Diffractogram metrics for machine learning
En este trabajo se presenta un nuevo modelo con el cual es posible analizar diffractogramas en el área de cristalografía. Con el objetivo principal de poder generar un proceso de clasificación de muestras a partir de su difractograma, se realiza una codificación de dichos difractogramas a partir de...
- Autores:
-
López Cuellar, Nicolás Orlando
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/44980
- Acceso en línea:
- http://hdl.handle.net/1992/44980
- Palabra clave:
- Cristalografía
Aprendizaje automático (Inteligencia artificial)
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_6c9dc82f9d6b87d223f8150e77ed2745 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/44980 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipe87382f6b-7bf5-4ed1-8463-1721274e1bb7400Pérez Taborda, Jaime Andrésvirtual::13214-1López Cuellar, Nicolás Orlando05e08e9c-ed72-4767-ad35-2d9fe89b0137500Avila Bernal, Alba Graciela2020-09-03T15:08:44Z2020-09-03T15:08:44Z2020http://hdl.handle.net/1992/44980u831302.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En este trabajo se presenta un nuevo modelo con el cual es posible analizar diffractogramas en el área de cristalografía. Con el objetivo principal de poder generar un proceso de clasificación de muestras a partir de su difractograma, se realiza una codificación de dichos difractogramas a partir de la información de sus picos de intensidad. Luego se genera una pseudo-métrica que permite generar índices de similaridad entre una muestra y un material; y a partir de estos índices de similaridad, se genera un nuevo espacio métrico en el cual se pueden separar totalmente las clases manejadas en la base de datos usada, con algoritmos estándar de Machine Learning.In this work it is presented a new model for analyzing diffractograms in the field of crystallography. With the aim of generating a classification procedure, which allows the identification of the material of a sample based on its diffractogram, a codification of such diffractograms is made, based on the intensity peaks it presents. Then a pseudo-metric is applied, this allows the construction of similarity indexes between a sample and a material, which give rise to a new metric space in which the classes existing in the used data base, can be fully separated with standard Machine Learning Algorithms.Ingeniero ElectrónicoPregrado13 hojasapplication/pdfengUniandesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y Electrónicainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaDiffractogram metrics for machine learningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPCristalografíaAprendizaje automático (Inteligencia artificial)IngenieríaPublication95b7597d-5c28-48c9-b39a-b48f36e6e769virtual::13214-195b7597d-5c28-48c9-b39a-b48f36e6e769virtual::13214-1THUMBNAILu831302.pdf.jpgu831302.pdf.jpgIM Thumbnailimage/jpeg23976https://repositorio.uniandes.edu.co/bitstreams/c16578dd-14b2-4dcc-86d1-67f109faea4a/downloadc7588df150c49309cddb6f614aa8836fMD55ORIGINALu831302.pdfapplication/pdf450908https://repositorio.uniandes.edu.co/bitstreams/19e72119-0220-436f-b7b7-685912f05e51/download85c6342d5ea071e58bde1008c820fbd0MD51TEXTu831302.pdf.txtu831302.pdf.txtExtracted texttext/plain36818https://repositorio.uniandes.edu.co/bitstreams/2d18a73f-7c7e-4514-92a5-d3a31c7cf596/downloadeca8d1ed0bd2a003cc776767bfc2e1d4MD541992/44980oai:repositorio.uniandes.edu.co:1992/449802024-03-13 14:52:56.436https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |
dc.title.es_CO.fl_str_mv |
Diffractogram metrics for machine learning |
title |
Diffractogram metrics for machine learning |
spellingShingle |
Diffractogram metrics for machine learning Cristalografía Aprendizaje automático (Inteligencia artificial) Ingeniería |
title_short |
Diffractogram metrics for machine learning |
title_full |
Diffractogram metrics for machine learning |
title_fullStr |
Diffractogram metrics for machine learning |
title_full_unstemmed |
Diffractogram metrics for machine learning |
title_sort |
Diffractogram metrics for machine learning |
dc.creator.fl_str_mv |
López Cuellar, Nicolás Orlando |
dc.contributor.advisor.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe Pérez Taborda, Jaime Andrés |
dc.contributor.author.none.fl_str_mv |
López Cuellar, Nicolás Orlando |
dc.contributor.jury.none.fl_str_mv |
Avila Bernal, Alba Graciela |
dc.subject.armarc.es_CO.fl_str_mv |
Cristalografía Aprendizaje automático (Inteligencia artificial) |
topic |
Cristalografía Aprendizaje automático (Inteligencia artificial) Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
En este trabajo se presenta un nuevo modelo con el cual es posible analizar diffractogramas en el área de cristalografía. Con el objetivo principal de poder generar un proceso de clasificación de muestras a partir de su difractograma, se realiza una codificación de dichos difractogramas a partir de la información de sus picos de intensidad. Luego se genera una pseudo-métrica que permite generar índices de similaridad entre una muestra y un material; y a partir de estos índices de similaridad, se genera un nuevo espacio métrico en el cual se pueden separar totalmente las clases manejadas en la base de datos usada, con algoritmos estándar de Machine Learning. |
publishDate |
2020 |
dc.date.accessioned.none.fl_str_mv |
2020-09-03T15:08:44Z |
dc.date.available.none.fl_str_mv |
2020-09-03T15:08:44Z |
dc.date.issued.none.fl_str_mv |
2020 |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/44980 |
dc.identifier.pdf.none.fl_str_mv |
u831302.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/44980 |
identifier_str_mv |
u831302.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
eng |
language |
eng |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
13 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Uniandes |
dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/c16578dd-14b2-4dcc-86d1-67f109faea4a/download https://repositorio.uniandes.edu.co/bitstreams/19e72119-0220-436f-b7b7-685912f05e51/download https://repositorio.uniandes.edu.co/bitstreams/2d18a73f-7c7e-4514-92a5-d3a31c7cf596/download |
bitstream.checksum.fl_str_mv |
c7588df150c49309cddb6f614aa8836f 85c6342d5ea071e58bde1008c820fbd0 eca8d1ed0bd2a003cc776767bfc2e1d4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812134009413566464 |