Revista UIS Ingenierías

Vol. 22 Núm. 1 (2023): Revista UIS Ingenierías
Artículos

Reconocimiento de patrones para la estimación de características por medio de técnicas no lineales

PDF (English)
  • Fernando Mesa,
  • Rogelio Ospina-Ospina,
  • Diana Marcela Devia-Narvaez
Fernando Mesa
Universidad Tecnológica de Pereira
Rogelio Ospina-Ospina
Universidad Industrial de Santander
Diana Marcela Devia-Narvaez
Universidad Tecnológica de Pereira
DOI: https://doi.org/10.18273/revuin.v22n1-2023002

Publicado 2023-01-02

Palabras clave

  • asertividad,
  • base de datos,
  • características,
  • estimación,
  • depuración de datos,
  • máquina de soporte vectorial,
  • muestras,
  • redes neuronales artificiales,
  • validación,
  • tratamiento
    • ...Más
    Menos

Cómo citar

Mesa, F., Ospina-Ospina, R. ., & Devia-Narvaez, D. M. (2023). Reconocimiento de patrones para la estimación de características por medio de técnicas no lineales. Revista UIS Ingenierías, 22(1), 17–24. https://doi.org/10.18273/revuin.v22n1-2023002

Derechos de autor 2023 Revista UIS Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Resumen

Las aplicaciones de procesamiento de datos tradicionales son inadecuadas para el manejo de una cantidad elevada de datos. Para lograr una eficiente manipulación y extracción de características o muestras que representa la información, es necesario conocer aspectos como la captación y tratamiento de datos. En este documento se depuró una base de datos correspondiente al comportamiento del consumo de energía eléctrica en una carga residencial. La depuración y análisis estadístico de las muestras se realizó por medio del análisis de componentes principales. El entrenamiento del conjunto de datos de menor dimensión a la base de datos original se hizo por medio de las técnicas de máquina de soporte vectorial y redes neuronales artificiales. Finalmente, se presenta una propuesta de análisis de muestras que se encuentren o no dentro de los límites de operación por medio de la actualización de patrones dinámicos para la validación no supervisada de nuevas muestras.

PDF (English)

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. E. Hernandez-Leal, N. Duque-Mendez, J. Moreno Cadavid, “Big Data: una exploración de investigaciones, tecnologías y casos de aplicación”, TecnoLógicas, vol. 20, no 39, pp. 17-24, 2017, doi: https://doi.org/10.22430/22565337.685
  2. R. Alvaro-Hermana, J. Fraile-Ardanuy, J. Merinod, “Algorithm development for night charging electric vehicles optimization in big data applications”, Procedia Computer Science, vol. 109, pp. 793-800, 2017, doi: https://doi.org/10.1016/j.procs.2017.05.329
  3. X. Zhao, “Research on management informatization construction of electric power enterprise based on big data technology”, Energy Reports, vol. 8, no 7, pp. 535-545, 2022, doi: https://doi.org/10.1016/j.egyr.2022.05.124
  4. A. Fernández, A. Gómez, F. Lecumberry, A. Pardo, I. Ramírez, “Pattern Recognition in Latin America in the “Big Data” Era”, Pattern Recognition, vol. 48, pp. 1185-1196, 2015, doi: https://doi.org/10.1016/j.patcog.2014.04.012
  5. C. G. Kiran, V. P. Lekhesh, R.V. Abdu, K. Rajeev, “Traffic Sign Detection and Pattern Recognition using Support Vector Machine”, Seventh International Conference on Advances in Pattern Recognition, Kolkata, 2009, pp. 87-90, doi: https://doi.org/10.1109/ICAPR.2009.58
  6. O. V. Senko, A. V. Kuznetsova, “Pattern recognition method using ensembles of regularities found by optimal partitioning”, 20th International Conference on Pattern Recognition, Estambúl, 2010, pp. 2957–2960, doi: https://doi.org/10.1109/ICPR.2010.724
  7. Center for Machine Learning and Intelligent Systems, “Individual household electric power consumption Data Set”, 2012. [Online]. Available: https://archive.ics.uci.edu/ml/datasets/Individual+household+electric+power+consumption
  8. J. Li, X. Chu, W. He, F. Ma, R. Malekian, Z. Li, “A Generalised Bayesian Inference Method for Maritime Surveillance Using Historical Data”, Symmetry, vol. 11, pp. 188, 2019, doi: https://doi.org/10.3390/sym11020188
  9. S. Santoso, Standard Handbook for Electrical Engineers, Seventeenth Edition. US: McGraw-Hill Education, 2018.
  10. P.S.P. Ignacio, I.K. Darcy, “Tracing patterns and shapes in remittance and migration networks via persistent homology”, EPJ Data Science, vol. 8, pp. 1-23, 2019, doi: https://doi.org/10.1140/epjds/s13688-018-0179-z
  11. E. Guzmán, M. Vázquez, D. del Valle, P. Pérez-Rodríguez, “Artificial Neuronal Networks: A Bayesian Approach Using Parallel Computing”, Revista Colombiana de Estadística, vol. 41, pp. 173-189, 2018, doi: http://dx.doi.org/10.15446/rce.v41n2.55250
  12. J. Calvo-Zaragoza, J. Oncina, “An efficient approach for Interactive Sequential Pattern Recognition”, Pattern Recognition, vol. 64, pp. 295-304, 2017, doi: http://dx.doi.org/10.1016/j.patcog.2016.11.006
  13. M. Zhang, Y. Liu, Z. Liu, J. Wang, M. Gong, H. Ge, X. Li, Y. Yang, Z. Zou, “Hyper-acidic fusion minipeptides escort the intrinsic antioxidative ability of the pattern recognition receptor CRP in non-animal organisms”, Scientific Reports, vol. 9, pp. 1-15, 2019, doi: https://doi.org/10.1038/s41598-019-39388-8
  14. A. S. Iwashita, V. H. C. de Albuquerque, J. P. Papa, “Learning concept drift with ensembles of optimum-path forest-based classifiers”, Future Generation Computer Systems, vol. 95, pp. 198-211, 2019, doi: https://doi.org/10.1016/j.future.2019.01.005
  15. P. Carravilla, J. Chojnacki, E. Rujas, S. Insausti, E. Largo, D. Waithe, B. Apellaniz, T. Sicard, J. Julien, C. Eggeling, J. Nieva, “Molecular recognition of the native HIV-1 MPER revealed by STED microscopy of single virions”, Nature Communications, vol. 10, 2019, doi: https://doi.org/10.1038/s41467-018-07962-9
  16. M. Zhang, Y. Liu, Z. Liu, J. Wang, M. Gong, H. Ge, X. Li, Y. Yang, Z. Zou, “Online modeling and identification of plug-in electric vehicles sharing a residential station”, International Journal of Electrical Power & Energy Systems, vol. 108, pp. 162-176, 2019, https://doi.org/10.1016/j.ijepes.2018.12.024