martes, 9 de diciembre de 2008
lunes, 8 de diciembre de 2008
Control Activo de Ruido
Para esta publiciación incluyo el proyecto de tesis que hice sobre Control Activo de Ruido con un DSP TMS320C6713 de Texas Instruments
martes, 25 de noviembre de 2008
Introducción a las Redes Neuronales II
Para esta entrega publico un resumen inicial que hice sobre las Redes Neuronales, espero sea de utilidad.
viernes, 24 de octubre de 2008
Introducción a las Redes Neuronales
Uno de los temas más apasionantes relacionados con el Procesamiento Digital de Señales son las Redes Neuronales. A lo largo del tiempo dedicaré publicaciones para hablar de este tema y algunas aplicaciones de éstas, espero publicar ejemplos de código en Matlab que faciliten el entendimiento de esta tecnología. Por el momento comienzo con una muy breve intruducción que espero complementar a la brevedad.
Las redes neuronales están compuestas por elementos simples que trabajan en paralelo. Estos elementos han sido inspirados por los sistemas nerviosos de la naturaleza. De la misma forma que en la naturaleza, las conexiones determinan el funcionamiento de la red. Las redes neuronales son entrenadas para realizar alguna función en particular ajustando los valores de las conexiones (o pesos) entre neuronas.
De manera típica las redes neuronales son entrenadas (ajustadas) de tal forma que para una entrada en particular se obtenga una salida específica. El sistema se hace de forma adaptable, de tal manera que se realiza una comparación entre la salida de la red y lo que se busca obtener en el entrenamiento, calculando la señal de comparación se ejecutan los algoritmos de ajuste de los pesos en la red.
Las Redes Neuronales han sido utilizadas para realizar operaciones complejas en muchos campos, incluyendo el reconocimiento de patrones, sistemas de control, la identificación y clasificación de la voz y la visión,etc.
Entre las industrias que han hecho uso de las Redes Neuronales encontramos:
• Aeroespacial: Sistemas de piloto automático, simulación de trayectorias de vuelo, sistemas de control aéreo, simulación de componentes de las aeronaves y detección de fallas en componentes.
• Automotriz: Sistemas de guiado automotriz, análisis de garantías,etc.
• Banca: Revisión y evaluación de documentos.
• Defensa
• Electrónica: Predicción de secuencias de código, diseño de circuitos integrados, control de procesos, análisis de fallas en chips, visión de máquinas, síntesis de voz y modelado no lineal.
• Entretenimiento: Animación, efectos espaciales.
• Financiera: Análisis financiero de corporativos, predicción de valores en tipo de cambio, rastreo de actividad en tarjetas de crédito, análisis de línea de crédito, etc.
• Industrial: Predicción en procesos industriales (como la salida de gases), ayuda en el reemplazo de equipo complejo y costoso usado con anterioridad.
• Seguros: Evaluación de pólizas de seguros y optimización.
• Manufactura: Procesos de control de manufactura, diseño de producto, diagnóstico de maquinas y procesos, identificación de partículas en tiempo real. Procesos de calidad, mantenimiento de máquinas.
• Médica: Análisis de células cancerosas, diseño de prótesis, optimización en tiempos de trasplantes, reducción en costos de hospitalización, mejoras en la calidad de los hospitales, sistemas de aviso y prueba para emergencias.
• Petrolera: Exploración.
• Robótica: Control de trayectoria, sistemas de visión.
• Voz: Reconocimiento de voz, compresión de voz, clasificación de vocales, síntesis de voz (texto a voz).
• Telecomunicaciones: Compresión de imágenes y datos, sistemas automatizados de información, traducción en tiempo real de lenguaje hablado, sistemas de pago de clientes,etc.
• Transporte: Sistemas de enrutado, diagnóstico y planeación de horarios.
Las redes neuronales están compuestas por elementos simples que trabajan en paralelo. Estos elementos han sido inspirados por los sistemas nerviosos de la naturaleza. De la misma forma que en la naturaleza, las conexiones determinan el funcionamiento de la red. Las redes neuronales son entrenadas para realizar alguna función en particular ajustando los valores de las conexiones (o pesos) entre neuronas.
De manera típica las redes neuronales son entrenadas (ajustadas) de tal forma que para una entrada en particular se obtenga una salida específica. El sistema se hace de forma adaptable, de tal manera que se realiza una comparación entre la salida de la red y lo que se busca obtener en el entrenamiento, calculando la señal de comparación se ejecutan los algoritmos de ajuste de los pesos en la red.
Las Redes Neuronales han sido utilizadas para realizar operaciones complejas en muchos campos, incluyendo el reconocimiento de patrones, sistemas de control, la identificación y clasificación de la voz y la visión,etc.
Entre las industrias que han hecho uso de las Redes Neuronales encontramos:
• Aeroespacial: Sistemas de piloto automático, simulación de trayectorias de vuelo, sistemas de control aéreo, simulación de componentes de las aeronaves y detección de fallas en componentes.
• Automotriz: Sistemas de guiado automotriz, análisis de garantías,etc.
• Banca: Revisión y evaluación de documentos.
• Defensa
• Electrónica: Predicción de secuencias de código, diseño de circuitos integrados, control de procesos, análisis de fallas en chips, visión de máquinas, síntesis de voz y modelado no lineal.
• Entretenimiento: Animación, efectos espaciales.
• Financiera: Análisis financiero de corporativos, predicción de valores en tipo de cambio, rastreo de actividad en tarjetas de crédito, análisis de línea de crédito, etc.
• Industrial: Predicción en procesos industriales (como la salida de gases), ayuda en el reemplazo de equipo complejo y costoso usado con anterioridad.
• Seguros: Evaluación de pólizas de seguros y optimización.
• Manufactura: Procesos de control de manufactura, diseño de producto, diagnóstico de maquinas y procesos, identificación de partículas en tiempo real. Procesos de calidad, mantenimiento de máquinas.
• Médica: Análisis de células cancerosas, diseño de prótesis, optimización en tiempos de trasplantes, reducción en costos de hospitalización, mejoras en la calidad de los hospitales, sistemas de aviso y prueba para emergencias.
• Petrolera: Exploración.
• Robótica: Control de trayectoria, sistemas de visión.
• Voz: Reconocimiento de voz, compresión de voz, clasificación de vocales, síntesis de voz (texto a voz).
• Telecomunicaciones: Compresión de imágenes y datos, sistemas automatizados de información, traducción en tiempo real de lenguaje hablado, sistemas de pago de clientes,etc.
• Transporte: Sistemas de enrutado, diagnóstico y planeación de horarios.
miércoles, 22 de octubre de 2008
¿Porque procesar las señales en forma digital?
De la misma forma en que inicio cada semestre mi curso de laboratorio, me gustaría comenzar a publicar en este blog con una explicación de lo que son los Procesadores de Señales Digitales (Digital Signal Processors) y para que son usados, en que casos son ventajosos sobre otro tipo de procesadores, etc.
Es por eso que incluyo en esta primera publicación una presentación que considero muy ilustrativa y que se incluye en el paquete que Texas Instruments me envió como material de enseñanza para el curso.
Espero les sea de utilidad:
Es por eso que incluyo en esta primera publicación una presentación que considero muy ilustrativa y que se incluye en el paquete que Texas Instruments me envió como material de enseñanza para el curso.
Espero les sea de utilidad:
miércoles, 1 de octubre de 2008
Bienvenida
Esta primera publicación es para darles la bienvenida al Blog del Laboratorio de Tecnologías para el Procesamiento Digital de Señales.
Con este medio espero brindar a la comunidad estudiantil de la UNAM y cualquier otra interesada en el Procesamiento Digital de Señales información útil para introducirse en el área.
A la brevedad publicaré la primera referencia técnica.
Con este medio espero brindar a la comunidad estudiantil de la UNAM y cualquier otra interesada en el Procesamiento Digital de Señales información útil para introducirse en el área.
A la brevedad publicaré la primera referencia técnica.
Suscribirse a:
Comentarios (Atom)