Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias
- Autores
- Cerrotta, Santiago; Morel, Eneas Nicolas; Cerrotta, Santiago
- Año de publicación
- 2022
- Idioma
- español castellano
- Tipo de recurso
- parte de libro
- Estado
- versión publicada
- Descripción
- Las Redes Neuronales Artificiales se han desarrollado y crecido de una manera considerable en los últimos años captando la atención no solo de la academia, sino también de disciplinas que van desde la medicina hasta las finanzas, interviniendo en problemáticas teóricas y también experimentales, que involucran a instituciones públicas como privadas y regiones locales como globales.Siempre es bueno recordar, y volver a disfrutar, la idea que dio inicio al surgimiento de las Redes Neuronales Artificiales. ¿Alguna vez pensaron en cómo un ser humano aprende a jugar al ping pong o identificaron los pasos que va dando un recién nacido hasta que consigue hablar fluidamente? Pocas son las personas que conocen las ecuaciones de movimiento de cuerpos esféricos inmersos en fluidos, que saben estimar la trayectoria de un movimiento paraboloide en fracciones de segundo, calcular el ángulo de impacto y velocidad necesaria de la paleta para colocar la pelota justo en el ángulo opuesto de la mesa. Menos aún son los y las niñas que conocen la anatomía de las cuerdas bocales, la construcción semántica de una oración unimembre o que realizan la transformada de Fourier para identificar las componentes espectrales propias de sus seres queridos. O que memorizan las veintitantas letras del abecedario y las 2000 palabras más usadas del idioma español. Sin embargo, muchas personas juegan al ping pong y aun muchas más saben hablar. Dado que el ser humano es capaz resolver de una manera sencilla, rápida y cotidiana problemáticas que ni la tecnología más innovadora consigue y además lo consigue sin la necesidad de solucionar ninguna ecuación diferencial. ¿Por qué en vez de formular teorías ultra racionales y modelos matemáticos con tantas hipótesis y descripciones algebraicas simplemente intentamos copiarnos (o mejor aún inspirarnos) del motor central de aprendizaje humano o también llamado Cerebro? Neuronas interconectadas con otras neuronas que reciben estímulos, se activan y transmiten nuevas respuestas que serán estímulos de otras conexiones neuronales y que ante sucesivas experiencias de aprendizaje logran moderar los estímulos para conseguir el objetivo deseado. He aquí las bases fundacionales de la Inteligencia Artificial y el Machine Learning. Estas no son técnicas nuevas, ya existen hace varias décadas, pero los avances progresivos en esta área sumado al aumento de la capacidad humana de generar, almacenar y transmitir grandes cantidades de información hicieron que estos últimos años se vuelva a realzar y valorizar su gran potencialidad. En los últimos 5 años la cantidad de publicaciones y relevancia en Inteligencia Artificial aumenta a pasos agigantados, según Google Scholar, dentro de las 10 publicaciones más citadas del año 2019 de todas las áreas más de un tercio son acerca de Redes Neuronales Artificiales. Dato que aumenta a más de un 40% para el año 2020. Además, en estos últimos años constantemente nuevas disciplinas están incorporando el uso de Inteligencia Artificial y Machine Learning. Algunas de sus finalidades son: mejorar su efectividad, automatizar procesos, detectar anomalías, reconocer comportamientos, manipular grandes cantidades de información, entre otros. El uso de Redes Neuronales Artificiales se suma, sin lugar a duda, al paradigma ya instalado de la interdisciplinaridad. Vivimos en una sociedad con un gran nivel de desarrollo y complejidad y a un ritmo acelerado, cada área del conocimiento a calado bien profundo en sus temáticas. El desafío disruptivo actual no pasa tanto por descubrir algo nuevo si no en adaptar el conocimiento existente de una disciplina a solucionar una problemática de otra. A entrecruzar los saberes y las necesidades para desarrollar nuevos enfoques teóricos y técnicos. Ya hace varias décadas que nos encontramos en la época de la Información, para tomar prácticamente cualquier decisión todas las áreas del conocimiento tienen que poder detectar (sea analógico, digital o de alguna otra manera), manipular, transformar y analizar datos para obtener información de valor. Tan importante es esta necesidad que, ya hace varios años, el procesamiento de señales se ha constituido en un área en sí y las redes neuronales en una de las herramientas de más desarrollo en la actualidad. Una característica muy interesante para analizar una señal es la velocidad con que se repite, es decir su frecuencia. Concepto central que nos ayuda a describir gran parte del universo que nos rodea. Nos permite explicar, por ejemplo: los movimientos oscilatorios que van desde resortes a modos vibracionales de moléculas, fenómenos ondulatorios de una ola en un estanque como de la luz viajando en el espacio, la transferencia de más de millones de símbolos por segundo a través de fibras ópticas, hasta incluso evidenciar la naturaleza cuántica del mundo de lo pequeño. Por este motivo estimar las frecuencias existentes en una señal es muy importante y hay mucho trabajo realizado sobre el tema.La interferometría es un conjunto de técnicas que basan en el principio de interferencia para la medición de diferentes fenómenos físicos, básicamente se centra en estudiar las maneras en que se combinan diferentes ondas electromagnéticas. Son muy utilizadas en aplicaciones que van desde la astronomía hasta la física nuclear pasando por metrología y espectroscopia entre otras. El resultado de superponer dos o más ondas que interfieren entre ellas es un patrón oscilante de intensidades, donde generalmente es en la frecuencia que se codifica la información de relevancia. Lo que se busca en este capítulo es justamente utilizar Redes Neuronales Artificiales para reemplazar herramientas convencionales del procesamiento de señales para aplicarlo en el área de interferometría de ondas electromagnéticas, puntualmente a la luz.
Fil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina
Fil: Morel, Eneas Nicolas. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina
Fil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina - Materia
-
Redes neuronales
Estimar frecuencias
Convolucionales
LCI - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/234570
Ver los metadatos del registro completo
id |
CONICETDig_64821a6c5aa43c8d41b6728c17eebe89 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/234570 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuenciasCerrotta, SantiagoMorel, Eneas NicolasCerrotta, SantiagoRedes neuronalesEstimar frecuenciasConvolucionalesLCIhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1Las Redes Neuronales Artificiales se han desarrollado y crecido de una manera considerable en los últimos años captando la atención no solo de la academia, sino también de disciplinas que van desde la medicina hasta las finanzas, interviniendo en problemáticas teóricas y también experimentales, que involucran a instituciones públicas como privadas y regiones locales como globales.Siempre es bueno recordar, y volver a disfrutar, la idea que dio inicio al surgimiento de las Redes Neuronales Artificiales. ¿Alguna vez pensaron en cómo un ser humano aprende a jugar al ping pong o identificaron los pasos que va dando un recién nacido hasta que consigue hablar fluidamente? Pocas son las personas que conocen las ecuaciones de movimiento de cuerpos esféricos inmersos en fluidos, que saben estimar la trayectoria de un movimiento paraboloide en fracciones de segundo, calcular el ángulo de impacto y velocidad necesaria de la paleta para colocar la pelota justo en el ángulo opuesto de la mesa. Menos aún son los y las niñas que conocen la anatomía de las cuerdas bocales, la construcción semántica de una oración unimembre o que realizan la transformada de Fourier para identificar las componentes espectrales propias de sus seres queridos. O que memorizan las veintitantas letras del abecedario y las 2000 palabras más usadas del idioma español. Sin embargo, muchas personas juegan al ping pong y aun muchas más saben hablar. Dado que el ser humano es capaz resolver de una manera sencilla, rápida y cotidiana problemáticas que ni la tecnología más innovadora consigue y además lo consigue sin la necesidad de solucionar ninguna ecuación diferencial. ¿Por qué en vez de formular teorías ultra racionales y modelos matemáticos con tantas hipótesis y descripciones algebraicas simplemente intentamos copiarnos (o mejor aún inspirarnos) del motor central de aprendizaje humano o también llamado Cerebro? Neuronas interconectadas con otras neuronas que reciben estímulos, se activan y transmiten nuevas respuestas que serán estímulos de otras conexiones neuronales y que ante sucesivas experiencias de aprendizaje logran moderar los estímulos para conseguir el objetivo deseado. He aquí las bases fundacionales de la Inteligencia Artificial y el Machine Learning. Estas no son técnicas nuevas, ya existen hace varias décadas, pero los avances progresivos en esta área sumado al aumento de la capacidad humana de generar, almacenar y transmitir grandes cantidades de información hicieron que estos últimos años se vuelva a realzar y valorizar su gran potencialidad. En los últimos 5 años la cantidad de publicaciones y relevancia en Inteligencia Artificial aumenta a pasos agigantados, según Google Scholar, dentro de las 10 publicaciones más citadas del año 2019 de todas las áreas más de un tercio son acerca de Redes Neuronales Artificiales. Dato que aumenta a más de un 40% para el año 2020. Además, en estos últimos años constantemente nuevas disciplinas están incorporando el uso de Inteligencia Artificial y Machine Learning. Algunas de sus finalidades son: mejorar su efectividad, automatizar procesos, detectar anomalías, reconocer comportamientos, manipular grandes cantidades de información, entre otros. El uso de Redes Neuronales Artificiales se suma, sin lugar a duda, al paradigma ya instalado de la interdisciplinaridad. Vivimos en una sociedad con un gran nivel de desarrollo y complejidad y a un ritmo acelerado, cada área del conocimiento a calado bien profundo en sus temáticas. El desafío disruptivo actual no pasa tanto por descubrir algo nuevo si no en adaptar el conocimiento existente de una disciplina a solucionar una problemática de otra. A entrecruzar los saberes y las necesidades para desarrollar nuevos enfoques teóricos y técnicos. Ya hace varias décadas que nos encontramos en la época de la Información, para tomar prácticamente cualquier decisión todas las áreas del conocimiento tienen que poder detectar (sea analógico, digital o de alguna otra manera), manipular, transformar y analizar datos para obtener información de valor. Tan importante es esta necesidad que, ya hace varios años, el procesamiento de señales se ha constituido en un área en sí y las redes neuronales en una de las herramientas de más desarrollo en la actualidad. Una característica muy interesante para analizar una señal es la velocidad con que se repite, es decir su frecuencia. Concepto central que nos ayuda a describir gran parte del universo que nos rodea. Nos permite explicar, por ejemplo: los movimientos oscilatorios que van desde resortes a modos vibracionales de moléculas, fenómenos ondulatorios de una ola en un estanque como de la luz viajando en el espacio, la transferencia de más de millones de símbolos por segundo a través de fibras ópticas, hasta incluso evidenciar la naturaleza cuántica del mundo de lo pequeño. Por este motivo estimar las frecuencias existentes en una señal es muy importante y hay mucho trabajo realizado sobre el tema.La interferometría es un conjunto de técnicas que basan en el principio de interferencia para la medición de diferentes fenómenos físicos, básicamente se centra en estudiar las maneras en que se combinan diferentes ondas electromagnéticas. Son muy utilizadas en aplicaciones que van desde la astronomía hasta la física nuclear pasando por metrología y espectroscopia entre otras. El resultado de superponer dos o más ondas que interfieren entre ellas es un patrón oscilante de intensidades, donde generalmente es en la frecuencia que se codifica la información de relevancia. Lo que se busca en este capítulo es justamente utilizar Redes Neuronales Artificiales para reemplazar herramientas convencionales del procesamiento de señales para aplicarlo en el área de interferometría de ondas electromagnéticas, puntualmente a la luz.Fil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; ArgentinaFil: Morel, Eneas Nicolas. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; ArgentinaFil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; ArgentinaUniversidad Tecnológica NacionalVorobioff, JuanMorel, Eneas Nicolas2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bookParthttp://purl.org/coar/resource_type/c_3248info:ar-repo/semantics/parteDeLibroapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/234570Cerrotta, Santiago; Morel, Eneas Nicolas; Cerrotta, Santiago; Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias; Universidad Tecnológica Nacional; 2022; 256-294978-987-4998-82-8CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/hdl/http://hdl.handle.net/20.500.12272/6113info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:31:33Zoai:ri.conicet.gov.ar:11336/234570instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:31:33.884CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
title |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
spellingShingle |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias Cerrotta, Santiago Redes neuronales Estimar frecuencias Convolucionales LCI |
title_short |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
title_full |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
title_fullStr |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
title_full_unstemmed |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
title_sort |
Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias |
dc.creator.none.fl_str_mv |
Cerrotta, Santiago Morel, Eneas Nicolas Cerrotta, Santiago |
author |
Cerrotta, Santiago |
author_facet |
Cerrotta, Santiago Morel, Eneas Nicolas |
author_role |
author |
author2 |
Morel, Eneas Nicolas |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Vorobioff, Juan Morel, Eneas Nicolas |
dc.subject.none.fl_str_mv |
Redes neuronales Estimar frecuencias Convolucionales LCI |
topic |
Redes neuronales Estimar frecuencias Convolucionales LCI |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.2 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
Las Redes Neuronales Artificiales se han desarrollado y crecido de una manera considerable en los últimos años captando la atención no solo de la academia, sino también de disciplinas que van desde la medicina hasta las finanzas, interviniendo en problemáticas teóricas y también experimentales, que involucran a instituciones públicas como privadas y regiones locales como globales.Siempre es bueno recordar, y volver a disfrutar, la idea que dio inicio al surgimiento de las Redes Neuronales Artificiales. ¿Alguna vez pensaron en cómo un ser humano aprende a jugar al ping pong o identificaron los pasos que va dando un recién nacido hasta que consigue hablar fluidamente? Pocas son las personas que conocen las ecuaciones de movimiento de cuerpos esféricos inmersos en fluidos, que saben estimar la trayectoria de un movimiento paraboloide en fracciones de segundo, calcular el ángulo de impacto y velocidad necesaria de la paleta para colocar la pelota justo en el ángulo opuesto de la mesa. Menos aún son los y las niñas que conocen la anatomía de las cuerdas bocales, la construcción semántica de una oración unimembre o que realizan la transformada de Fourier para identificar las componentes espectrales propias de sus seres queridos. O que memorizan las veintitantas letras del abecedario y las 2000 palabras más usadas del idioma español. Sin embargo, muchas personas juegan al ping pong y aun muchas más saben hablar. Dado que el ser humano es capaz resolver de una manera sencilla, rápida y cotidiana problemáticas que ni la tecnología más innovadora consigue y además lo consigue sin la necesidad de solucionar ninguna ecuación diferencial. ¿Por qué en vez de formular teorías ultra racionales y modelos matemáticos con tantas hipótesis y descripciones algebraicas simplemente intentamos copiarnos (o mejor aún inspirarnos) del motor central de aprendizaje humano o también llamado Cerebro? Neuronas interconectadas con otras neuronas que reciben estímulos, se activan y transmiten nuevas respuestas que serán estímulos de otras conexiones neuronales y que ante sucesivas experiencias de aprendizaje logran moderar los estímulos para conseguir el objetivo deseado. He aquí las bases fundacionales de la Inteligencia Artificial y el Machine Learning. Estas no son técnicas nuevas, ya existen hace varias décadas, pero los avances progresivos en esta área sumado al aumento de la capacidad humana de generar, almacenar y transmitir grandes cantidades de información hicieron que estos últimos años se vuelva a realzar y valorizar su gran potencialidad. En los últimos 5 años la cantidad de publicaciones y relevancia en Inteligencia Artificial aumenta a pasos agigantados, según Google Scholar, dentro de las 10 publicaciones más citadas del año 2019 de todas las áreas más de un tercio son acerca de Redes Neuronales Artificiales. Dato que aumenta a más de un 40% para el año 2020. Además, en estos últimos años constantemente nuevas disciplinas están incorporando el uso de Inteligencia Artificial y Machine Learning. Algunas de sus finalidades son: mejorar su efectividad, automatizar procesos, detectar anomalías, reconocer comportamientos, manipular grandes cantidades de información, entre otros. El uso de Redes Neuronales Artificiales se suma, sin lugar a duda, al paradigma ya instalado de la interdisciplinaridad. Vivimos en una sociedad con un gran nivel de desarrollo y complejidad y a un ritmo acelerado, cada área del conocimiento a calado bien profundo en sus temáticas. El desafío disruptivo actual no pasa tanto por descubrir algo nuevo si no en adaptar el conocimiento existente de una disciplina a solucionar una problemática de otra. A entrecruzar los saberes y las necesidades para desarrollar nuevos enfoques teóricos y técnicos. Ya hace varias décadas que nos encontramos en la época de la Información, para tomar prácticamente cualquier decisión todas las áreas del conocimiento tienen que poder detectar (sea analógico, digital o de alguna otra manera), manipular, transformar y analizar datos para obtener información de valor. Tan importante es esta necesidad que, ya hace varios años, el procesamiento de señales se ha constituido en un área en sí y las redes neuronales en una de las herramientas de más desarrollo en la actualidad. Una característica muy interesante para analizar una señal es la velocidad con que se repite, es decir su frecuencia. Concepto central que nos ayuda a describir gran parte del universo que nos rodea. Nos permite explicar, por ejemplo: los movimientos oscilatorios que van desde resortes a modos vibracionales de moléculas, fenómenos ondulatorios de una ola en un estanque como de la luz viajando en el espacio, la transferencia de más de millones de símbolos por segundo a través de fibras ópticas, hasta incluso evidenciar la naturaleza cuántica del mundo de lo pequeño. Por este motivo estimar las frecuencias existentes en una señal es muy importante y hay mucho trabajo realizado sobre el tema.La interferometría es un conjunto de técnicas que basan en el principio de interferencia para la medición de diferentes fenómenos físicos, básicamente se centra en estudiar las maneras en que se combinan diferentes ondas electromagnéticas. Son muy utilizadas en aplicaciones que van desde la astronomía hasta la física nuclear pasando por metrología y espectroscopia entre otras. El resultado de superponer dos o más ondas que interfieren entre ellas es un patrón oscilante de intensidades, donde generalmente es en la frecuencia que se codifica la información de relevancia. Lo que se busca en este capítulo es justamente utilizar Redes Neuronales Artificiales para reemplazar herramientas convencionales del procesamiento de señales para aplicarlo en el área de interferometría de ondas electromagnéticas, puntualmente a la luz. Fil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina Fil: Morel, Eneas Nicolas. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina Fil: Cerrotta, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina |
description |
Las Redes Neuronales Artificiales se han desarrollado y crecido de una manera considerable en los últimos años captando la atención no solo de la academia, sino también de disciplinas que van desde la medicina hasta las finanzas, interviniendo en problemáticas teóricas y también experimentales, que involucran a instituciones públicas como privadas y regiones locales como globales.Siempre es bueno recordar, y volver a disfrutar, la idea que dio inicio al surgimiento de las Redes Neuronales Artificiales. ¿Alguna vez pensaron en cómo un ser humano aprende a jugar al ping pong o identificaron los pasos que va dando un recién nacido hasta que consigue hablar fluidamente? Pocas son las personas que conocen las ecuaciones de movimiento de cuerpos esféricos inmersos en fluidos, que saben estimar la trayectoria de un movimiento paraboloide en fracciones de segundo, calcular el ángulo de impacto y velocidad necesaria de la paleta para colocar la pelota justo en el ángulo opuesto de la mesa. Menos aún son los y las niñas que conocen la anatomía de las cuerdas bocales, la construcción semántica de una oración unimembre o que realizan la transformada de Fourier para identificar las componentes espectrales propias de sus seres queridos. O que memorizan las veintitantas letras del abecedario y las 2000 palabras más usadas del idioma español. Sin embargo, muchas personas juegan al ping pong y aun muchas más saben hablar. Dado que el ser humano es capaz resolver de una manera sencilla, rápida y cotidiana problemáticas que ni la tecnología más innovadora consigue y además lo consigue sin la necesidad de solucionar ninguna ecuación diferencial. ¿Por qué en vez de formular teorías ultra racionales y modelos matemáticos con tantas hipótesis y descripciones algebraicas simplemente intentamos copiarnos (o mejor aún inspirarnos) del motor central de aprendizaje humano o también llamado Cerebro? Neuronas interconectadas con otras neuronas que reciben estímulos, se activan y transmiten nuevas respuestas que serán estímulos de otras conexiones neuronales y que ante sucesivas experiencias de aprendizaje logran moderar los estímulos para conseguir el objetivo deseado. He aquí las bases fundacionales de la Inteligencia Artificial y el Machine Learning. Estas no son técnicas nuevas, ya existen hace varias décadas, pero los avances progresivos en esta área sumado al aumento de la capacidad humana de generar, almacenar y transmitir grandes cantidades de información hicieron que estos últimos años se vuelva a realzar y valorizar su gran potencialidad. En los últimos 5 años la cantidad de publicaciones y relevancia en Inteligencia Artificial aumenta a pasos agigantados, según Google Scholar, dentro de las 10 publicaciones más citadas del año 2019 de todas las áreas más de un tercio son acerca de Redes Neuronales Artificiales. Dato que aumenta a más de un 40% para el año 2020. Además, en estos últimos años constantemente nuevas disciplinas están incorporando el uso de Inteligencia Artificial y Machine Learning. Algunas de sus finalidades son: mejorar su efectividad, automatizar procesos, detectar anomalías, reconocer comportamientos, manipular grandes cantidades de información, entre otros. El uso de Redes Neuronales Artificiales se suma, sin lugar a duda, al paradigma ya instalado de la interdisciplinaridad. Vivimos en una sociedad con un gran nivel de desarrollo y complejidad y a un ritmo acelerado, cada área del conocimiento a calado bien profundo en sus temáticas. El desafío disruptivo actual no pasa tanto por descubrir algo nuevo si no en adaptar el conocimiento existente de una disciplina a solucionar una problemática de otra. A entrecruzar los saberes y las necesidades para desarrollar nuevos enfoques teóricos y técnicos. Ya hace varias décadas que nos encontramos en la época de la Información, para tomar prácticamente cualquier decisión todas las áreas del conocimiento tienen que poder detectar (sea analógico, digital o de alguna otra manera), manipular, transformar y analizar datos para obtener información de valor. Tan importante es esta necesidad que, ya hace varios años, el procesamiento de señales se ha constituido en un área en sí y las redes neuronales en una de las herramientas de más desarrollo en la actualidad. Una característica muy interesante para analizar una señal es la velocidad con que se repite, es decir su frecuencia. Concepto central que nos ayuda a describir gran parte del universo que nos rodea. Nos permite explicar, por ejemplo: los movimientos oscilatorios que van desde resortes a modos vibracionales de moléculas, fenómenos ondulatorios de una ola en un estanque como de la luz viajando en el espacio, la transferencia de más de millones de símbolos por segundo a través de fibras ópticas, hasta incluso evidenciar la naturaleza cuántica del mundo de lo pequeño. Por este motivo estimar las frecuencias existentes en una señal es muy importante y hay mucho trabajo realizado sobre el tema.La interferometría es un conjunto de técnicas que basan en el principio de interferencia para la medición de diferentes fenómenos físicos, básicamente se centra en estudiar las maneras en que se combinan diferentes ondas electromagnéticas. Son muy utilizadas en aplicaciones que van desde la astronomía hasta la física nuclear pasando por metrología y espectroscopia entre otras. El resultado de superponer dos o más ondas que interfieren entre ellas es un patrón oscilante de intensidades, donde generalmente es en la frecuencia que se codifica la información de relevancia. Lo que se busca en este capítulo es justamente utilizar Redes Neuronales Artificiales para reemplazar herramientas convencionales del procesamiento de señales para aplicarlo en el área de interferometría de ondas electromagnéticas, puntualmente a la luz. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bookPart http://purl.org/coar/resource_type/c_3248 info:ar-repo/semantics/parteDeLibro |
status_str |
publishedVersion |
format |
bookPart |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/234570 Cerrotta, Santiago; Morel, Eneas Nicolas; Cerrotta, Santiago; Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias; Universidad Tecnológica Nacional; 2022; 256-294 978-987-4998-82-8 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/234570 |
identifier_str_mv |
Cerrotta, Santiago; Morel, Eneas Nicolas; Cerrotta, Santiago; Aplicaciones: Procesado de señales interferométricas con redes neuronales. Estimando frecuencias; Universidad Tecnológica Nacional; 2022; 256-294 978-987-4998-82-8 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/hdl/http://hdl.handle.net/20.500.12272/6113 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Tecnológica Nacional |
publisher.none.fl_str_mv |
Universidad Tecnológica Nacional |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844614326426533888 |
score |
13.070432 |