PDF superior Clasificación automática de objetos utilizando sistemas inteligentes

Clasificación automática de objetos utilizando sistemas inteligentes

Clasificación automática de objetos utilizando sistemas inteligentes

Existen trabajos clasificación automática orientados a tópicos específicos como la clasificación automática de documentos aplicando algoritmos genéticos. En particular, el análisis de cluster ha sido estudiado en estadística y en biología, siendo muy similar al estudio de formación de conceptos en aprendizaje automático. En este sentido, se considera que los estudios acerca del análisis de clusters pueden orientar las investigaciones en aprendizaje automático en esa área con las restric- ciones de la atribución de significación como carácter inherente de los seres humanos. [Pozo, 1994] Pero, en el sentido propuesto, no se han encontrado trabajos previos orientados a este tipo de aplica- ciones con vistas a la generalización de las soluciones.
Mostrar más

5 Lee mas

HERRAMIENTA PARA LA CLASIFICACIÓN DE PROBLEMAS EN SISTEMAS TUTORIALES INTELIGENTES

HERRAMIENTA PARA LA CLASIFICACIÓN DE PROBLEMAS EN SISTEMAS TUTORIALES INTELIGENTES

La proyección de los STIM es un proceso multietapas que se desarrolla durante varios años. Por esa razón, es necesario que los grupos de investigación y desarrollo no limiten su análisis las condiciones concretas de un sistema en específico, si no que traten de alcanzar un nivel adecuado de generalización. Debido a eso, es conveniente establecer, durante el desarrollo, una clara diferencia entre los elementos generales y un número significativo de objetos y los elementos particulares en cada uno de ellos. Esa investigación permitirá, posteriormente, la adaptación racional del sistema a otros sistemas pertenecientes al área del conocimiento donde se realiza el proceso de automatización o a otras áreas del conocimiento donde existan sistemas, subsistemas, tareas o módulos análogos.
Mostrar más

7 Lee mas

Sistemas de información inteligentes en el dominio educación: extracción y calidad de metadatos de objetos de aprendizaje

Sistemas de información inteligentes en el dominio educación: extracción y calidad de metadatos de objetos de aprendizaje

La calidad de los metadatos se analiza en una primera etapa verificando y/o validando si los metadatos siguen el estándar LOM en cuanto a su presencia, tamaño, formato, pertinencia de los valores de cada uno de los metadatos que describen al objeto. Por ejemplo, en el caso del metadato Language que contiene el idioma o idiomas en que está escrito el objeto, se valida en forma automática la concordancia de este o estos valores del metadato con el contenido del objeto. Asimismo, se valida la concordancia de las palabras claves asignadas, con respecto al metadato Keywords. El objetivo es priorizar el análisis automático sobre un análisis manual de expertos o usuarios finales, con el fin de que el usuario no tenga participación al momento de calificar la calidad desde el punto de vista estructural y de contenido sino que la tenga solo desde el punto de vista pedagógico.
Mostrar más

5 Lee mas

Diseño e implementación de un algoritmo de clasificación de objetos peligrosos en radiografías utilizando el modelo bag of words

Diseño e implementación de un algoritmo de clasificación de objetos peligrosos en radiografías utilizando el modelo bag of words

Pese a existir tantos estudios sobre el ´area, todav´ıa puede haber personas que se pregunten lo siguiente: ¿por qu´e necesitar´ıamos un sistema que realice una labor que el ser humano maneja tan bien?. La respuesta es simple, se pueden llegar a obtener una gran cantidad de beneficios, ya sea automatizando y/o mejorando la velocidad de procedimientos o trabajos que para un ser humano pueden ser dif´ıciles, aburridos o incluso imposibles de realizar. Algunos ejemplos son: sistemas de seguridad que detecten si hay una persona sospechosa (Z. Zhang et al., 2005), sistemas de revisi´on de alimentos (Brosnan and Sun, 2002), sistemas de alarma autom´atica para accidentes (Wei and Hanbo, 2011), sistemas de detecci´on de se˜nal´etica que adviertan al conductor, sistemas de revisi´on de equipaje en aeropuertos (a lo que se enfoca este trabajo) (Mery, Mondragon, et al., 2013), entre muchos otros.
Mostrar más

115 Lee mas

Extracción de características de la voz utilizando el pitch para sistemas de verificación automática del locutor

Extracción de características de la voz utilizando el pitch para sistemas de verificación automática del locutor

El PHaSe-SAEC se apoya en una interfaz gráfica amigable e intuitiva debidamente diseñada para usuarios identificados en este campo de investigación. Además de la funcionalidad fundamental que es la extracción de patrones de voz involucra en su funcionamiento un subsistema de adaptación de datos, que permite convertir de manera directa los resultados obtenidos por los algoritmos de extracción de características en tres formatos de salidas diferentes. Los formatos de salida se encuentra totalmente a disposición del usuario y la utilización de estos se debe realizar en dependencia de hacia qué sistema de clasificación va dirigido. Hasta el momento el PHaSe-SAEC posibilita la exportación de sus resultados hacia el clasificador basado en HMM del HTK (Sistema de verificación del locutor), en segundo lugar hacia el Weka generando un archivo *.arrf al cual se le podrá aplicar las diversas técnicas de clasificación que este software brinda. Por último el PHaSe-SAEC permite exportar sus resultados al sistema PHaSe-SACE el cual está siendo desarrollado por el autor de este trabajo. El PHaSE-SAECE se basa en el huso de las redes neuronales aplicadas al campo del reconocimiento de patrones de la voz. Específicamente utiliza una red neuronal de Elman, cuya arquitectura fue presentada en el Capítulo1. El PHaSE-SAECE posibilita la definición de la arquitectura de la red, la definición de parámetros de entrenamiento, así como la puesta en marcha del mismo .También da la posibilidad de realizar simulaciones de la red y la obtención de resultados que permitan asumir un criterio sobre el rendimiento de la misma.
Mostrar más

64 Lee mas

Reconocimiento y clasificación de objetos en paralelo

Reconocimiento y clasificación de objetos en paralelo

Un tipo de problema particular que interesa es el de los procesos de clasificación y reconocimiento de objetos que provienen de una línea industrial (de producción o packaging) [Law92]. La incorporación de computadoras en este tipo de problemas tiende a incrementar tanto la cantidad como la calidad de los productos obtenidos y a la vez reducir los costos. Estos sistemas llevan a cabo tareas simples como el procesamiento de imágenes obtenidas bajo condiciones de iluminación controladas y desde un punto de vista fijo. Además, deben operar en tiempo real, lo que implica el uso de hardware especializado y algoritmos robustos para reducir la posibilidad de fallas, y deben ser flexibles para poder adaptarse rápidamente a cambios en el proceso de producción y a los requisitos de inspección [Lev90]. Esta restricción temporal naturalmente lleva a pensar en una resolución del problema utilizando procesamiento paralelo, para cumplir adecuadamente con los requerimientos.
Mostrar más

20 Lee mas

Aplicación de Sistemas Inteligentes para la Clasificación Automática de Documentos

Aplicación de Sistemas Inteligentes para la Clasificación Automática de Documentos

Pensando en ello y en el objetivo de optimizar ese proceso, presentamos una aplicación para la clasificación de automática de documentos, la cual se basa en la búsqueda y la clasi- ficación del contenido para obtener como resultado el tipo de documento o el destino, hacia dónde va dirigido, se tomaron estas dos opciones de búsqueda para facilitar al usuario tenien- do en cuenta que la memoria puede ser muy frágil; y estas dos opciones, tipo de documento y destino, son las palabras clave que se debe tener presente para empezar su búsqueda, con esta aplicación se muestra la eficiencia de nuestra tesis y el gran uso que se le puede dar. Teniendo como interrogante ¿Qué es lo que hace especial a nuestra aplicación?, al aplicar
Mostrar más

95 Lee mas

Identificación y clasificación automática de eventos de tensión en redes eléctricas inteligentes

Identificación y clasificación automática de eventos de tensión en redes eléctricas inteligentes

Se trata de una norma actualizada recientemente en el a˜ no 2018 [2] titulada “Norma IEEE para la Interconexi´ on e Interoperabilidad de Recursos de Energ´ıa Distribuida con Interfaces de Sistemas El´ ectricos de Potencia Asociados”. El foco de esta norma est´ a puesto en las especificaciones t´ecnicas y ensayos para la interconexi´ on e interoperabilidad entre los sistemas el´ ectricos de potencia (del ingl´es electric power systems, EPS) y los DER. Provee requerimientos relevantes para el desempe˜ no, operaci´ on, ensayo, consideraciones de seguridad y mantenimiento de la interconexi´ on. Adem´ as incluye requerimientos generales sobre respuesta a condiciones anormales, calidad de la energ´ ıa, modo isla; especificaciones y requerimientos de ensayo para dise˜ no, producci´ on, evaluaci´ on de la instalaci´ on, puesta en marcha y pruebas peri´odicas. Los requisitos establecidos se emplean en la interconexi´ on de los DER, incluyendo m´ aquinas sincr´ onicas, m´ aquinas de inducci´ on, o convertidores/inversores de potencia. Los criterios y requerimientos se aplican a todas las tecnolog´ıas DER interconectadas a tensiones de distribuci´ on primarias y secundarias t´ıpicas de los EPS. El principal ´enfasis del documento est´ a puesto en la instalaci´ on de los generadores de energ´ıa distribuida sobre sistemas de distribuci´ on primarios y secundarios radiales aunque se consideran tambi´en otros sistemas.
Mostrar más

213 Lee mas

Detección automática y rastreo en tiempo real de objetos

Detección automática y rastreo en tiempo real de objetos

La detecci´ on de bordes en im´ agenes o en tramas de v´ıdeo es de sumo inter´ es en el campo de la visi´ on artificial, destac´ andose su multiplicidad de aplicaciones en los campos de seguridad y rob´ otica. Existen numerosas t´ ecnicas cl´ asicas basadas en estimaciones del gradiente del color, y otras m´ as recientes basadas en el concepto de contornos activos, tal como Shi et al. propusieron en 2005[1]. Sin embargo, este ´ ultimo trabajo no presenta un mecanismo autom´ atico para la detecci´ on de regiones iniciales. Asimismo, no toma en consideraci´ on el caso en que un objeto es rastreado en la vecindad de objetos de id´ entico color, lo que induce una p´ erdida en el rendimiento a partir de una expansi´ on incontrolada de los contornos del mismo. Para suplir estas falencias, en este trabajo se propuso una serie de adiciones al algoritmo presentado, las cuales han demostrado cumplir con los objetivos propuestos.
Mostrar más

28 Lee mas

Sistemas inteligentes en la educacin

Sistemas inteligentes en la educacin

-Estándares de objetos de aprendizaje y modelos de referencia: con el objeto de desarrollar estándares técnicos, prácticas recomendadas y guías de diseño en tecnolo- gía educativa, se han creado distintos comi- tés encargados de dictar estas normas. Ac- tualmente, se han desarrollado numerosas guías y modelos de referencia para el desa- rrollo de sistemas para la enseñanza, tales como LTSC del IEEE Learning Technology Standars Committee, el IMS, del Instructio- nal Management Systems del Global Lear- ning Consortium o Adl Scorm, el modelo de referencia del Departamento de la Defensa de los EE. UU, el CETIS The Centre for Educational Technology Interoperability Standards entre otros (EML, PALO, etc…). Algunos links son:
Mostrar más

20 Lee mas

Análisis de la dimensión fractal para clasificación automática

Análisis de la dimensión fractal para clasificación automática

trabajo tomamos grillas de 5 × 5 o 7 × 7 pixels como relaci´on de compromiso, lo cual mostr´o experimentalmente ser adecuado para nuestros objetivos. Para computar la Ec. 1, deber´ ı a umbralizarse la imagen antes de computar los p´ ı xels visitados. Esto produce una circularidad en el problema. Por dicha raz´on es que en vez de computar N ( s ) como sumatoria de pixels visitados, simplemente integramos la luminancia acumulada en la grilla de la sub-imagen. Esto hace que que la estimaci´on de D sea en realidad m´as f´acil de computar. De esa manera, si figura y fondo en una imagen tienen diferentes distribuciones estad´ ı sticas, tendr´an diferentes dimensiones fractales, y ser´ ı a posible segmentarlas de una manera adecuada, mucho mejor de lo que ocurre con la segmentaci´on basada en la umbralizaci´on de la luminancia. En la Fig. 2a representamos la dimensi´on box por medio de niveles de gris (donde la dimensi´on 0 se corresponde con negro y la dimensi´on 2 con blanco). En la Fig. 2b se muestra el histograma de las frecuencias relativas de la dimensi´on box, junto con los tres criterios de elecci´on de valor umbral (Eucl´ ı deo, Bayesiano, y distancia m´ ı nima). En la Fig. 2c se muestra la imagen segmentada utilizando como valor umbral el discriminador Bayesiano de la dimensi´on Box. En una gran cantidad de im´agenes con ruido multiplicativo, esta estrtategia autom´atica de segmentaci´on es segura y robusta.
Mostrar más

5 Lee mas

Envases activos e inteligentes y seguridad alimentaria

Envases activos e inteligentes y seguridad alimentaria

b) Materiales y objetos inteligentes en contacto con alimentos: los materiales y objetos que controlan el estado de los alimentos envasados o el entorno de éstos.. Reglamento (CE) Nº [r]

29 Lee mas

Clasificación automática de pacientes con Infarto de Miocardio

Clasificación automática de pacientes con Infarto de Miocardio

Durante estos últimos años varios investi- gadores han propuesto diferentes técnicas de clasificación para identificar pacientes con IM, basadas en el ECG de superficie. Entre ellas podemos citar a Bakul et al.[14] quienes propusieron un conjunto de características denominadas Relative Frequency Band Co- efficient para la identificación automática del riesgo de infarto de cardíaco, alcanzando una Sen=85,57%, Esp=83,97% y una Ef=85,23%. Asimismo, Keshtkar et al. [9] propusieron la evaluación de un conjunto de coeficientes Wavelet calculados sobre el ECG de señal promediada, a través de Redes neuronales como índices para detectar el IM logrando una Sen= 93%, una Esp= 86% y una Ef=89,5. Por su parte, Maharaj and Alonso [15] utiliza- ron un clasificador discriminante multivariable basado en la descomposición multiescala wavelet de la señal ECG obteniendo una Sen entre el 80% al 90% y una Esp de 90%. No obstante, aunque todas estas técnicas tienen sus ventajas y desventajas, ninguna hace re- ferencia a los datos de los pacientes utiliza- dos (edad, sexo, tiempo transcurrido desde
Mostrar más

8 Lee mas

Clasificación automática basada en análisis espectral

Clasificación automática basada en análisis espectral

Finalmente, si un sistema aprende, uno debería ser capaz de medir sus progresos en alguna tarea a desempeñar. Esta es una tarea utilizada para evaluar (y cuantificar) la habilidad del sistema antes y después del aprendizaje. Con este tipo de medida numérica, el éxito de una formación de conceptos puede ser evaluado sobre un número de dominios diferentes o un conjunto de sistemas diferentes pueden ser comparados con un conjunto de datos dados. Como he descrito el problema, el de clustering es no supervisado. Sin embargo, existe también una gran cantidad de trabajos en aprendizaje automático sobre formación de conceptos no supervisado generalmente conocidos como “aprendiendo de ejemplos”. Si bien esta es una tarea que está relacionada, las diferencias entre estos dos problemas son muy importantes. La formación de conceptos supervisada aprende a determinar a cuál, dentro de un conjunto de clases conocidas, pertenece una instancia, mientras que el aprendizaje no supervisado impone una estructura de conceptos (aquellos que no son conocidos a priori) en el conjunto de instancias.
Mostrar más

345 Lee mas

CLASIFICACIÓN AUTOMÁTICA DE FUENTES DE RUIDO DE TRÁFICO

CLASIFICACIÓN AUTOMÁTICA DE FUENTES DE RUIDO DE TRÁFICO

La última revisión de la norma ISO 1996:2007 exige el cuenteo del número de vehículos y su clasificación en al menos dos clases, durante el proceso de medida de la emisión de ruido de un ramo de carretera. Para probar el sistema de clasificación se ha optado por seguir dos estrategias. En primer lugar se ha utilizado únicamente dos clases: vehículos pesados y vehículos ligeros, agrupando en esta última a motocicletas y coches. La tabla 1 muestra los resultados en este caso. Para las pruebas se utilizó un k_NN con k=3 y el FLD. Puede observarse en la tabla, como en ambos casos la SBER presenta los mejores resultados, dándose la menor tase de error para FLD (10.17 %).
Mostrar más

11 Lee mas

Los conflictos de la clasificación

Los conflictos de la clasificación

Es verdad que en las últimas cuatro décadas los clasificacionistas y los clasificadores se han enfrentado o se han ignorado. Sin embargo, hoy, pocos sistemas generales de clasificación han escapado a cierto grado de revisión a la luz de los principios de la teoría de la clasificación. Que la secuencia de clases principales de la Clasificación Bibliográfica de Bliss fundamentada en el principio de "graduación de especialización" 1 y en el consenso educacional y académico sea más efectiva que la
Mostrar más

4 Lee mas

Clasificación automática de evoluciones médicas multiclases en español

Clasificación automática de evoluciones médicas multiclases en español

Abstract. En este trabajo presentamos una comparación de metodologías de clasificación para texto libre de narrativas médicas, en este caso evoluciones médicas multiclase. Comparamos el rendimiento de redes neuronales y máquinas de soporte vectorial con preprocesamientos para clasificar evoluciones de Diabetes, en Tipo 1, Tipo 2 y Otros (otro tipo de afección). Se compararon accuracy, sensitivity y specificity, mostrando beneficios en costos de entrenamiento y resultados de exactitud. Encontramos porcentajes mayores con redes neuronales sin preprocesamiento PCA y en el caso de SVM con dicho preprocesamiento (con menor costo de entrenamiento).
Mostrar más

10 Lee mas

Clasificación automática de cubiertas terrestres en imágenes satelitales

Clasificación automática de cubiertas terrestres en imágenes satelitales

En este contexto, resulta de gran interés desarrollar una herramienta para categorizar cubiertas a través de algoritmos de clasificación eficientes y precisos, aplicándolos a imágenes satelitales, y cuyos parámetros puedan ser configurables. Además, los resultados provistos por estos algoritmos deben ser presentados de forma clara complementando la aplicación con herramientas que faciliten la evaluación de los mismos y la extracción de características y estadísticas de las cubiertas identificadas.

10 Lee mas

3 ESO – CONTENIDOS Y CRITERIOS MÍNIMOS. CRITERIOS DE CALIFICACIÓN

3 ESO – CONTENIDOS Y CRITERIOS MÍNIMOS. CRITERIOS DE CALIFICACIÓN

Crit.TC.3.1. Analizar las propiedades de los materiales utilizados en la construcción de objetos tecnológicos reconociendo su estructura interna y relacionándola con las propiedades que presentan y las modificaciones que se puedan producir

5 Lee mas

Validación automática de sistemas

Validación automática de sistemas

La validación automática de sistemas es el proceso por el cual los requisitos de sistemas son corroborados con poca o nula participación por parte del equipo de proyecto, lo que permite mejorar el producto obtenido. En términos generales esto se logra relacionando cada requisito de sistema a un paquete de pruebas.

11 Lee mas

Show all 10000 documents...