Detección de fuentes de emisión a partir de sensores perimetrales

Autores
Blazek, J. E.; Lonbardi, C.; Vetere, E.
Año de publicación
1999
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El presente trabajo aborda la posible resolución de un problema de interés para varias disciplinas. entre las cuales se encuentra la fisica., dentro del marco de las redes neuronales. El problema a resolver. trata de la obtención de fuentes emisoras encerradas dentro de una región acotada circular del plano; sabiendo que el efecto de las fuentes sobre los sensores colocados en la curva frontera de la región es escalar, aditivo. y que se obtiene respecto de la magnitud de la fuente con una ley que va proporcional a la intensidad de esta e inversamente proporcional al cuadrado de la distancia. Para dicha resolución implementamos tres soluciones a partir del concepto de redes neuronales. La primera solución está basada en el aprendizaje competitivo. Con esta implementación logramos resolver el problema para dos fuentes, calculando tanto la posición como la intensidad de la misma. La segunda solución consiste en un perceptrón bícapa entrenado mediante back propagatíon. La red implementa el modelo directo del problema., de forma tal que sus pesos representan las posiciones e intensidades de las fuentes. El entrenamiento obtiene como resultado estas incógnitas. En la tercera solución implementamos un dispositivo que combina el ajuste competitivo de posiciones, con el ajuste de intensidades mediante un perceptrón. El perceptrón se ubica en capa de salida con función de activación lineal. La combinación de ambas redes (la competitiva y el perceptron) fue realizada según lo implementado en la primera solución, y ejecutando alternativamente una época de cada red, en donde las entradas del perceptrón serían los pesos de las unidades, ajustados por el inverso de su distancia a cada sensor. El problema así descripto, queda resuelto si logramos encontrar la magnitud y la posición de cada una de las fuentes encerradas, esto es conocer tres números para cada fuente. Vale señalar que la cantidad de fuentes. en principio, también es desconocida. Por esta razón en cada solución propuesta se realiza un sondeo con distintas cantidades de fuentes para conocer el alcance de la solución.
Eje: Redes y sistemas inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
fuentes de emisión
sensores perimetrales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22213

id SEDICI_2c7e28915811f2622c1552cab05f4eb2
oai_identifier_str oai:sedici.unlp.edu.ar:10915/22213
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Detección de fuentes de emisión a partir de sensores perimetralesBlazek, J. E.Lonbardi, C.Vetere, E.Ciencias InformáticasARTIFICIAL INTELLIGENCEfuentes de emisiónsensores perimetralesEl presente trabajo aborda la posible resolución de un problema de interés para varias disciplinas. entre las cuales se encuentra la fisica., dentro del marco de las redes neuronales. El problema a resolver. trata de la obtención de fuentes emisoras encerradas dentro de una región acotada circular del plano; sabiendo que el efecto de las fuentes sobre los sensores colocados en la curva frontera de la región es escalar, aditivo. y que se obtiene respecto de la magnitud de la fuente con una ley que va proporcional a la intensidad de esta e inversamente proporcional al cuadrado de la distancia. Para dicha resolución implementamos tres soluciones a partir del concepto de redes neuronales. La primera solución está basada en el aprendizaje competitivo. Con esta implementación logramos resolver el problema para dos fuentes, calculando tanto la posición como la intensidad de la misma. La segunda solución consiste en un perceptrón bícapa entrenado mediante back propagatíon. La red implementa el modelo directo del problema., de forma tal que sus pesos representan las posiciones e intensidades de las fuentes. El entrenamiento obtiene como resultado estas incógnitas. En la tercera solución implementamos un dispositivo que combina el ajuste competitivo de posiciones, con el ajuste de intensidades mediante un perceptrón. El perceptrón se ubica en capa de salida con función de activación lineal. La combinación de ambas redes (la competitiva y el perceptron) fue realizada según lo implementado en la primera solución, y ejecutando alternativamente una época de cada red, en donde las entradas del perceptrón serían los pesos de las unidades, ajustados por el inverso de su distancia a cada sensor. El problema así descripto, queda resuelto si logramos encontrar la magnitud y la posición de cada una de las fuentes encerradas, esto es conocer tres números para cada fuente. Vale señalar que la cantidad de fuentes. en principio, también es desconocida. Por esta razón en cada solución propuesta se realiza un sondeo con distintas cantidades de fuentes para conocer el alcance de la solución.Eje: Redes y sistemas inteligentesRed de Universidades con Carreras en Informática (RedUNCI)1999-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/22213spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-17T09:38:22Zoai:sedici.unlp.edu.ar:10915/22213Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-17 09:38:22.629SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Detección de fuentes de emisión a partir de sensores perimetrales
title Detección de fuentes de emisión a partir de sensores perimetrales
spellingShingle Detección de fuentes de emisión a partir de sensores perimetrales
Blazek, J. E.
Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
fuentes de emisión
sensores perimetrales
title_short Detección de fuentes de emisión a partir de sensores perimetrales
title_full Detección de fuentes de emisión a partir de sensores perimetrales
title_fullStr Detección de fuentes de emisión a partir de sensores perimetrales
title_full_unstemmed Detección de fuentes de emisión a partir de sensores perimetrales
title_sort Detección de fuentes de emisión a partir de sensores perimetrales
dc.creator.none.fl_str_mv Blazek, J. E.
Lonbardi, C.
Vetere, E.
author Blazek, J. E.
author_facet Blazek, J. E.
Lonbardi, C.
Vetere, E.
author_role author
author2 Lonbardi, C.
Vetere, E.
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
fuentes de emisión
sensores perimetrales
topic Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
fuentes de emisión
sensores perimetrales
dc.description.none.fl_txt_mv El presente trabajo aborda la posible resolución de un problema de interés para varias disciplinas. entre las cuales se encuentra la fisica., dentro del marco de las redes neuronales. El problema a resolver. trata de la obtención de fuentes emisoras encerradas dentro de una región acotada circular del plano; sabiendo que el efecto de las fuentes sobre los sensores colocados en la curva frontera de la región es escalar, aditivo. y que se obtiene respecto de la magnitud de la fuente con una ley que va proporcional a la intensidad de esta e inversamente proporcional al cuadrado de la distancia. Para dicha resolución implementamos tres soluciones a partir del concepto de redes neuronales. La primera solución está basada en el aprendizaje competitivo. Con esta implementación logramos resolver el problema para dos fuentes, calculando tanto la posición como la intensidad de la misma. La segunda solución consiste en un perceptrón bícapa entrenado mediante back propagatíon. La red implementa el modelo directo del problema., de forma tal que sus pesos representan las posiciones e intensidades de las fuentes. El entrenamiento obtiene como resultado estas incógnitas. En la tercera solución implementamos un dispositivo que combina el ajuste competitivo de posiciones, con el ajuste de intensidades mediante un perceptrón. El perceptrón se ubica en capa de salida con función de activación lineal. La combinación de ambas redes (la competitiva y el perceptron) fue realizada según lo implementado en la primera solución, y ejecutando alternativamente una época de cada red, en donde las entradas del perceptrón serían los pesos de las unidades, ajustados por el inverso de su distancia a cada sensor. El problema así descripto, queda resuelto si logramos encontrar la magnitud y la posición de cada una de las fuentes encerradas, esto es conocer tres números para cada fuente. Vale señalar que la cantidad de fuentes. en principio, también es desconocida. Por esta razón en cada solución propuesta se realiza un sondeo con distintas cantidades de fuentes para conocer el alcance de la solución.
Eje: Redes y sistemas inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
description El presente trabajo aborda la posible resolución de un problema de interés para varias disciplinas. entre las cuales se encuentra la fisica., dentro del marco de las redes neuronales. El problema a resolver. trata de la obtención de fuentes emisoras encerradas dentro de una región acotada circular del plano; sabiendo que el efecto de las fuentes sobre los sensores colocados en la curva frontera de la región es escalar, aditivo. y que se obtiene respecto de la magnitud de la fuente con una ley que va proporcional a la intensidad de esta e inversamente proporcional al cuadrado de la distancia. Para dicha resolución implementamos tres soluciones a partir del concepto de redes neuronales. La primera solución está basada en el aprendizaje competitivo. Con esta implementación logramos resolver el problema para dos fuentes, calculando tanto la posición como la intensidad de la misma. La segunda solución consiste en un perceptrón bícapa entrenado mediante back propagatíon. La red implementa el modelo directo del problema., de forma tal que sus pesos representan las posiciones e intensidades de las fuentes. El entrenamiento obtiene como resultado estas incógnitas. En la tercera solución implementamos un dispositivo que combina el ajuste competitivo de posiciones, con el ajuste de intensidades mediante un perceptrón. El perceptrón se ubica en capa de salida con función de activación lineal. La combinación de ambas redes (la competitiva y el perceptron) fue realizada según lo implementado en la primera solución, y ejecutando alternativamente una época de cada red, en donde las entradas del perceptrón serían los pesos de las unidades, ajustados por el inverso de su distancia a cada sensor. El problema así descripto, queda resuelto si logramos encontrar la magnitud y la posición de cada una de las fuentes encerradas, esto es conocer tres números para cada fuente. Vale señalar que la cantidad de fuentes. en principio, también es desconocida. Por esta razón en cada solución propuesta se realiza un sondeo con distintas cantidades de fuentes para conocer el alcance de la solución.
publishDate 1999
dc.date.none.fl_str_mv 1999-05
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/22213
url http://sedici.unlp.edu.ar/handle/10915/22213
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1843532047501492224
score 13.001348