Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos
El presente documento tiene como finalidad exponer la implementación de algoritmos de inteligencia artificial en un microcontrolador de 32 bits y analizar el desempeño de este durante la ejecución de cada algoritmo por separado, para tal caso se empleó el microcontrolador STM32F746ZGT. Los algoritmo...
- Autores:
-
Lizarazo Vesga, David Enrique
Ramírez Jiménez, Carlos Antonio
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad Militar Nueva Granada
- Repositorio:
- Repositorio UMNG
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unimilitar.edu.co:10654/32564
- Acceso en línea:
- http://hdl.handle.net/10654/32564
- Palabra clave:
- INTELIGENCIA ARTIFICIAL
ALGORITMOS
REDES NEURALES (COMPUTADORES)
Microcontroller
Artifitial Intelligence
STM32F7
Algorthms
Artifitial Neural Network
Fuzzy Controller
Bayes Classifier
Genetic Algorithm
Microcontrolador
Inteligencia Artificial
STM32F7
Algoritmos
Red neuronal artificial
Control fuzzy
Clasificador Bayesiano
Algoritmo Genetico
- Rights
- License
- Derechos Reservados - Universidad Militar Nueva Granada, 2019
id |
UNIMILTAR2_78a2ccbfe66f4bb9e20e660752997d1f |
---|---|
oai_identifier_str |
oai:repository.unimilitar.edu.co:10654/32564 |
network_acronym_str |
UNIMILTAR2 |
network_name_str |
Repositorio UMNG |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
dc.title.translated.spa.fl_str_mv |
Performance analysis of a 32-bit microcontrolled system for the implementation of artificial intelligence algorithms for data processing |
title |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
spellingShingle |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos INTELIGENCIA ARTIFICIAL ALGORITMOS REDES NEURALES (COMPUTADORES) Microcontroller Artifitial Intelligence STM32F7 Algorthms Artifitial Neural Network Fuzzy Controller Bayes Classifier Genetic Algorithm Microcontrolador Inteligencia Artificial STM32F7 Algoritmos Red neuronal artificial Control fuzzy Clasificador Bayesiano Algoritmo Genetico |
title_short |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
title_full |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
title_fullStr |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
title_full_unstemmed |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
title_sort |
Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datos |
dc.creator.fl_str_mv |
Lizarazo Vesga, David Enrique Ramírez Jiménez, Carlos Antonio |
dc.contributor.advisor.spa.fl_str_mv |
Jiménez, Robinson |
dc.contributor.author.spa.fl_str_mv |
Lizarazo Vesga, David Enrique Ramírez Jiménez, Carlos Antonio |
dc.subject.lemb.spa.fl_str_mv |
INTELIGENCIA ARTIFICIAL ALGORITMOS REDES NEURALES (COMPUTADORES) |
topic |
INTELIGENCIA ARTIFICIAL ALGORITMOS REDES NEURALES (COMPUTADORES) Microcontroller Artifitial Intelligence STM32F7 Algorthms Artifitial Neural Network Fuzzy Controller Bayes Classifier Genetic Algorithm Microcontrolador Inteligencia Artificial STM32F7 Algoritmos Red neuronal artificial Control fuzzy Clasificador Bayesiano Algoritmo Genetico |
dc.subject.keywords.spa.fl_str_mv |
Microcontroller Artifitial Intelligence STM32F7 Algorthms Artifitial Neural Network Fuzzy Controller Bayes Classifier Genetic Algorithm |
dc.subject.proposal.spa.fl_str_mv |
Microcontrolador Inteligencia Artificial STM32F7 Algoritmos Red neuronal artificial Control fuzzy Clasificador Bayesiano Algoritmo Genetico |
description |
El presente documento tiene como finalidad exponer la implementación de algoritmos de inteligencia artificial en un microcontrolador de 32 bits y analizar el desempeño de este durante la ejecución de cada algoritmo por separado, para tal caso se empleó el microcontrolador STM32F746ZGT. Los algoritmos escogidos son los siguientes: una red neuronal para la linealización de sensores, un controlador difuso para planta de primer y segundo orden, un clasificador bayesiano para control de un cultivo agrícola y un algoritmo genético para realizar un control PID a una planta de segundo orden. Para tal fin se desarrolló un compendio de librerías en C, mediante el compilador Keil uVision5, las cuales facilitaron tanto el desarrollo como el análisis de cada uno de los algoritmos ya mencionados. Basando su creación en la posibilidad de ser usado por personas ajenas al proyecto, fueron creadas estas librerías de tal manera que sirvan como guía para otras aplicaciones. |
publishDate |
2019 |
dc.date.accessioned.none.fl_str_mv |
2019-12-11T15:25:48Z 2019-12-26T22:09:24Z |
dc.date.available.none.fl_str_mv |
2019-12-11T15:25:48Z 2019-12-26T22:09:24Z |
dc.date.issued.none.fl_str_mv |
2019-09-09 |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.local.spa.fl_str_mv |
Trabajo de grado |
dc.type.dcmi-type-vocabulary.spa.fl_str_mv |
Text |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10654/32564 |
url |
http://hdl.handle.net/10654/32564 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.references.spa.fl_str_mv |
Abad, M. (2007). Aplicación de redes bayesianas en el modelado de un sistema experto de triaje en servicios de urgencias médicas. Aguirre, A. (1998). Estrategias evolutivas: La versión Alemana del algoritmo genético (Parte 1). 38-45. Aldabas, E. (2002). Introducción al reconocimiento de patrones mediante redes neuronales. Arranz de la Peña, J. (2007). Algoritmos genéticos. Castrillón, O. (2017). Sistema bayesiano para la predicción de la diabetes. 161-168. Chávez, J. (2012). Utilización de la inteligencia artificial en el diagnóstico patológico de edificaciones de valor patrimonial . 297-305. Chen, J. (2017). Systematic development of an optimized real-time embeddes control platform., (pp. 1075-1080). Cole, R. (1998). Clustering with geretic algorithms. Cruz, I. (2007). Redes neuronales recurrentes para el análisis de secuencias. Revista Cubana de ciencias informáticas , 48-57. Egmont, M. (2002). Image processing with neural networks. 2279-2301. Fowler, M. (2014). Martin Fowler. Retrieved from https://martinfowler.com/bliki/UnitTest.htm García, M. (2000). Automatic loop-shaping of QFT robust controllers via genetic algorithms. 603-608. Giménez, A. (2014). Coontrol system development for a Raman Spectrometer using microcontroller technology. Journal of applied research and technology, 139144. Gonzáles, M. (2008). Segmentación de imágenes utilizando la transformada Watershed. 223-228. Guanuchi, O. (2017). Diseño de un sistema inteligente que permita estimar y simular la autonomía de un vehículo eléctrico en rutas urbanas de la ciudad de Cuenca. Hock, G. (2011). Development of wireless controller area network using low cost and low power consumption ARM microcontroller for solar car application., (pp. 244-248). Infoagro. (n.d.). El cultivo de la rosa. Retrieved from http://www.infoagro.com/documentos/el_cultivo_rosa.asp Kalezhi, J. (2018). Microcontroller-Based Monitoring and Controlling of Environmental Conditions in Farming. 284-288. Kouro, S. (2002). Control mediante lógica difusa. Lin, C. (2010). Comparison of artificial neural network and logistic regression models for predicting mortality in elderly patients with hip fracture. 869-873. Mackinnon, T. (2000). endo-testing: Unit testing with mock objects. Extreme programming examined. Mariño, S. (2016). Simulación del razonamiento en el proceso de identificación botánica basado en redes bayesianas. Revista de la escuela de perfeccionamiento en investigación operativa. Marsono, M. (2008). Binary LNS-based naïve Bayes inference engine for spam control: Noise and fpga implementation. 56-62. Martin, I. (2003). Análisis y predicción de la serie de tiempo del precio externo del café colombiano utilizando redes neuronales artificales. Universitas Scientiarum, 45-50. Mártinez, C. (2007). Uso de las técnicas de preprocesamiento de datos e inteligencia artificial en la clasificación del riesgo bancario. Bogotá. Mary, R. (2015). Microcontrollers. Retrieved from http://www.engineersgarage. com/microcontroller. Matich, D. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. In M. D. Morcillo, C. (2011). Lógica difusa, una introducción práctica. Ocaña, A. (2009). Aprendizaje y comportamiento basados en el funcionamiento del cerebro humano. Ordoñez, J. (2016). Detector de bordes de imágenes usando un microcontrolador ARM. Revista de ciencia y tecnología, 30-35. Pacheco, M. (2017). Identificación de sistemas no lineales con redes neuronales convolucionales. Peñas, M. (2013). Aplicación de la lógica difusa en el ámbito de las energías renovables. Perez, J. (2002). Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto. Ponce. (2010). Inteligencia artificial con aplicaciones a la ingeniería. Procolombia. (n.d.). Procolombia. Retrieved from http://www.procolombia.co/node/1255 Ramos, O. (2016). Reconocimiento de patrones vocálicos mediante la implementación de una red neuronal artificial utilizando sistemas embebidos. Información tecnológica, 133-142. Rivero, M. (2010). Introducción a los algoritmos genéticos y la programación genética. Rodríguez, M. (2009). Diffused logic as a tool for interpreting clean production data in the agriculture area. 101-105. Runeson. (2006). A survey of unit testing practices. IEE Software, vol 23, 22-29. Sáenz, R. (2018). Dual-accumulator softcore 8-bit microprocessor designed to be used on FPGAs. Tecnura, 40-50. Samuel, P. (2005). El clasificador Naïve Byes en la extracción del conocimiento de bases de datos. Sánchez, N. (2016). Diseño de un sistema de reconocimiento automático de matrículas de vehículos mediante una red neuronal convolucional. Sandoval, T. (2016). Uso de redes neuronales artificales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroaterior. 21-28. Santos, P. (2018). Multi-Objetive Genetic Algorithm Implmentedon a STM32F Microcontroller. Segue Technologies. (2014). Seguetech. Retrieved from https://www.seguetech.com/the-benefits-of-unit-testing/ Serrano, E. (2017). Sequential microcontroller-based control for a chemical vapor deposition process. Journal of applied research and technology, 593-598. Spanish Small Satellites International Forum. (2019). Sucar, L. (2006). Redes bayesianas. 77-100. Vechet, S. (2014). Building a scaled model of autonomous convoy powered by ARM mbed microcontrollers., (pp. 711-714). Wen, U. (2009). A review of Hopfield neural networks for solving mathematical programming problems. European Journal of Operational Research, 675687. Yolis, E. (2003). Algotimos genéticos aplicados a la categorización automática de documentos. Zhu, H. (1997). Software unit test coverage and adequacy. 366-427. |
dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Militar Nueva Granada, 2019 |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas |
rights_invalid_str_mv |
Derechos Reservados - Universidad Militar Nueva Granada, 2019 https://creativecommons.org/licenses/by-nc-nd/2.5/co/ Atribución-NoComercial-SinDerivadas http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.coverage.spatial.spa.fl_str_mv |
Calle 100 |
dc.publisher.department.spa.fl_str_mv |
Facultad de Ingenieríad |
dc.publisher.program.spa.fl_str_mv |
Ingeniería en Mecatrónica |
dc.publisher.faculty.spa.fl_str_mv |
Ingeniería - Ingeniería en Mecatrónica |
dc.publisher.grantor.spa.fl_str_mv |
Universidad Militar Nueva Granada |
institution |
Universidad Militar Nueva Granada |
bitstream.url.fl_str_mv |
http://repository.unimilitar.edu.co/bitstream/10654/32564/1/license.txt http://repository.unimilitar.edu.co/bitstream/10654/32564/2/LizarazoRamirezDavidCarlos2019.pdf http://repository.unimilitar.edu.co/bitstream/10654/32564/3/LizarazoRamirezDavidAntonio2019_Anexo1.pdf http://repository.unimilitar.edu.co/bitstream/10654/32564/4/LizarazoRamirezDavidAntonio2019_Anexo2.pdf http://repository.unimilitar.edu.co/bitstream/10654/32564/5/LizarazoRamirezDavidAntonio2019_Anexo3.pdf http://repository.unimilitar.edu.co/bitstream/10654/32564/6/LizarazoRamirezDavidCarlos2019.pdf.jpg http://repository.unimilitar.edu.co/bitstream/10654/32564/7/LizarazoRamirezDavidAntonio2019_Anexo1.pdf.jpg http://repository.unimilitar.edu.co/bitstream/10654/32564/8/LizarazoRamirezDavidAntonio2019_Anexo2.pdf.jpg http://repository.unimilitar.edu.co/bitstream/10654/32564/9/LizarazoRamirezDavidAntonio2019_Anexo3.pdf.jpg |
bitstream.checksum.fl_str_mv |
1488507fee00b71ccbbeb3576c7d8d2d 3da979a379fb5471baf492f881a2f60a 9236802bcad5be44faa285f3367a5414 3b1fb76c7352afb12cb3b1e5c3b11267 a906f7e74edf79f791566538e99b6ebb 81f2562b2049b151bab4182a85fd4131 2d03a50dfe505f11485c0a7a13d610b9 2d03a50dfe505f11485c0a7a13d610b9 59c97f2a9ff03946b4827966ae786b4b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional UMNG |
repository.mail.fl_str_mv |
bibliodigital@unimilitar.edu.co |
_version_ |
1808417925299699712 |
spelling |
Jiménez, RobinsonLizarazo Vesga, David EnriqueRamírez Jiménez, Carlos AntonioIngeniero en MecatrónicaCalle 1002019-12-11T15:25:48Z2019-12-26T22:09:24Z2019-12-11T15:25:48Z2019-12-26T22:09:24Z2019-09-09http://hdl.handle.net/10654/32564El presente documento tiene como finalidad exponer la implementación de algoritmos de inteligencia artificial en un microcontrolador de 32 bits y analizar el desempeño de este durante la ejecución de cada algoritmo por separado, para tal caso se empleó el microcontrolador STM32F746ZGT. Los algoritmos escogidos son los siguientes: una red neuronal para la linealización de sensores, un controlador difuso para planta de primer y segundo orden, un clasificador bayesiano para control de un cultivo agrícola y un algoritmo genético para realizar un control PID a una planta de segundo orden. Para tal fin se desarrolló un compendio de librerías en C, mediante el compilador Keil uVision5, las cuales facilitaron tanto el desarrollo como el análisis de cada uno de los algoritmos ya mencionados. Basando su creación en la posibilidad de ser usado por personas ajenas al proyecto, fueron creadas estas librerías de tal manera que sirvan como guía para otras aplicaciones.1. INTRODUCCIÓN .............................................. 11 1.1 ANTECEDENTES DEL PROBLEMA .......... 12 1.2 PLANTEAMIENTO ...................................... 14 1.3 JUSTIFICACIÓN .......................................... 15 1.4 DELIMITACIÓN CONCEPTUAL ...................16 1.5 OBJETIVOS .................................................17 1.6 METODOLOGÍA ..........................................18 2. MARCO TEÓRICO ........................................... 28 3. REDES NEURONALES. ................................... 31 3.1 Problemática. ...............................................31 3.2 Características del algoritmo........................32 3.3 Antecedentes del algoritmo .........................36 3.4 Entrenamiento..............................................36 3.5 Análisis de desempeño. .............................. 46 4. CONTROL DIFUSO. ..........................................49 4.1 Problemática ................................................49 4.2 Características del algoritmo........................49 4.3 Antecedentes del algoritmo ......................... 50 4.4 Funcionamiento ...........................................52 4.5 Análisis de desempeño. ...............................67 5. CLASIFICADOR BAYESIANO. ...........................69 5.1 Problemática ................................................69 5.2 Características del algoritmo........................70 5.3 Antecedentes del algoritmo .........................71 5.4 Funcionamiento ...........................................72 5.5 Análisis de desempeño. ...............................76 6. ALGORITMO GENETICO. .................................78 6.1 Problemática ................................................78 6.2 Características del algoritmo........................79 6.3 Antecedentes del algoritmo .........................82 6.4 Entrenamiento..............................................82 6.5 Análisis de desempeño. ..............................87 7. CONCLUSIONES. ............................................90 Bibliografía ............................................................92The purpose of this document is to expose the implementation of artificial intelligence algorithms in a 32-bit microcontroller and analyze its performance during the execution of each algorithm separately, for this case the STM32F746ZGT microcontroller was used. The algorithms chosen are the following: a neural network for the linearization of sensors, a fuzzy controller for first and second order plants, a Bayesian classifier for control of an agricultural crop and a genetic algorithm to perform a PID control on a second plant order. To do so, a compendium of libraries in C was developed, using the Keil uVision5 compiler, which facilitated both the development and the analysis of each of the aforementioned algorithms. Basing its creation on the possibility of being used by people outside the project, these libraries were created in such a way that they serve as a guide for other applications.Pregradoapplication/pdfspaDerechos Reservados - Universidad Militar Nueva Granada, 2019https://creativecommons.org/licenses/by-nc-nd/2.5/co/Atribución-NoComercial-SinDerivadashttp://purl.org/coar/access_right/c_abf2Análisis del desempeño de un sistema microcontrolado de 32 bits para la implementación de algoritmos de inteligencia artificial para procesamiento de datosPerformance analysis of a 32-bit microcontrolled system for the implementation of artificial intelligence algorithms for data processinginfo:eu-repo/semantics/bachelorThesisTrabajo de gradoTexthttp://purl.org/coar/resource_type/c_7a1fINTELIGENCIA ARTIFICIALALGORITMOSREDES NEURALES (COMPUTADORES)MicrocontrollerArtifitial IntelligenceSTM32F7AlgorthmsArtifitial Neural NetworkFuzzy ControllerBayes ClassifierGenetic AlgorithmMicrocontroladorInteligencia ArtificialSTM32F7AlgoritmosRed neuronal artificialControl fuzzyClasificador BayesianoAlgoritmo GeneticoFacultad de IngenieríadIngeniería en MecatrónicaIngeniería - Ingeniería en MecatrónicaUniversidad Militar Nueva GranadaAbad, M. (2007). Aplicación de redes bayesianas en el modelado de un sistema experto de triaje en servicios de urgencias médicas.Aguirre, A. (1998). Estrategias evolutivas: La versión Alemana del algoritmo genético (Parte 1). 38-45.Aldabas, E. (2002). Introducción al reconocimiento de patrones mediante redes neuronales.Arranz de la Peña, J. (2007). Algoritmos genéticos.Castrillón, O. (2017). Sistema bayesiano para la predicción de la diabetes. 161-168.Chávez, J. (2012). Utilización de la inteligencia artificial en el diagnóstico patológico de edificaciones de valor patrimonial . 297-305.Chen, J. (2017). Systematic development of an optimized real-time embeddes control platform., (pp. 1075-1080).Cole, R. (1998). Clustering with geretic algorithms.Cruz, I. (2007). Redes neuronales recurrentes para el análisis de secuencias. Revista Cubana de ciencias informáticas , 48-57.Egmont, M. (2002). Image processing with neural networks. 2279-2301.Fowler, M. (2014). Martin Fowler. Retrieved from https://martinfowler.com/bliki/UnitTest.htmGarcía, M. (2000). Automatic loop-shaping of QFT robust controllers via genetic algorithms. 603-608.Giménez, A. (2014). Coontrol system development for a Raman Spectrometer using microcontroller technology. Journal of applied research and technology, 139144.Gonzáles, M. (2008). Segmentación de imágenes utilizando la transformada Watershed. 223-228.Guanuchi, O. (2017). Diseño de un sistema inteligente que permita estimar y simular la autonomía de un vehículo eléctrico en rutas urbanas de la ciudad de Cuenca.Hock, G. (2011). Development of wireless controller area network using low cost and low power consumption ARM microcontroller for solar car application., (pp. 244-248).Infoagro. (n.d.). El cultivo de la rosa. Retrieved from http://www.infoagro.com/documentos/el_cultivo_rosa.aspKalezhi, J. (2018). Microcontroller-Based Monitoring and Controlling of Environmental Conditions in Farming. 284-288.Kouro, S. (2002). Control mediante lógica difusa.Lin, C. (2010). Comparison of artificial neural network and logistic regression models for predicting mortality in elderly patients with hip fracture. 869-873.Mackinnon, T. (2000). endo-testing: Unit testing with mock objects. Extreme programming examined.Mariño, S. (2016). Simulación del razonamiento en el proceso de identificación botánica basado en redes bayesianas. Revista de la escuela de perfeccionamiento en investigación operativa.Marsono, M. (2008). Binary LNS-based naïve Bayes inference engine for spam control: Noise and fpga implementation. 56-62.Martin, I. (2003). Análisis y predicción de la serie de tiempo del precio externo del café colombiano utilizando redes neuronales artificales. Universitas Scientiarum, 45-50.Mártinez, C. (2007). Uso de las técnicas de preprocesamiento de datos e inteligencia artificial en la clasificación del riesgo bancario. Bogotá.Mary, R. (2015). Microcontrollers. Retrieved from http://www.engineersgarage. com/microcontroller.Matich, D. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. In M. D.Morcillo, C. (2011). Lógica difusa, una introducción práctica.Ocaña, A. (2009). Aprendizaje y comportamiento basados en el funcionamiento del cerebro humano.Ordoñez, J. (2016). Detector de bordes de imágenes usando un microcontrolador ARM. Revista de ciencia y tecnología, 30-35.Pacheco, M. (2017). Identificación de sistemas no lineales con redes neuronales convolucionales.Peñas, M. (2013). Aplicación de la lógica difusa en el ámbito de las energías renovables.Perez, J. (2002). Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto.Ponce. (2010). Inteligencia artificial con aplicaciones a la ingeniería.Procolombia. (n.d.). Procolombia. Retrieved from http://www.procolombia.co/node/1255Ramos, O. (2016). Reconocimiento de patrones vocálicos mediante la implementación de una red neuronal artificial utilizando sistemas embebidos. Información tecnológica, 133-142.Rivero, M. (2010). Introducción a los algoritmos genéticos y la programación genética.Rodríguez, M. (2009). Diffused logic as a tool for interpreting clean production data in the agriculture area. 101-105.Runeson. (2006). A survey of unit testing practices. IEE Software, vol 23, 22-29.Sáenz, R. (2018). Dual-accumulator softcore 8-bit microprocessor designed to be used on FPGAs. Tecnura, 40-50.Samuel, P. (2005). El clasificador Naïve Byes en la extracción del conocimiento de bases de datos.Sánchez, N. (2016). Diseño de un sistema de reconocimiento automático de matrículas de vehículos mediante una red neuronal convolucional.Sandoval, T. (2016). Uso de redes neuronales artificales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroaterior. 21-28.Santos, P. (2018). Multi-Objetive Genetic Algorithm Implmentedon a STM32F Microcontroller.Segue Technologies. (2014). Seguetech. Retrieved from https://www.seguetech.com/the-benefits-of-unit-testing/Serrano, E. (2017). Sequential microcontroller-based control for a chemical vapor deposition process. Journal of applied research and technology, 593-598.Spanish Small Satellites International Forum. (2019).Sucar, L. (2006). Redes bayesianas. 77-100.Vechet, S. (2014). Building a scaled model of autonomous convoy powered by ARM mbed microcontrollers., (pp. 711-714).Wen, U. (2009). A review of Hopfield neural networks for solving mathematical programming problems. European Journal of Operational Research, 675687.Yolis, E. (2003). Algotimos genéticos aplicados a la categorización automática de documentos.Zhu, H. (1997). Software unit test coverage and adequacy. 366-427.LICENSElicense.txttext/plain2917http://repository.unimilitar.edu.co/bitstream/10654/32564/1/license.txt1488507fee00b71ccbbeb3576c7d8d2dMD51ORIGINALLizarazoRamirezDavidCarlos2019.pdfTrabajo de gradoapplication/pdf3952811http://repository.unimilitar.edu.co/bitstream/10654/32564/2/LizarazoRamirezDavidCarlos2019.pdf3da979a379fb5471baf492f881a2f60aMD52LizarazoRamirezDavidAntonio2019_Anexo1.pdfTrabajo de grado : Anexoapplication/pdf1168070http://repository.unimilitar.edu.co/bitstream/10654/32564/3/LizarazoRamirezDavidAntonio2019_Anexo1.pdf9236802bcad5be44faa285f3367a5414MD53LizarazoRamirezDavidAntonio2019_Anexo2.pdfTrabajo de grado : Anexoapplication/pdf1168070http://repository.unimilitar.edu.co/bitstream/10654/32564/4/LizarazoRamirezDavidAntonio2019_Anexo2.pdf3b1fb76c7352afb12cb3b1e5c3b11267MD54LizarazoRamirezDavidAntonio2019_Anexo3.pdfTrabajo de grado : Anexoapplication/pdf388529http://repository.unimilitar.edu.co/bitstream/10654/32564/5/LizarazoRamirezDavidAntonio2019_Anexo3.pdfa906f7e74edf79f791566538e99b6ebbMD55THUMBNAILLizarazoRamirezDavidCarlos2019.pdf.jpgLizarazoRamirezDavidCarlos2019.pdf.jpgIM Thumbnailimage/jpeg5105http://repository.unimilitar.edu.co/bitstream/10654/32564/6/LizarazoRamirezDavidCarlos2019.pdf.jpg81f2562b2049b151bab4182a85fd4131MD56LizarazoRamirezDavidAntonio2019_Anexo1.pdf.jpgLizarazoRamirezDavidAntonio2019_Anexo1.pdf.jpgIM Thumbnailimage/jpeg8302http://repository.unimilitar.edu.co/bitstream/10654/32564/7/LizarazoRamirezDavidAntonio2019_Anexo1.pdf.jpg2d03a50dfe505f11485c0a7a13d610b9MD57LizarazoRamirezDavidAntonio2019_Anexo2.pdf.jpgLizarazoRamirezDavidAntonio2019_Anexo2.pdf.jpgIM Thumbnailimage/jpeg8302http://repository.unimilitar.edu.co/bitstream/10654/32564/8/LizarazoRamirezDavidAntonio2019_Anexo2.pdf.jpg2d03a50dfe505f11485c0a7a13d610b9MD58LizarazoRamirezDavidAntonio2019_Anexo3.pdf.jpgLizarazoRamirezDavidAntonio2019_Anexo3.pdf.jpgIM Thumbnailimage/jpeg7955http://repository.unimilitar.edu.co/bitstream/10654/32564/9/LizarazoRamirezDavidAntonio2019_Anexo3.pdf.jpg59c97f2a9ff03946b4827966ae786b4bMD5910654/32564oai:repository.unimilitar.edu.co:10654/325642020-06-30 13:08:01.303Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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 |