Maestría en Ingeniería - Automatización Industrial

URI permanente para esta colecciónhttps://repositorio.unal.edu.co/handle/unal/81654

Examinar

Mostrando 1 - 20 de 147

Explainable deep learning for EEG-based brain activity recognition
(Universidad Nacional de Colombia, 2026) López Boscán , Andrés Camilo; Álvarez Meza, Andrés Marino; Pérez Rosero, Diego Armando; Alvarez-Meza, Andres [0000000303089576]; Pérez Rosero, Diego Armando [0000000192587088]; Grupo de Control y Procesamiento Digital de Señales
Reliable interpretability remains a critical challenge for the deployment of deep learning models in EEG-based neurotechnology, particularly in Brain--Computer Interfaces (BCIs) and clinical decision-support systems. Although modern deep learning architectures achieve competitive predictive performance, their decision-making processes often remain opaque, limiting neuroscientific understanding and reducing clinical trust. Existing explainable artificial intelligence (XAI) methods typically provide explanations in a single domain and therefore struggle to jointly characterize the spatial, temporal, and spectral organization of EEG signals. Furthermore, many perturbation-based approaches generate physiologically implausible signal modifications, while gradient-based methods depend on access to internal model representations and are therefore architecture-dependent. To address these limitations, this thesis introduces STF-KernelSHAP, a model-agnostic space--time--frequency explainability framework designed for physiologically coherent EEG interpretation. The proposed methodology decomposes EEG trials into structured channel--time--frequency cells through spectral analysis, enabling attribution over neurophysiologically meaningful regions rather than isolated samples. Coalition-based perturbations are defined over complete space--time--frequency units and reconstructed in the signal domain, preserving the structural organization of EEG activity. Attribution values are subsequently estimated through a KernelSHAP-based weighted surrogate model using only classifier outputs, ensuring architecture-independent Shapley-value estimation. The proposed framework is validated through a controlled pilot study and subsequently evaluated in two heterogeneous EEG classification scenarios: motor imagery (MI) decoding and Attention-Deficit/Hyperactivity Disorder (ADHD) detection. STF-KernelSHAP is compared against KernelSHAP, LIME, Occlusion, Integrated Gradients, and Grad-CAM++, while explanation quality is assessed using perturbation-based fidelity metrics including Deletion and ROAD. Experimental results demonstrate that STF-KernelSHAP produces explanations that remain competitive in terms of quantitative fidelity while providing additional temporal and spectral interpretability unavailable through conventional spatial attribution methods. In the MI paradigm, the method identifies contributions associated with the effective motor imagery interval and physiologically relevant sensorimotor frequency bands, whereas in ADHD it reveals structured spectral relevance patterns consistent with reported neurophysiological findings. Overall, STF-KernelSHAP provides a physiologically informed and model-agnostic framework for multidomain EEG interpretability, enabling the analysis of deep learning decisions across spatial, temporal, and spectral dimensions while preserving quantitative explanation quality
A deep learning approach for EEG classification using multi-scale gaussian connectivity and α-Rényi entropy-based regularization
(Universidad Nacional de Colombia, 2026) Salazar Dubois, Danna Valentina; Álvarez Meza, Andrés Marino; Castellanos Domínguez, César Germán; [DLqeXpwAAAAJ&h]; [4aUwQtAAAAAJ&hl]; [RbCdiT0AAAAJ&hl]; Salazar Dubois, Danna Valentina [0009000715993673]; Alvarez-Meza, Andres [0000000303089576]; Grupo de Control y Procesamiento Digital de Señales
The classification of electroencephalography (EEG) signals is a cornerstone for the development of advanced brain–computer interfaces (BCIs) and objective clinical diagnostics. However, current deep learning approaches are often hindered by high inter-subject variability, signal non-stationarity, and a lack of interpretability, which frequently results in overfitted “black-box” models that fail to generalize across diverse populations. This thesis proposes a deep learning framework for EEG classification that integrates multiscale Gaussian functional connectivity modeling with matrix-based α-Rényi regularization to address these challenges. The framework is composed of two strategic architectures: (i) GMRRNet (Gaussian Mixture Connectivity Network with α-Rényi Regularization), which employs a parallel Gaussian mixture block to capture localized and global spatial interactions while utilizing an α-Rényi mutual information loss to minimize redundancy between learned scales; and (ii) T-GARNet (Transformer-based Multi-Scale Gaussian Kernel Connectivity Network with α-Rényi Regularization), which integrates Transformer-based temporal attention with a learnable convex combination of kernels to extract long-range dependencies and stable neurophysiological patterns. We validate the proposed framework on two benchmark datasets—GigaScience MI-EEG and IEEE DataPort ADHD—using task-appropriate evaluation protocols. Specifically, GMRRNet is assessed under subject-dependent validation for motor imagery classification, while T-GARNet is evaluated using rigorous subject-independent schemes, including leave-one-subject-out (LOSO) and stratified group k-fold cross-validation (SGKF-CV), for ADHD detection. Furthermore, we implement a multi-layer interpretability protocol employing Grad-CAM++, attention maps, and connectivity chord diagrams to confirm that the learned representations are grounded in meaningful neurophysiological patterns, such as sensorimotor rhythms for MI and fronto-parietal control circuits for ADHD. Experimental results demonstrate that the framework achieves competitive performance, reaching 71.7% accuracy in MI, 95.53% under LOSO, and 79.70% under SGKF-CV in ADHD detection, while significantly enhancing classification stability and transparency. This work advances the field of computational neuroscience by providing an explainable and parameter-efficient approach for EEG-based diagnostic and control systems
Channel dropout integrated with CAM to improve the interpretability of spatiotemporal uncertainty in the least performing mi subjects
(Universidad Nacional de Colombia, 2025) Escalante Escobar, Sofia; Collazos Huertas, Diego Fabián; Álvarez Meza, Andrés Marino; Escalante Escobar, Sofia [0002099919]; [db0fJUkAAAAJ]; Escalante Escobar, Sofia [0009000260471368]; Collazos Huertas, Diego Fabian [0000000204343444]; Alvarez-Meza, Andres [0000000303089576]; Grupo de Control y Procesamiento Digital de Señales
Esta tesis presenta un marco unificado para mejorar la robustez y la interpretabilidad en la clasificación de imaginación motora (MI) basada en electroencefalografía (EEG), abordando tres desafíos persistentes en las interfaces cerebro–computador (BCI): la dependencia de configuraciones de EEG de alta densidad (HD-EEG), la elevada variabilidad intersujeto y la limitada interpretabilidad de los modelos de aprendizaje profundo (DL). En conjunto, estos factores generan una alta incertidumbre espacio-temporal que afecta especialmente a los sujetos de bajo desempeño y limita la aplicación práctica de los sistemas BCI basados en MI en entornos clínicos y reales. Para enfrentar estos desafíos, el marco propuesto evalúa sistemáticamente el impacto de la reducción del número de canales de EEG sobre la consistencia y la generalización de distintos modelos de aprendizaje profundo, incluyendo ShallowConvNet, EEGNet y TCFusionNet. Los resultados muestran que una configuración de 32 canales logra un desempeño comparable o superior al de esquemas completos de 64 canales, mientras que 16 canales constituyen una alternativa viable para sistemas portables; en contraste, montajes altamente dispersos producen una degradación significativa del rendimiento, especialmente en sujetos de bajo desempeño. Con base en estos hallazgos, el trabajo incorpora Monte Carlo Dropout (MCD) a nivel de canal como un mecanismo de regularización consciente de la incertidumbre para mitigar la variabilidad intersujeto y la inestabilidad asociada a la reducción de canales. Al aproximar un comportamiento tipo ensamble durante la inferencia, MCD mejora la consistencia de la clasificación, reduce el sobreajuste y disminuye la brecha de rendimiento entre sujetos. Finalmente, se integran técnicas de interpretabilidad basadas en mapas de activación de clases (Class Activation Mapping, CAM) para identificar patrones espacio-temporales discriminativos asociados a tareas de MI. La combinación de MCD y CAM genera mapas de activación más definidos y fisiológicamente coherentes sobre regiones sensorimotoras, permitiendo la identificación de biomarcadores espaciales confiables sin comprometer el desempeño del modelo. La validación sobre una base de datos pública de EEG para imaginación motora demuestra que el marco propuesto mejora la robustez, la interpretabilidad y la generalización frente a enfoques convencionales de aprendizaje profundo, contribuyendo al desarrollo de sistemas BCI más transparentes, confiables y portables para aplicaciones clínicas y del mundo real. Palabras clave: Imaginación Motora, EEG, Interfaz Cerebro–Computador, Aprendizaje Profundo, Reducción de Canales, Monte Carlo Dropout, Interpretabilidad (Texto tomado de la fuente).
Computationally efficient hybrid ROI-centric architecture for multi-component wideband detection
(Universidad Nacional de Colombia, 2025) Altamiranda Gonzalez, Carlos Andrés; Castellanos Domínguez, Germán; Álvarez Meza, Andrés Marino; Alvarez-Meza, Andres [0000000303089576]; Gidia: Grupo de Investigación YyDesarrollo en Inteligencia Artificial
This thesis presents a computationally efficient, Region-of-Interest (ROI)-centric hybrid architecture for multi-component wideband detection, addressing the persistent challenges of spectral congestion, interference, and resource constraints on edge devices. Unlike conventional approaches, this study introduces a physics-informed workflow that concentrates computation on relevant areas, preserving signal morphology and encoding Radio Frequency (RF) priors. The proposed model integrates a physics-preserving preprocessing stage via Multi-Channel Extension (MCE) and Explicit Metrological Injection (EMI), combined with a region proposal network optimized using an asymmetric Tversky loss. This architecture jointly optimizes signal localization, modulation classification, and interference type discrimination (CCI/ACI), significantly enhancing robustness in low Signal-to-Noise Ratio (SNR) regimes and spectral overlap scenarios. Furthermore, a Model-Agnostic Meta-Learning (MAML) strategy is incorporated to adapt the model to Over-the-Air (OTA) conditions, bridging the gap between synthetic and real-world data. Through extensive validation on synthetic benchmarks and OTA captures, the results demonstrate that the system outperforms state-of-the-art baselines like YOLOv8n and CRNN, offering superior accuracy under severe interference. Additionally, deployment on embedded hardware (Raspberry Pi 5 and NVIDIA Jetson) confirms the system’s viability for real-time monitoring, achieving an optimal balance between accuracy, latency, and power efficiency for cognitive radio applications.
An embedded deep learning approach for seed image segmentation
(Universidad Nacional de Colombia, 2025) Pelaez Garcia, Camilo; Álvarez Meza, Andrés Marino; Grupo de Control y Procesamiento Digital de Señales
Seed germination is one of the most critical early stages in the plant life cycle, directly influencing crop establishment, productivity, and global food supply. Accurate and timely assessment of germination dynamics is therefore essential for breeding programs, seed quality control, and precision agriculture. However, current seed germination monitoring methods are manual, subjective,and poorly scalable—posing a critical bottleneck for accurate, high-throughput agricultural phenotyping. This hinders the early detection of morphological traits essential for crop yield prediction and food security. Embedded, automated solutions are needed to deliver reproducible, high-frequency automated assessments in controlled environments. Here, a deep learning-based approach for semantic segmentation of seed germination stages in Petri dish images is introduced. Our methodology employs U-Net style architectures enhanced by a comprehensive transfer learning strategy using ImageNet-pretrained backbones—specifically MobileNetV2 and VGG16—where the encoder weights were frozen while training the decoders from scratch. This approach was further strengthened by on-the-fly geometric and photometric augmentations to address limited annotated data. To enable edge deployment, models underwent full Integer 8-bit (INT8) post-training quantization and were converted to TensorFlow Lite (TFLite) format for execution on low-power hardware. Our approach was evaluated on a dataset of 1,578 manually annotated images, augmented on-the-fly to 2,807 samples. Performance, measured using Dice coefficient, Jaccard index (IoU), sensitivity, specificity, precision, and mean average precision at 50% (mAP@50), showed that the optimal model—U-Net with a MobileNetV2 backbone—achieved a Dice score of ≈0.84 in the challenging 3-class segmentation task. Model efficiency was assessed via Frames Per Second (FPS), latency, and binary size on a Raspberry Pi 3, where quantized models demonstrated a 3.5× size reduction and 26% faster inference while maintaining competitive accuracy, validating the pipeline’s feasibility for embedded agricultural monitoring. Also, transfer-learning-based models are used to outperform scratch-trained counterparts by up to +6.2% in Dice and +10.7% in Mean Average Precision at 50% (mAP@50). The best U-Net variant achieved Dice ≈ 0.84, Jaccard ≈ 0.79, and mAP@50 ≈ 0.87. After Integer 8-bit (INT8) quantization, TensorFlow Lite (TFLite) models ran at 0.5 Frames Per Second (FPS) with sizes under 30 MB—3.5× smaller and 26% faster than float32 versions—validating periodic monitoring on embedded platforms. Our integrated pipeline effectively balances segmentation accuracy, generalization, and computational efficiency, surpassing baseline detection and segmentation methods. These findings demonstrate the promise of combining deep learning with edge computing for autonomous, periodic agricultural monitoring. Future work will target improved multi-class generalization, domain adaptation to openfield imagery, and closed-loop integration for continuous seed viability tracking.
Modelamiento promediado no lineal de convertidores de potencia
(Universidad Nacional de Colombia, 2025) Giraldo Hernández, David Eduardo; Angulo García, Fabiola; Osorio Londoño, Gustavo Adolfo; Percepción y Control Inteligente (Pci)
Esta tesis presenta un modelado promediado de los convertidores flyback y boost bajo dos estrategias de control distintas, además, presenta el desarrollo de un mapa de tiempo discreto del convertidor flyback. En cada uno de estos modelos destaca una formulación alternativa basada en la corriente de valle. A diferencia de los modelos promediados convencionales, esta metodología emplea la corriente exacta de valle como variable de estado, lo que permite detectar con precisión las transiciones entre modos de conducción y capturar de manera fiel el comportamiento dinámico de los convertidores. El uso de la corriente de valle proporciona, además, una reducción significativa en los tiempos de simulación, manteniendo al mismo tiempo una alta precisión en los resultados. Esta ventaja convierte al modelo en una herramienta eficiente para el análisis y diseño de sistemas electrónicos de potencia, donde el equilibrio entre exactitud y desempeño computacional resulta esencial. Los resultados obtenidos demuestran que los modelos promediados propuestos constituyen una herramienta sólida para el estudio y optimización de convertidores de potencia, combinando precisión con bajo esfuerzo computacional y aportando fundamentos útiles tanto para la investigación como para aplicaciones prácticas (Texto tomado de la fuente).
CRITAIR : a hybrid methodology for criticality analysis and intelligent recommendations in electrical distribution networks
(Universidad Nacional de Colombia, 2025) Pineda Quintero, Santiago; Álvarez Meza , Andrés Marino; Castellanos Dominguez, Cesar Germán; Grupo de Control y Procesamiento Digital de Señales
Modern power systems face increasing levels of complexity and demand, making it a priority to understand the root causes of faults and outages. Such understanding is essential for optimizing reliability indicators such as System Average Interruption Duration Index (SAIDI) and System Average Interruption Frequency Index (SAIFI), thereby enhancing service quality and the overall user experience. However, in Electric Power Companies (EPCs), unexpected outages in Medium-Voltage Level 2 (MV-L2) networks continue to degrade key reliability indicators such as SAIDI and SAIFI, ultimately impacting the end user’s perception of service quality. This ongoing issue is largely due to the lack of a systematic methodology to accurately identify the internal and external variables that most influence these indicators, limiting proactive asset management and hindering the prevention of future failures. This work identifies two key problems that hinder data-driven decision-making aimed at improving reliability in MV-L2 networks. First, there is a lack of analytical models capable of both predicting reliability metrics and explaining the underlying causes of service interruptions. Second, organizations struggle to translate large volumes of historical and regulatory data into clear, actionable recommendations due to the absence of systems that integrate domain knowledge with data-driven insights in an interpretable manner. To address these challenges, we propose CRITAIR (Criticality Analysis and Intelligent Recommendations), a two-stage hybrid and interpretable methodology designed to identify, explain, and recommend actions aimed at improving reliability in medium-voltage networks. In the first stage, a TabNet model is trained using historical outage records enriched with meteorological variables and construction-related metadata, enabling accurate estimation of SAIDI while identifying influential variables at both global and local levels. In the second stage, the extracted feature importance is integrated into an Agentic RAG (Retrieval-Augmented Generation) system, which combines semantic retrieval with text generation using large language models to generate contextualized recommendations based on both structured and unstructured data. Additionally, the system produces interpretable reasoning graphs that explain the decision-making process of the intelligent agent. The results show that the TabNet model achieved a coefficient of determination of R² = 0.88 for the SAIDI indicator, identifying precipitation, wind gusts, cloud cover, minimum current, and conductor gauge as the most relevant variables, explaining 67.3% of the observed variability. The Agentic RAG system achieved a BERTScore of 0.956 for tabular queries, 0.984 for regulatory interpretation, and 0.743 for recommendation generation. Furthermore, the system generates interpretable reasoning graphs that enhance transparency and trust. These results were validated using real-world data from CHEC, demonstrating the applicability of the proposed methodology in operational environments (Texto tomado de la fuente).
Regularized lightweight deep learning for semantic image segmentation
(Universidad Nacional de Colombia, 2025) Iturriago Salas, Lucas Miguel; Álvarez Meza, Andrés Marino; Iturriago Salas, Lucas Miguel [0002096549]; Iturriago Salas, Lucas Miguel [LJMF630AAAAJ&hl]; Iturriago Salas, Lucas Miguel [0009000310579095]; Grupo de Control y Procesamiento Digital de Señales
Semantic image segmentation holds immense potential for transformative applications in critical domains such as healthcare and agriculture. However, the practical deployment of deep learning models is often hindered by three fundamental challenges: the high variability of real-world input data, the cost and inconsistency of annotations, and the computational demands of state-of-the-art architectures. While existing methods achieve high accuracy under controlled conditions, they often lack the robustness and efficiency required to overcome these practical hurdles, limiting their generalization to diverse, resource-constrained environments. This thesis proposes a regularized, lightweight deep learning framework designed to maintain high accuracy and robustness in semantic segmentation across diverse datasets, variable imaging conditions, and application domains, while ensuring efficient deployment in resource-constrained environments. The framework is built on a systematic approach that addresses the entire modeling pipeline, from baseline evaluation to final deployment. To achieve this, three main strategies were developed. First, a comprehensive comparative analysis of canonical segmentation architectures on four heterogeneous datasets was conducted to establish robust baselines and identify the limitations of existing models. This revealed that encoder-decoder architectures like U-Net offer superior generalization but struggle with specific challenges like class imbalance and fine-detail preservation. Second, to tackle annotation noise and disagreement, a novel multi-annotator learning framework, AnnotHarmony, was proposed, centered on a new loss function (TGCESSPS). This approach successfully learns from noisy, sparse, and crowdsourced labels by modeling annotator reliability at the pixel level, outperforming traditional aggregation methods in preserving clinically relevant details. Third, the most effective models were optimized and evaluated for their generalization capacity and computational efficiency. This culminated in the successful deployment of lightweight models on edge devices, including a Raspberry Pi for automated agricultural monitoring and a mobile application for real-time clinical support, demonstrating a practical balance between performance and efficiency. In conclusion, this work bridges the gap between theoretical research and practical application by delivering a holistic framework for developing robust, resilient, and efficient semantic segmentation systems. The methodologies presented advance the state of the art by enabling reliable model training with imperfect data and facilitating the deployment of computer vision solutions in real-world, resource-limited settings, thereby increasing their potential impact in critical fields (Texto tomado de la fuente).
Predicción de la tasa de desempleo en Colombia a través de machine learning interpretable
(Universidad Nacional de Colombia, 2025) Manrique Cabezas , Diego Alejandro; Castellanos Domínguez, Germán; Álvarez Meza, Andrés Marino; Grupo de Control y Procesamiento Digital de Señales
El estudio del desempleo y su predicción precisa revisten una importancia crítica para la formulación de políticas públicas efectivas. La tasa de desempleo no solo refleja el estado del mercado laboral, sino que también tiene implicaciones profundas en el crecimiento económico, la distribución del ingreso y la estabilidad social. En economías emergentes como la colombiana, caracterizadas por alta informalidad, disparidades regionales y sensibilidad a los ciclos económicos, comprender las dinámicas del desempleo resulta fundamental para promover un desarrollo sostenible y equitativo. Esta tesis aborda tres problemáticas centrales que dificultan el análisis riguroso del desempleo en Colombia. En primer lugar, la ausencia de bases de datos estructuradas que integren atributos monetarios y socioeconómicos limita la capacidad de modelar el fenómeno con precisión. En segundo lugar, la naturaleza no lineal y no estacionaria de las series temporales asociadas al desempleo exige codificaciones más sofisticadas para capturar patrones complejos. En tercer lugar, se requiere identificar características relevantes que reflejen patrones locales y que, además de ser interpretables, posean capacidad predictiva. En respuesta a estos desafíos, este trabajo propone un marco explicable de aprendizaje automático para la predicción de la tasa de desempleo en Colombia, estructurado en tres etapas: primero, la construcción de un conjunto de datos con información monetaria y socioeconómica, reconociendo las dificultades que impone la naturaleza no estacionaria y no lineal de los datos económicos; segundo, la identificación y análisis de patrones mediante UMAP y Local Biplot, que permiten reducir la dimensionalidad, agrupar observaciones y visualizar la contribución de las variables a través de transformaciones afines locales; y tercero, el modelado predictivo con Procesos Gaussianos, acompañado de un análisis de relevancia supervisado y no-supervisado basado en kernels para determinar la importancia relativa de cada variable. Este enfoque híbrido busca integrar precisión, capacidad de representación y explicabilidad, ofreciendo un aporte tanto a la investigación académica como al diseño de políticas públicas para el país. Los resultados obtenidos en este trabajo evidencian mejoras significativas en la identificación de patrones, la visualización de relaciones entre variables y la precisión de las predicciones, en comparación con métodos tradicionales; introduciendo un marco híbrido explicable para pronosticar la tasa de desempleo en Colombia, combinando el UL-Biplot (UMAP Local Biplot) con una regresión de Proceso Gaussiano (GP). Por su parte, el componente no supervisado reveló estructuras latentes y clústeres asociados a shocks políticos y eventos económicos críticos, destacando la importancia de variables como la participación laboral, los salarios reales y la actividad económica. Paralelamente, el modelo GP superó a enfoques tradicionales (ARIMA, Lasso, ElasticNet, SVR) en precisión y estabilidad, ofreciendo interpretabilidad mediante análisis de relevancia basado en kernels. De este modo, este marco no solo mejora la capacidad predictiva frente a escenarios no lineales e inciertos, sino que también aporta valor para la política pública al anticipar riesgos laborales, mapear patrones económicos y facilitar intervenciones específicas basadas en evidencia. Como trabajo futuro, se propone ampliar los datos con indicadores regionales, explorar modelos probabilísticos de aprendizaje profundo e integrar variables económicas, sociopolíticas y cualitativas para fortalecer la generalización y la utilidad del modelo en la toma de decisiones (Texto tomado de la fuente).
An explainable Kernel-driven approach for reliable supervised learning
(Universidad Nacional de Colombia, 2025) Lugo Rojas, Juan Camilo; Álvarez Meza, Andrés Marino; Lugo Rojas, Juan Camilo [0002054445]; Lugo Rojas, Juan Camilo [WE7a9rAAAAAJ]; Lugo Rojas, Juan Camilo [0009000299456421]; Grupo de Control y Procesamiento Digital de Señales
Kernel methods provide a principled and mathematically rigorous framework for machine learning, offering strong generalization guarantees and natural mechanisms for uncertainty quantification. Despite these advantages, their adoption in modern large-scale and heterogeneous scenarios has been hindered by computational limitations, sensitivity to noisy or inconsistent supervision, and difficulties in extending them to structured or non-Euclidean data. Addressing these challenges is crucial to preserve the theoretical strengths of kernel methods while making them viable for contemporary applications in artificial intelligence. The main problem tackled in this thesis is the limited practicality of kernel methods in real-world machine learning tasks, where three factors are especially restrictive: the computational cost of scaling to large datasets, the fragility of kernel-based models under noisy or multi-annotator supervision, and the difficulty of interpreting or applying them in settings where structure and reliability are central. This thesis addresses these issues through three complementary research directions: scalability, robustness, and interpretability. First, we introduce CRFFDT-Net, a scalable architecture based on Convolutional Random Fourier Features, which achieves competitive accuracy for Automatic Modulation Classification while significantly reducing computational cost. Second, we propose the MAR-CCGP framework, a robust Gaussian process model that captures inter-annotator correlations and input-dependent noise, enabling reliable regression under heterogeneous and noisy supervision in both semi-synthetic and real sensory datasets. Third, we extend interpretability in kernel-based learning by analyzing GradCAM++ maps for deep architectures in signal classification and by deriving localized trustworthiness measures for multi-annotator regression, thus providing new perspectives on model reasoning and annotator reliability. Overall, this thesis demonstrates that kernel methods, when enhanced with scalable approximations, robust probabilistic formulations, and principled interpretability tools, remain a powerful paradigm for machine learning in modern contexts. The proposed contributions bridge theoretical elegance and practical applicability, offering efficient, reliable, and interpretable solutions. These results open promising directions for future research, including advanced random feature variants, richer Gaussian process formulations, and new interpretability frameworks that connect kernel-based representations with deep architectures in increasingly complex domains (Texto tomado de la fuente).
Evaluación de la medición de potencia y energía reactiva en sistemas con generación distribuida
(Universidad Nacional de Colombia, 2025) Chamorro Infante, Juan José; Osorio Londoño, Gustavo Adolfo; Chamorro Infante, Juan José [0002054445]; Chamorro Infante, Juan José [WE7a9rAAAAAJ]; Chamorro Infante, Juan José [0009000299456421]; Bolaños Navarrete, Mario Andres; Castaño Ortegon, Manuela; Pisso Ramirez, Gustavo Andres; Percepción y Control Inteligente (Pci); Pelaez, Hamilton
La creciente integración de generación distribuida ha transformado el comportamiento de los sistemas eléctricos, introduciendo nuevos desafíos en la medición energética y en la estabilidad operativa de la red. En particular, la inyección de potencia por parte de auto generadores en redes monofásicas y trifásicas puede alterar el flujo de potencia activa y reactiva, generando desbalances y afectando la precisión de los registros energéticos. Este trabajo de investigación analiza el impacto de la generación distribuida sobre la medición de potencia y energía reactiva, considerando diferentes configuraciones de carga (balanceadas y desbalanceadas) y tipos de conexión (estrella y delta). Se abordan comparaciones entre métodos de cálculo de potencia aparente (vectorial, aritmético y efectivo) y se evalúan las implicaciones del factor de potencia en la eficiencia del sistema. A través de mediciones experimentales, se evidencian los errores introducidos por la dinámica de carga y se propone una interpretación más precisa de los registros energéticos en presencia de generación distribuida. Los resultados permiten avanzar en estrategias de gestión energética más confiables, en el diseño de esquemas de compensación reactiva y en la mejora de los sistemas de medición en redes eléctricas modernas. Esta investigación también ofrece insumos técnicos para futuras regulaciones que consideren el comportamiento real de los sistemas con auto generadores (Texto tomado de la fuente).
Automatic modulation classification for software defined radios : a deep learning approach
(Universidad Nacional de Colombia, 2025) Mosquera Trujillo, Carlos Enrique; Álvarez Meza, Andrés Marino; Collazos Huertas, Diego Fabián; Mosquera Trujillo, Carlos Enrique [0001997126]; Mosquera Trujillo, Carlos Enrique [0009000857193516]; Mosquera Trujillo, Carlos Enrique [0000000303089576]; Mosquera Trujillo, Carlos Enrique [0000000204343444]; Grupo de Control y Procesamiento Digital de Señales
The exponential growth of wireless communications, driven by technologies such as 5G, 6G, and the Internet of Things (IoT), has led to unprecedented radio spectrum congestion. In this environment, Automatic Modulation Classification (AMC) has emerged as a critical technology for intelligent and adaptive spectrum management. However, the practical implementation of Deep Learning (DL) models, which dominate the state of the art, is hindered by three fundamental challenges: their high computational complexity, their lack of robustness to dynamic channel conditions, and their "black-box" nature, which limits their reliability in critical applications. This document presents a comprehensive solution to these challenges: an AMC pipeline based on a novel lightweight neural network architecture, named ComplexMobileNet-AMC. To address robustness, the pipeline incorporates an adaptive pre-processing stage based on Random Fourier Features (RFF) for signal reconstruction and a modulation-aware, stochastic data augmentation strategy. For efficiency, the model architecture combines complex-valued convolutions, depthwise separable blocks, and self-attention mechanisms to minimize computational load without sacrificing accuracy. Finally, for interpretability, an "interpretable-by-design" approach is adopted, using the model’s internal attention weights to generate physics-grounded explanations in the time, phase, and frequency domains. Experimental results demonstrate that the proposed model is not only competitive with stateof-the-art architectures in terms of accuracy but significantly surpasses them in efficiency. In deployments on edge hardware such as Software-Defined Radios (SDR) and devices like the NVIDIA Jetson Nano, the model is between 2 and 6 times faster than reference models. The interpretability analysis confirms that the model learns to identify physically relevant features, such as the symbol rate of digital modulations. The entire system is validated in a functional over-the-air (OTA) transmission and reception prototype with a real-time monitoring GUI. This holistic approach positions the proposed solution as a robust, efficient, and transparent methodology for the practical deployment of AMC in next-generation communication systems.
Medical image segmentation in a multiple labelers context : application to the study of histopathology
(Universidad Nacional de Colombia, 2025) Lotero Londoño, Brandon; Álvarez Meza, Andrés Marino; Castellanos Domínguez, Germán; Lotero Londoño, Brandon [0001836907]; Lotero Londono, Brandon [H2E8Kd8AAAAJ]; Lotero Londoño, Brandon [0009000844326383]; Lotero Londoño, Brandon [Brandon-Lotero]; Grupo de Control y Procesamiento Digital de Señales
Breast cancer remains one of the deadliest diseases affecting women worldwide, making accurate diagnosis and treatment planning crucial for improving patient outcomes. Semantic segmentation of histopathology images plays a vital role in this process, as it enables precise identification and analysis of tissue structures. However, the current approaches face significant challenges in real-world scenarios where multiple annotators with varying expertise and reliability contribute to the labeling process. This crowdsourcing paradigm, while cost-effective, introduces inconsistencies that can compromise the quality of the segmentation results. This thesis addresses two fundamental challenges in medical image segmentation: the inherent uncertainty in multiple annotator scenarios and the need for robustsegmentation models that can handle varying image quality and annotator expertise. These challenges arise from the complex nature of histopathology images, where tissue structures can be ambiguous, and the varying levels of expertise among annotators lead to inconsistent labeling patterns. Additionally, the high cost and time requirements for expert annotations create a need for efficient solutions that can work with crowdsourced data. To address these challenges, this thesis proposes a comprehensive approach that combines novel loss functions with robust deep learning architectures to handle multiple annotator scenarios effectively. The first objective introduces a novel loss function that implicitly infers optimal segmentation while assessing labeler reliability without requiring explicit performance inputs. This approach differs from conventional methods by eliminating the need for direct supervision of labeler performance, instead using an intermediate reliability map that enables the model to prioritize information from reliable labelers while disregarding noisy labels. The mathematical foundation of this approach lies in the probabilistic modeling of annotator reliability across the input space. The second objective focuses on the development of a robust segmentation architecture that combines the strengths of U-shaped deep learning models with the proposed reliability-aware loss function. This combination enables the model to learn both the segmentation task and the reliability patterns simultaneously, leading to more accurate and consistent results. The architecture’s key innovation lies in its ability to adapt to varying image quality and annotator expertise levels without requiring explicit performance metrics. The third objective involves validating the proposed approach through extensive experimentation on both synthetic datasets and real-world histopathology images. The evaluation demonstrates superior performance compared to state-of-the-art approaches in terms of segmentation accuracy and uncertainty quantification. The results show that the proposed method can effectively handle inconsistent annotations while maintaining high segmentation accuracy, making it particularly valuable for clinical applications. The research makes significant contributions to the field by providing a robust solution for handling inconsistent annotations in medical image segmentation, particularly valuable in histopathology where expert annotations are expensive and time-consuming to obtain. The proposed approach shows promising results in reducing annotation costs while maintaining high segmentation accuracy, making it particularly relevant for clinical applications where precise segmentation of tissue structures is crucial for diagnosis and treatment planning. This work opens new research directions in the areas of crowdsourced medical image analysis, uncertainty quantification in deep learning, and the development of more efficient annotation protocols for medical imaging (Texto tomado de la fuente).
Desarrollo de algoritmo de generación de contenido procedimental para la producción de mapas en videojuegos de plataforma 2D condicionados a rostros de jugadores usando técnicas de aprendizaje de máquina
(Universidad Nacional de Colombia, 2024) Guarín Martínez, Daniel Felipe; Gómez Mendoza, Juan Bernardo; Álvarez Meza, Andrés Marino; Percepción y Control Inteligente (Pci); Grupo de Control y Procesamiento Digital de Señales
La personalización de contenido en videojuegos a partir de las emociones del jugador es un área de gran interés para crear experiencias más inmersivas y adaptativas. Sin embargo, su aplicación se enfrenta a desafíos fundamentales: la dificultad para sincronizar los datos del juego con las respuestas emocionales, la alta variabilidad en la forma en que cada individuo expresa sus emociones y la complejidad de establecer una correlación robusta entre ambos. Esta tesis aborda estos problemas mediante un enfoque metodológico de dos fases. Primero, se desarrolló un pipeline para procesar y sincronizar datos multimodales del dataset público Toadstool, que contiene game-data de Super Mario Bros y vídeos faciales de los jugadores. Un análisis cuantitativo mediante Correlación Canónica (CCA) y t-SNE reveló que no existe una correlación lineal universal entre las emociones y los eventos del juego, demostrando que las respuestas emocionales son fuertemente sujeto-dependientes. A partir de este hallazgo, la segunda fase se centró en la creación de un sistema de Generación Procedimental de Contenido (PCG) personalizado. Se desarrolló un modelo para un único sujeto (el más expresivo del dataset), asumiendo que para un individuo específico sí puede existir una relación más simple. Este pipeline utiliza un Autoencoder Variacional (VAE) para codificar la estructura de los niveles y un Análisis de Componentes Principales (PCA) que actúa como un ”traductor” lineal, mapeando el espacio latente de las expresiones faciales del jugador al espacio latente de los niveles. Los resultados fueron validados comparando los niveles generados por el pipeline con los niveles originales correspondientes a cada expresión facial de entrada. La evaluación cualitativa mostró una notable similitud visual y estructural. Cuantitativamente, el modelo alcanzó un Coeficiente de Dice promedio de 0.78, confirmando una alta fidelidad estructural. Se concluye que es factible generar contenido de juego coherente condicionado a las expresiones faciales de un jugador específico. La novedad de esta propuesta radica en demostrar la viabilidad de un enfoque sujeto-dependiente, que elude el problema de la variabilidad intersujeto y establece una base sólida para futuros sistemas de videojuegos verdaderamente adaptativos (Texto tomado de la fuente).
Multimodal explainability using class activation maps and canonical correlation analysis for EEG-based motor imagery classification enhancement
(Universidad Nacional de Colombia, 2025-01-10) Loaiza Arias, Marcos; Alvarez Meza, Andres Marino; Castellanos Dominguez, Cesar German; Loaiza Arias, Marcos [0001836881]; Loaiza Arias, Marcos [7UcdYLQAAAAJ]; Loaiza Arias, Marcos [0000000337575089]; Grupo de Control y Procesamiento Digital de Señales
Brain-Computer Interfaces (BCIs) are essential in advancing medical diagnosis and treatment by providing non-invasive tools to assess neurological states. Among these, Motor Imagery (MI), where patients mentally simulate motor tasks without physical movement, has proven to be an effective paradigm for diagnosing and monitoring neurological conditions. Electroencephalography (EEG) is widely used for MI data collection due to its high temporal resolution, cost-effectiveness, and portability. However, EEG signals can be noisy from several sources, including physiological artifacts and electromagnetic interference. They can also vary from person to person, which makes it harder to extract features and understand the signals. Additionally, this variability, influenced by genetic and cognitive factors, presents challenges for developing subject-independent solutions. To address these limitations, this work presents a Multimodal and Explainable Deep Learning (MEDL) approach for MI-EEG classification and physiological interpretability. Our approach involves: i) evaluating different deep learning (DL) models for subject-dependent MI-EEG discrimination; ii) employing Class Activation Mapping (CAM) to visualize relevant MI-EEG features; and iii) utilizing a Questionnaire-MI Performance Canonical Correlation Analysis (QMIP-CCA) to provide multidomain interpretability. On the GIGAScience MI dataset, experiments show that shallow neural networks are good at classifying MI-EEG data, while the CAM-based method finds spatio-frequency patterns. Moreover, the QMIP-CCA framework successfully correlates physiological data with MI-EEG performance, offering an enhanced, interpretable solution for BCIs (Texto tomado de la fuente).
Diseño de un modelo computacional para la gestión inteligente de la información en los transformadores de potencia a partir de fuentes del Internet de la Energía (IoE)
(Universidad Nacional de Colombia, 2024) Tabares Galvis, Yoiner; Carvajal Quintero, Sandra Ximena; Environmental Energy and Education Policy E3P
Este proyecto investigativo presenta un prototipo computacional diseñado para obtener valor, optimizar la vida útil de los activos en especial de los transformadores de potencia, mediante la integración de datos y procesos en un ecosistema de Internet de la Energía (IoE). La integración de conceptos relacionados con la gestión de activos en los transformadores de potencia de las redes de distribución en Colombia requiere una metodología estructurada. Se propone metodología híbrida que combina el enfoque de pensamiento de diseño, con énfasis en el cumplimiento de la norma de Gestión de Activos (International Organization for Standardization, 2014) con tecnologías de vanguardia como Internet de las Energía y estándar como CRISP-DM. El prototipo busca caracterizar, comprender el comportamiento y facilitar la interacción del transformador de potencia como activo físico productivo de la red eléctrica, mejorar su gestión y seguridad. El dispositivo Coresense ubicado en activos de la Central Hidroeléctrica de Caldas de acuerdo con la criticidad permite a través de sensores recolectar datos en tiempo real sobre variables como temperatura de aceite, el hidrogeno y la humedad de los transformadores de potencia. La plataforma tecnológica actúa como un ecosistema para procesar y almacenar estos datos. El análisis de la información genera indicadores que ayudan en la gestión y mantenimiento preventivo, prolongando la vida útil de los activos. El análisis y visualización de datos en tiempo real permite optimizar la distribución de la energía, ya que se lograría tomar decisiones sobre posibles reemplazos de equipos o solamente necesidades de mantenimiento de los activos, a partir de medir el desempeño y comparar con los estándares internacionales (EIMAC, 2024) y según el activo estudiado, determinar escenarios de operación que permitan mejorar la eficiencia de la red, y de esta manera impactar en la reducción de los costos de mantenimiento, reparación e interrupciones en el servicio, tal como lo plantea debe ser realizada la operación de las redes de distribución según la regulación colombiana (Comisión de Regulación de Energía y Gas, 2018) Para lograr la visualización de información en la gestión de activos de transformadores de potencia, se requiere implementar un panel interactivo que presenta de manera clara las asociaciones entre variables y los comportamientos tempranos del equipo. Este panel se propone que integre gráficos y análisis de datos, facilitando la identificación de patrones y anomalías que podrían señalar problemas inminentes. Lo anterior es la base para comenzar con la implementación de un prototipo computacional que ofrezca una solución tecnológica, fundamentando un ecosistema basado en el concepto IoE, para gestionar la seguridad, confiabilidad y vida útil de los activos en una red de distribución eléctrica (Iberdrola, 2024) (Texto tomado de la fuente).
EEG-based pain detection using gaussian functional connectivity and shallow deep learning with preserved interpretability
(Universidad Nacional de Colombia, 2024) Buitrago Osorio, Santiago; Álvarez Meza, Andrés Marino; Castellanos Domínguez, César Germán; Buitrago Osorio, Santiago [0009000924124570]; Grupo de Control y Procesamiento Digital de Señales
This thesis presents an innovative approach for EEG-based pain classification, addressing the persistent challenge of intra and inter-subject variability. Leveraging Gaussian Functional Connectivity and shallow deep learning models, the study introduces a kernel-based functional connectivity method for single-trial pain classification. The proposed model optimizes spatio- temporal-frequency patterns through a cross-spectral distribution estimator, utilizing the universal approximation properties of the Gaussian kernel to improve feature extraction. This approach is designed to enhance interpretability, making it particularly suitable for brain-machine interface applications. The research also explores multi-modal analysis, incorporating demographic stratification techniques based on factors such as gender, age, and training performance. These strategies significantly improve the model’s generalization ability, yielding competitive performance metrics such as accuracy and AUC scores, while maintaining a high level of transparency in the decision-making process. By integrating frequency band filtering and advanced techniques like Grad-CAM++, the study provides deeper insights into the neural correlates of pain, bridging the gap between model performance and interpretability. Through extensive validation using EEG databases, the results demonstrate that the proposed methods outperform state-of-the-art models like EEGNet, offering superior classification accuracy across diverse subject groups. The findings of this research contribute to both the development of more effective pain assessment methodologies and the advancement of transparent deep learning models in clinical neurotechnology (Texto tomado de la fuente).
Determinación del potencial energético solar en La Dorada Caldas
(Universidad Nacional de Colombia, 2024) Buitrago Paternina, Diego; Toro García, Nicolás; Ruíz Mendoza, Belizza Janet; Buitrago Paternina, Diego [https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000056353]; Buitrago Paternina, Diego [https://orcid.org/0000000212702128]; Grupo de Investigación en Recursos Energéticos Gire; Gipem Grupo de Investigación en Potencia, Energía y Mercados
La energía solar es una fuente de energía renovable y limpia que se utiliza cada vez más para satisfacer la demanda energética mundial. Sin embargo, la cantidad de energía solar disponible en un lugar específico depende en gran medida de las variables meteorológicas, como la cantidad de luz solar, la nubosidad y la temperatura. El conocimiento de las variables meteorológicas es fundamental para evaluar el potencial de la energía solar y predecir la evolución de la irradiación en una serie temporal. Para lograr esto, se requiere una evaluación cuantitativa y cualitativa más precisa utilizando diversas técnicas, incluyendo modelos basados en el brillo solar, modelos basados en temperatura, nubosidad y otros parámetros meteorológicos. Con el fin de adaptarse adecuadamente al cambio climático, es importante destacar que los registros proporcionados por el IDEAM para las variables meteorológicas a menudo presentan errores, datos atípicos y faltantes. Como resultado, es necesario llevar a cabo un proceso riguroso de control de calidad para garantizar la fiabilidad de los datos obtenidos de la estación meteorológica. En este sentido, se llevó a cabo un proceso de imputación para el llenado de los datos faltantes en la serie temporal, utilizando técnicas estadísticas apropiadas y de interpolación. Este proceso permitió obtener una serie temporal más completa y precisa, lo que a su vez facilitó el cálculo de la insolación solar con un promedio anual de 5831 Wh/m2year, y el cálculo de los modelos empíricos basados en temperatura con un promedio anual de 5683 Wh/m2year. El fenómeno ENSO se reconoce como un factor importante que afecta la precisión de los modelos empíricos utilizados para estimar el potencial de energía solar. Dado que los datos de irradiación solar pueden ser menos consistentes que los datos de temperatura, es crucial realizar una validación cuidadosa del impacto del ENSO en los cálculos anuales. Para garantizar la calidad de los datos, se recomienda mantener los instrumentos de medición en buenas condiciones, instalar estaciones meteorológicas auxiliares, utilizar técnicas de interpolación y estadísticas para completar los datos faltantes adquiridos en la serie temporal. El autor propone estas soluciones para mejorar la confiabilidad del sistema de almacenamiento de datos y mejorar la precisión del cálculo. Se utilizaron varios métodos estadísticos para evaluar la precisión de los resultados en los modelos empíricos de temperatura seleccionados para el cálculo de la insolación solar, incluyendo el coeficiente de determinación (𝑅2), el error cuadrático medio (RMSE), el error de sesgo medio (MBE) y el error absoluto medio de sesgo (MABE). Los resultados indicaron que todos los métodos empíricos tenían un ajuste similar según el 𝑅2, pero los métodos de Chen et al., Hunt et al. y Mahmood and Hubbard fueron los mejores para llenar los datos faltantes en términos de MABE. Sin embargo, el error porcentual medio (MPE) arrojó un valor negativo, lo que indica una sobreestimación de los resultados de insolación solar para el año de calibración y se eligen los métodos empíricos de Chen et al., Hunt et al., para el cálculo de la insolación solar en la serie temporal completa (Texto tomado de la fuente).
Physics-informed neural networks-based optimization for gas-powered energy systems
(Universidad Nacional de Colombia, 2024) Pérez Rosero, Diego Armando; Álvarez Meza, Andrés Marino; Castellanos Domínguez, César Germán; Pérez Rosero, Diego Armando [https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001779699]; Pérez Rosero, Diego Armando [https://scholar.google.com/citations?user=IF9Bxe0AAAAJ&hl=es&oi=ao]; Pérez Rosero, Diego Armando [0000-0001-9258-7088]; Grupo de Control y Procesamiento Digital de Señales
La transición global hacia un paradigma energético sostenible destaca tanto la persistencia de los combustibles fósiles como el auge de las fuentes de energía renovable. En este contexto, la adopción de tecnologías basadas en turbinas de gas surge como una opción viable que minimiza el impacto ambiental al reducir las emisiones y los costos operativos. Aunque se espera que la demanda de combustibles fósiles para la generación de electricidad aumente hasta 2030, paralelamente a este evento, se prevé una inversión considerable en energía renovable, especialmente en los sectores solar y eólico. América Latina, con una notable capacidad hidroeléctrica de 340,332 MW, está a la vanguardia de los esfuerzos de mitigación de emisiones de carbono. Sin embargo, la región enfrenta desafíos, incluida la dependencia de combustibles importados y la fragilidad de su infraestructura energética. En Colombia, la variabilidad climática impulsa la diversificación energética. La Comisión de Regulación de Energía y Gas (CREG) tiene como objetivo optimizar el transporte de gas, consciente de la limitación temporal de las reservas actuales, estimadas en solo siete años. El modelo lineal utilizado tradicionalmente por CREG, aunque efectivo para ciertos propósitos, no considera factores críticos como las variaciones de presión y el papel de las estaciones de compresión, revelando la necesidad de un modelo de optimización no lineal (NOPT). Sin embargo, los desafíos de NOPT incluyen la gestión de datos variables y mediciones ruidosas, lo que puede llevar a soluciones erróneas o subóptimas. Este documento presenta un nuevo enfoque: la Red Neuronal Informada por la Física Regularizada (RPINN), diseñada para abordar tanto tareas de optimización supervisada como no supervisada. RPINN combina funciones de activación personalizadas y penalizaciones de regularización dentro de una arquitectura de red neuronal artificial (ANN), lo que le permite manejar la variabilidad de los datos y entradas inexactas. Incorpora principios físicos en el diseño de la red, calculando variables de optimización a partir de los pesos de la red y las características aprendidas. Además, emplea técnicas de diferenciación automática para optimizar la escalabilidad del sistema y reducir el tiempo de cálculo mediante la retropropagación por lotes. Los resultados experimentales demuestran que RPINNes competitivo con los solucionadores de última generación para tareas de optimización supervisada y no supervisada, mostrando robustez frente a mediciones ruidosas. Este avance lo posiciona como una solución prometedora para entornos con información fluctuante, como se evidencia en los modelos de mezcla uniforme y sistemas alimentados por gas. La base ANN de RPINN no solo asegura flexibilidad y escalabilidad, sino que también destaca su potencial como una metodología robusta y efectiva en comparación con la tradicional (Texto tomado de la fuente)
Desarrollo de un módulo de sincronismo para un sistema MDF-GIS de detección, localización y monitoreo de descargas atmosféricas en tiempo real
(Universidad Nacional de Colombia, 2022) Sánchez Cruz, Yerly Adalberto; DIAZ CADAVID, LUIS FERNANDO; Gtt Grupo de Investigación en Telemática y Telecomunicaciones
Las descargas eléctricas atmosféricas comúnmente conocidas como “rayos”, constituyen un fenómeno natural que ha estado presente sobre el planeta tierra desde sus inicios hace 3 billones de años, siendo las zonas tropicales y subtropicales donde la actividad de rayos es más común. Se estima que, en cualquier instante dado, hay alrededor de 1.800 tormentas eléctricas que se están formando sobre la superficie de la tierra y que la intensidad media de descarga de un rayo se encuentra alrededor de los 20.000 amperios. El rayo es una descarga eléctrica de origen atmosférico que en la mayoría de los casos se da entre nube - tierra (rayo negativo), y es causada por el fuerte campo eléctrico que existe en la carga positiva P situada debajo de la nube y la carga negativa N de la base de la nube. Una vez que la nube de tormenta se ha cargado hasta el punto en el que el campo eléctrico excede la rigidez dieléctrica local de la atmósfera, se da inicio a una descarga eléctrica atmosférica o rayo. Teniendo en cuenta la importancia del fenómeno descrito, se presenta el siguiente trabajo de tesis donde se expone el desarrollo de un módulo de sincronismo para un sistema MDF -GIS de detección, localización y monitoreo de descargas atmosféricas en tiempo real, dando continuidad a las investigaciones realizadas anteriormente dentro del grupo de investigación GTT (Grupo de investigación en telemática y telecomunicaciones) con respecto al estudio de descargas eléctricas atmosféricas tomando como base la teoría de las radiocomunicaciones (Texto tomado de la fuente)

Examinar

Envíos recientes