitulo 6 Análisis Inteligente de datos Self Organizing Maps La red SOM es creada por Teuvo Kohonen en la década de los 8, rápidamente paso a ser una de las
Más detallesMomentos de Inercia de cuerpos sólidos: EJE. Varilla delgada. Disco. Disco. Cilíndro. Esfera. Anillo I = MR
91 Momentos de Ineria de uerpos sólidos: EJE Varilla delgada 1 I = ML 1 Diso 1 I = M Diso 1 I = M 4 ilíndro 1 I = M Esfera I = M 5 Anillo I = M 9 Observaión: Los momentos de ineria on respeto a ejes paralelos
Más detallesLEY DE SENOS. Ya hemos visto como resolver triángulos rectángulos ahora veremos todas las técnicas para resolver triángulos generales.
LEY DE SENOS Ya hemos visto omo resolver triángulos retángulos ahora veremos todas las ténias para resolver triángulos generales a γ α Este es un triángulo el ángulo α se esrie en el vértie de, el ángulo
Más detalles4. RELACIONES CONSTITUTIVAS. LEY DE HOOKE GENERALIZADA
4. RLACIONS CONSTITUTIVAS. LY D HOOK GNRALIZADA 4. Ley de Hooke. Robert Hooke planteó en 678 que existe proporionalidad entre las fuerzas apliadas a un uerpo elástio y las deformaiones produidas por dihas
Más detallesLa teoría de Einstein-Infeld-Hoffmann Einstein-Infeld-Hoffmann s theory
Weneslao Segura González La teoría de Einstein-Infeld-Hoffmann Einstein-Infeld-Hoffmann s theory Weneslao Segura González Investigador independiente e-mail: weneslaoseguragonzalez@yahooes web: http://weneslaoseguragonwixom/weneslao-segura
Más detallesRadiación electromagnética
C A P Í T U L O Radiaión eletromagnétia.1. ENUNCIADOS Y SOLUCIONES DE LOS PROBLEMAS 1. El ampo elétrio de una onda eletromagnétia plana en el vaío viene dado, en unidades del sistema internaional (SI),
Más detallesECUACIONES DIFERENCIALES ALGEBRÁICAS Y CIRCUITOS ELÉCTRICOS
ECACIONES DIFEENCIALES ALGEBÁICAS Y CICITOS ELÉCTICOS L. M. Franiso C. Garía Durán M. C. Horaio Leva Castellanos Departamento de Matemátias niversidad de Sonora esumen El estudio de las Euaiones Diereniales
Más detallesSoluciones Hoja 1: Relatividad (I)
Soluiones Hoja 1: Relatividad (I) 1) Una nave abandona la Tierra on una veloidad de 3/5. Cuando el reloj de la nave mara 1 h transurrida, la nave envía una señal de vuelta a la Tierra. (a) De auerdo on
Más detallesECUACIONES BASICAS DE LA MAGNETOHIDRODINAMICA IDEAL. Sebastián Ramírez Ramírez pcm-ca.github.io/people/seramirezra/
ECUACIONES BASICAS DE LA MAGNETOHIDRODINAMICA IDEAL Sebastián Ramírez Ramírez seramirezra@unal.edu.o pm-a.github.io/people/seramirezra/ La magnetohidrodinámia es la teoría que desribe la dinámia de un
Más detallesUniversidad Veracruzana
UNIVERSIDAD VERACRUZANA I N S T I T U T O D E I N G E N I E R Í A DISEÑO DE UN CONTROLADOR LÓGICO DIFUSO, APLICADO AL CONTROL DE POSICIÓN DE UN SERVOMOTOR DE C.D., USANDO UN ALGORITMO GENÉTICO TESIS PARA
Más detallesHidráulica de canales
Laboratorio de Hidráulia In. David Hernández Huéramo Manual de prátias Hidráulia de anales 5o semestre Autores: Guillermo enjamín Pérez Morales Jesús Alberto Rodríuez Castro Jesús Martín Caballero Ulaje
Más detallesConstrucción de conjuntos B h módulo m y particiones
Vol. XIV No 2 Diiembre (2006) Matemátias: 65 70 Matemátias: Enseñanza Universitaria Esuela Regional de Matemátias Universidad del Valle - Colombia Construión de onjuntos B h módulo m y partiiones Gilberto
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detallesCONFIABILIDAD SÍSMICA DE ESTRUCTURAS CONSIDERANDO DIFERENTES CRITERIOS DE CAPACIDAD DE DEFORMACIÓN
CONFIABILIDAD SÍSMICA DE ESTRUCTURAS CONSIDERANDO DIFERENTES CRITERIOS DE CAPACIDAD DE DEFORMACIÓN Orlando Díaz, Luis Esteva, Jaime Garía y Osar Méndez Instituto de Ingeniería, UNAM Ciudad Universitaria,
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD Y RAMAS INFINITAS Tipos de Discontinuidades en un Punto 1 - Tiene ramas infinitas en un punto
LÍMITES DE FUNCIONES. CONTINUIDAD Y RAMAS INFINITAS Tipos de Disontinuidades en un Punto - Tiene ramas infinitas en un punto y 5 La reta 5 es una asíntota vertial - Presenta un salto en un punto, si y
Más detallesDeterminación y Análisis de la gráfica Momento - Curvatura de diferentes secciones de vigas de concreto reforzado.
Determinaión y Análisis de la gráfia Momento - Curvatura de diferentes seiones de vigas de onreto reforzado. Delma V. Almada N., Ms, Josué Noel Bárena A., Ms, Mauriio Eniso T., Ms. Tenológio de Monterrey,
Más detalles