En los últimos años el campo de la Visión Artificial ha experimentado un crecimiento acelerado con el éxito de las Redes Neuronales Artificiales y el Aprendizaje Profundo. La cantidad de datos etiquetados que se han relevado, las mejoras en hardware especializado y las importantes modificaciones introducidas en los algoritmos tradicionales surgidos en la segunda mitad del siglo pasado han posibilitado el avance en problemas complejos que parecían imposibles de abordar pocos años atrás. En particular, las Redes Neuronales Convolucionales se han convertido en el modelo más popular dentro de este campo de las Ciencias de la Computación. A lo largo de la década del 2010, los trabajos que avanzaron el estado del arte en los diferentes problemas de la Visión Artificial han incluido casi exclusivamente redes de este tipo. Sin embargo, algunos componentes de las Redes Convolucionales han mantenido sus estructuras y definiciones originales. Este es el caso de los filtros convolucionales, los cuales han mantenido su estructura geométrica estática en las últimas décadas. El objetivo general de esta tesis es explorar las limitaciones inherentes a la estructura tradicional de los filtros convolucionales, proponiendo nuevas definiciones y operaciones para superar las mismas. En esta línea, se presenta una generalización de la definición de los filtros convolucionales, extendiendo el concepto de dilatación de los mismos a intervalos continuos sobre las dimensiones espaciales. Adicionalmente, se presenta una nueva definición de la Convolución Dilatada para permitir comportamientos dinámicos durante el proceso de entrenamiento. Basadas en las definiciones introducidas, se proponen las nuevas operaciones de Convolución de Dilatación Adaptativa y Convolución de Dilatación Aleatoria. La primera introduce a las redes convolucionales la capacidad de optimizar la dilatación de los filtros de acuerdo a los datos de entrada, de manera de adaptarse dinámicamente a los cambios semánticos y geométricos presentes en las diferentes escenas. La segunda permite explorar la utilización de filtros de dilataciones aleatorias para simular transformaciones de escala, con el objetivo de aumentar la invariancia a escala de una red convolucional, una de sus limitaciones más conocidas. Finalmente, se definieron casos de estudio para Clasificación de Imágenes y Segmentación Semántica, de manera de obtener métricas cuantitativas que permitan evaluar las propuestas realizadas. Se realizaron múltiples entrenamientos de diferentes arquitecturas y configuraciones para redes conocidas en la literatura, mostrando resultados favorables con la inclusión de las operaciones propuestas. Más aún, el diseño de estas es modular, por lo que pueden ser incluidas en arquitecturas arbitrarias. / In the last years, the field of Computer Vision has seen incredible success through the adoption of Artificial Neural Networks and Deep Learning. The amount of labeled data, the improvements in specialized hardware, and further development in the traditional algorithms, have enabled advances in complex problems that seemed impossible to approach a few years before. In particular, these networks have become the most popular models within this field of Computer Sciences. Throughout the last decade, the state-of-the-art research in the different Computer Vision problems had almost exclusively included this type of model. However, the structure of some components of Convolutional Networks has remained almost unaffected. This is the case with convolutional filters, which have kept their original geometric structure in the last decades. The overall goal of this thesis is to explore the limitations inherent to the traditional structure of the convolutional filters, introducing new definitions and operations to overcome them. In this context, a generalization of the definition of convolutional filters is presented, extending the concept of dilation to continuous intervals in the spatial dimensions. Additionally, a new definition for the Dilated or Atrous Convolution is proposed, which enables dynamic behaviors in the dilation of the filters during the training process. Based on these new definitions, two new operations are presented: the Adaptive Dilation Convolution and the Random Dilation Convolution. The first one introduces the capacity for Convolutional Networks to optimize the dilation of the filters according to the input data, dynamically adapting to the semantic and geometric differences found across scenes. The second, enables the exploration of random dilations to simulate different scale transformations in the data, aiming to increase the scale invariance of these networks, one of their known limitations. Finally, different study cases were defined for Image Classification and Semantic Segmentation, in order to evaluate the introduced operations using quantitative metrics. Several training experiments were performed, using different architectures and configurations for renowned networks, showing positive results during the inclusion of the proposed operations. Moreover, their design is modular, enabling them to be included in arbitrary architectures.

Esta investigación surgió con el objetivo de implementar una solución de minería de datos para pronosticar la demanda de medicamentos a partir de grandes volúmenes de datos y con un alto nivel de precisión en la farmacia de un establecimiento de salud debido a que durante el análisis de la situación inicial se detectaron oportunidades de mejora en el proceso de planeamiento del abastecimiento que podrían permitir maximizar la demanda atendida y minimizar los costos de mantener medicamentos por mucho tiempo en el almacén. Para cumplir con lo planificado se utilizó la metodología CRISP-DM y las redes neuronales, logrando construir un modelo de pronóstico por cada medicamento existente. Tras los procesos de entrenamiento y mejora, los modelos obtuvieron en promedio un valor de 0.9 para la métrica R-cuadrado, demostrando un buen nivel de adaptación al comportamiento de la demanda, y un valor promedio de 17.88% durante la medición del MAPE con lo que garantizaron un alto nivel de precisión. Por otro lado, se construyó una aplicación web que permite a los usuarios obtener reportes de los pronósticos y actualizar los parámetros de los modelos, así como reentrenarlos o crear nuevos. Finalmente, las interfaces de esta aplicación obtuvieron en promedio 92 puntos tras su evaluación en base a los criterios propuestos por una herramienta de medición de rendimiento.

La salud bucal es un indicador importante de salud, bienestar y calidad de vida de las personas, pero al igual que el resto del cuerpo, la boca está llena de bacterias que comparten factores de riesgo comunes y pueden tener graves consecuencias llevando a la presencia de enfermedades bucodentales y que muchas veces su detección puede llevar un proceso tardío por parte del cirujano dentista profesional. Debido a esto, se llevó a cabo la presente investigación mediante el desarrollo de un sistema inteligente en una aplicación web, apoyado de un modelo de reconocimiento de imágenes basado en redes neuronales convolucionales, con el objetivo de identificar con precisión las enfermedades que se encuentran en la cavidad bucal. Se plantearon dos métodologías, Commonkads para la parte inteligente y RUP para el desarrollo de software, y finalmente se crea el modelo de reconocimiento junto a la aplicación web, incluyendo un odontograma como parte de realizar el proceso de diagnóstico. Además de probar su funcionalidad mediante validación del profesional que labora en el consultorio del área de odontología de la Clínica Metropolitana para el cumplimiento de los objetivos. Como resultado tenemos el uso de una herramienta tecnológica capaz de apoyar en la identificación de enfermedades bucodentales, llevándolo a cabo a través de los mismos procesos que se hace para llegar a un diagnóstico y brindar un tratamiento.

El presente artículo buscará revisar los artículos de investigaciones realizadas sobre de sistemas predictivos del cáncer de mamá basados en redes neuronales con el fin de identificar tendencias tanto en la construcción de estos sistemas como en los países que las desarrollan. Por tal motivo, se realizará una búsqueda en las bases de datos a las que se obtuvo acceso, se procederá a plantear filtros y criterios de exclusión e inclusión para lograr obtener artículos con un estándar definido. Como resultado de lo anterior, se obtuvieron doce trabajos de investigación de los cuales se pudo afirmar que el mayor número de investigaciones provienen de la India e Inglaterra observándose una gran ausencia de los países latinoamericanos. Además, se logró tener un listado de las principales características que son utilizadas en el entrenamiento de las redes neuronales aplicadas en los diferentes sistemas informáticos. Finalmente, se espera que este articulo sirva como referencia e inspiración para investigar e implementar software predictivo en el área de salud.

Como un ser homeopático el ser humano presenta mecanismos de regulación de la temperatura que aseguran un óptimo funcionamiento del sistema fisiológico. Estos mecanismos de regulación tienen su centro de control e integración en el hipotálamo, que se encarga de mantener la temperatura corporal funcionando a ±1°C de la temperatura en reposo. Cuando la temperatura se encuentra fuera de este rango los sistemas biológicos comienzan a verse afectados. A efectos prácticos, el organismo puede dividirse en una parte central o nuclear, el cual estaría constituido por la cabeza y las cavidades torácica y abdominal; y una parte superficial, que está constituido por la piel, el tejido celular subcutáneo y el grueso de la masa muscular. De manera que, las temperaturas del núcleo y la piel serían las temperaturas central y periférica, respectivamente. La temperatura central (representada por las temperaturas oral, rectal, esofágica, membrana del tímpano, hipotalámica o de la sangre al pasar por cualquiera de los órganos de la parte central o nuclear) permanece relativamente constante, gracias a que es regulada y se mantiene dentro de límites bastante estrechos. Además, dentro de la práctica clínica, la temperatura es una de las variables que se encuentran en constante monitoreo pues resulta fundamental en la atención de pacientes con patologías agudas, ya que permite determinar si el paciente presenta un aumento en su temperatura central o fiebre que usualmente es asociado con el desarrollo de una infección. La fiebre es una respuesta fisiológica adaptativa frente a un agente patógeno, que mejora la respuesta del sistema inmune y evita la propagación de los agentes infecciosos. De hecho, “la elevación de la temperatura corporal en algunos grados puede aumentar la eficiencia de los macrófagos para destruir los microorganismos invasores, dificultando la replicación de diferentes microorganismos y otorgando una ventaja adaptativa al sistema inmune” (Gómez, 2008). Debido a lo anterior, la predicción del desarrollo de fiebre es importante pues, según el horizonte de predicción de este estado en el paciente, se puede permitir la obtención de un cultivo de sangre cuando el recuento de bacterias está en su punto máximo y, de esa manera, precisar el diagnóstico del paciente. Durante la práctica clínica, se registra la temperatura de los pacientes cada 8-12 h, sin embargo, tales mediciones no proporcionan información significativa en el diagnóstico de enfermedades. Por ello, el monitoreo continuo de la temperatura y el análisis de los registros obtenidos utilizando métodos analíticos podrían ayudar a revelar respuestas únicas de fiebre de los pacientes y en diferentes condiciones clínicas. Esta tesis analiza series de temperatura central de pacientes aplicando técnicas estadísticas de series temporales como modelos lineales ARIMA y modelos no lineales de redes neuronales recurrentes para predecir futuros incrementos de la temperatura central que permitiría anticipar el diagnóstico y tratamiento que podría recibir un paciente. Los modelos ARIMA y de Redes neuronales recurrentes fueron caracterizados con un análisis univariante, donde la variable estudiada es la Temperatura central. Por otro lado, los datos utilizados fueron recogidos con un equipo de Monitorización Continua de Temperatura, con un termómetro timpánico de infrarrojos denominado Thercom. Estos dispositivos se configuraron para realizar una determinación de temperatura central por minuto durante aproximadamente 24 horas. No obstante, debido a que la toma de datos de temperatura podría ser incómoda para los pacientes, hay momentos en las series en que los datos obtenidos contienen mediciones que podrían no ser fiables. La primera técnica empleada para el análisis de series temporales fue el modelo de Box-Jenkins o también llamados procesos autorregresivos integrados con media móvil (modelos ARIMA, por sus siglas en inglés) estos modelos pueden capturar las tendencias a corto plazo y las variaciones periódicas en las series temporales, sin embargo, estos no se ajustan a tendencias no lineales que pudiera tener la variable evaluada. Posteriormente, se probaron los modelos no lineales de redes neuronales recurrentes de Elman y se comparó la precisión de las predicciones de los modelos ARIMA, frente a los modelos de Elman usando como estadístico el error absoluto porcentual medio o MAPE para horizontes de 15, 30 y 60 minutos. Ambos modelos fueron desarrollados usando el software estadístico Rstudio con las librerías: “tseries”, para modelos ARIMA; “forecast”, para determinar las predicciones en modelos ARIMA y “RSNNS”, para modelar redes neuronales. Debido a la naturaleza de la variable temperatura central la precisión de los modelos debe ser tal que el error de predicción del modelo no debe ser mayor a 1°C, esto en promedio, implica que las predicciones del modelo deben tener un MAPE máximo admisible de 2.7%. Las predicciones de los modelos ARIMA para los 3 pacientes produjeron MAPEs menores a 3% en todos los horizontes de predicción, no obstante, los residuos obtenidos no siguen una distribución normal, aunque en todos los casos cumplían la hipótesis fundamental de que eran independientes. Además, se produjeron predicciones muy satisfactorias para los 3 pacientes en el horizonte de 15 minutos. Para los otros horizontes de tiempo, los modelos presentaban un intervalo de confianza con amplitud mayor a 2°C, aunque el MAPE producido seguía siendo aceptable. Para los modelos de redes neuronales se utilizaron como variables de entrada, el primer y el segundo retardo de la temperatura central. Como resultado, las predicciones de los modelos de redes de Elman se ajustaron a los datos de tal manera que se obtuvieron MAPEs inferiores a 0.5% para los 3 pacientes en los 3 horizontes de tiempo estudiados (15, 30 y 60 minutos). A pesar de la complejidad de la regulación fisiológica de la temperatura central, el usar retardos de la temperatura central como valores de entrada para el modelo de redes neuronales hace que la estructura del modelo se simplifique y que la predicción de los futuros valores pueda estimarse con modelos de una sola capa de manera satisfactoria, ajustándose a los datos en su escala real y produciendo errores mínimos.

El cultivo de café es uno de los más importantes en el Perú y en la región Cajamarca, así mismo de esta actividad dependen muchas familias que producen café, siendo los agricultores pequeños con parcelas entre 3 y 5 hectáreas, quienes enfrentan a diferentes desafíos entre los cuales destacan la escasa capacidad técnica para identificar deficiencias nutricionales que afectan el cultivo, siendo de vital importancia ya que la detección adecuada repercute en la calidad del producto final. Esta investigación tiene como objetivo principal el desarrollo de un sistema inteligente para apoyar en la identificación de deficiencias nutricionales en hojas de café basado en reconocimiento de imágenes, fue alcanzado mediante objetivos específicos como, identificar las características de las deficiencias nutricionales, determinar el modelo de red neuronal que permita realizar la identificación, desarrollar una aplicación móvil híbrida y validar el funcionamiento del sistema inteligente. Las metodologías empleadas para el desarrollo fueron CommonKADS y RUP. Se concluye la investigación con un prototipo para ser ejecutado en dispositivos móviles y con las pruebas de funcionalidad por especialistas en agronomía. Como resultados finales podemos indicar que la presente investigación hace un aporte a la agricultura y apoya al sector cafetalero, a través de la ingeniería y la inteligencia artificial.

En Pimentel el cultivo de arroz es uno de los más importantes para los agricultores. Pero como toda planta existe la presencia de plagas o enfermedades, y para atacarlas el agricultor necesita saber que agroquímicos es recomendable y además calcular la dosis adecuada del producto para la aplicación en su parcela. Es por ello que, el trabajo de investigación pretende desarrollar un sistema experto para calcular la dosificación de agroquímicos en plagas y enfermedades de la planta de arroz en el distrito de Pimentel. Esto se propuso debido a las dificultades que se logró encontrar en agricultores independientes de la zona. Es por ello, que el sistema permite al agricultor detectar que plaga o enfermedad padece su planta, después ello mostrara una lista de agroquímicos recomendados, la cual después de seleccionar el producto, el agricultor llenara los datos solicitados por el sistema para la dosificación adecuada para la aplicación de agroquímico en su parcela. Además, se utilizó la metodología CommonKADS para el desarrollo de la solución. Los resultados obtenidos por esta solución lograron satisfacer las necesidades de los agricultores independientes. Logrando así más del 90% de precisión al momento de calcular la dosis de agroquímicos a aplicar.

La presente tesis tiene como objetivo mostrar una estrategia diferente ante la problemática del tráfico vehicular, como sabemos el tráfico vehicular es un problema de escala mundial y contribuye negativamente al desarrollo de un país. Esto se puede ver en la cantidad de contaminación, cantidad de horas hombre perdidas, niveles de estrés y la pérdida millonaria en combustible, esta es nuestra motivación para la realización de esta Tesis. Diversas investigaciones han demostrado que las estrategias de control de secuencias rígidas, no dan solución a este problema, por tanto a nivel mundial se han desarrollado diferentes estrategias, basadas en sistemas adaptivos, sistemas adaptivos difusos, sistemas adaptivos difusos con algoritmos genéticos, redes neuronales, estas últimas han sido usadas para predicción de tráfico, reconocimiento de vehículos, etc. El presente trabajo tiene como objetivo lograr la auto organización de semáforos basándose en la cantidad de vehículos esperando el cambio de fase o cambio de estado del semáforo de rojo a verde. Llamaremos auto organización a la acción de los semáforos de cambiar de fase tomando en cuenta un determinado umbral máximo de vehículos, una vez se supere este umbral el cambio de fase se llevará a cabo, para nuestros resultados hemos considerado una intersección simple, la cual consta de una vía principal de 4 carriles y otra de 2 carriles. El presente trabajo consta de tres etapas fundamentales, el censado de los patrones de tráfico, mediante sensores invasivos de tráfico, el controlador, el cual se auto organizará en función a la cantidad de vehículos esperando el cambio de fase y el semáforo, tanto el controlador y el semáforo han sido logrados mediante la red neuronal de retro propagación, esta fue elegida debido a su capacidad para la identificación de sistemas, para poder lograr el modelo del semáforo y el mapeo inverso, para el caso del controlador. Para nuestras simulaciones y comparaciones, se disefló también un sistema de semáforo prefijado, con un tiempo de 55 segundos por cada intervalo del semáforo. Producto de las simulaciones y comparaciones se pudo concluir que el sistema logrado hace que la cantidad de autos esperando se reduzca significativamente, sobretodo en la vía principal (cuatro carriles). Además de reducir el tiempo de espera de los vehículos. Analizaremos el efecto que tiene sobre el sistema cambiar ciertos parámetros como el valor umbral, tiempo mínimo de fase verde, etc.

La presente tesis tiene como objetivo diseñar un sistema de reconocimiento de gestos manuales que traduzca gestos a necesidades básicas de la persona, con el fin de ayudar a personas de la tercera edad que padecen problemas del habla. Dicho sistema de reconocimiento de gestos es aplicado en un guante electrónico que extrae señales de la mano. Para el desarrollo de la tesis, se hace uso de dos ejes de modelamiento: modelamiento directo y modelamiento inverso. Primero, se modela por análisis paramétrico (modelamiento directo) a una mano antropomórfica que responde a los movimientos del guante electrónico; luego, se aplica identificación de sistemas por red neuronal mediante algoritmos de retropropagación a los modelos obtenidos por análisis paramétrico, con el fin de utilizar estos modelos basados en redes neuronales en el sistema de reconocimiento de gestos. Este segundo paso es el modelamiento inverso y la razón de su aplicación se fundamenta en el hecho de que se desea obtener un sistema que posea tolerancia a fallas, la cual es una propiedad de las redes neuronales. Finalmente, se diseña un núcleo de reconocimiento de gestos, el cual reconoce patrones en la data resultante de las redes neuronales. Dicho núcleo de reconocimiento de gestos es también una red neuronal y, a diferencia de otros tipos de sistemas de reconocimiento de patrones, tiene la capacidad de aprender a partir de data experimental y generar soluciones en base a lo aprendido. Los resultados obtenidos en la culminación del proyecto son que ante la presencia de ruido aditivo blanco gaussiano, el sistema alcanza un índice de reconocimiento de 99.98% cuando las condiciones son ideales (a una relación señal a ruido de 30 dB); manteniéndose por sobre 99% cuando la relación señal a ruido es mayor a 18.88 dB; por otro lado, si la relación señal a ruido en las entradas del sistema es igual a 13.67 dB, el sistema es capaz de reconocer gestos con una efectividad de 90%. Así mismo, se demuestra que el sistema es tolerante a fallas y a circunstancias no previstas en el diseño, manteniendo su porcentaje de reconocimiento por sobre 90% en condiciones ideales ante estas adversidades.

La presente tesis desarrolla un regulador cuadrático gaussiano LQG con control neuronal para un prototipo cuadrocóptero. Se presentan el modelamiento directo, el cual involucran las ecuaciones diferenciales que gobiernan la dinámica de movimiento del cuadrocóptero y el modelamiento inverso, en donde el cuadrocóptero o sistema pasa por un proceso de identificación de sistema realizado por una red neuronal artificial basada en un modelo paramétrico. Luego, se entrena otra red neuronal que emula el comportamiento de un controlador óptimo que forma parte del regulador cuadrático gaussiano LQG. Este está compuesto por el controlador óptimo de estados llamado regulador cuadrático lineal y el estimador de estados óptimo, el filtro de Kalman. Debido a la complejidad de diseño del controlador y el estimador, estos se importan a manera de código. Ambos modelamientos se llevan al entorno Matlab y Simulink para poder realizar la simulación. Se compara tanto el modelamiento directo como el inverso ante distintas entradas de referencia. Esto se aprecia a través de la red neuronal que logra comportarse como el sistema y la red neuronal que emula al controlador, corroborando la aplicación de redes neuronales en el campo de teoría de control.