|
|
Juan A. Carvajal, Dennis G. Romero, & Angel D. Sappa. (2017). Fine-tuning deep convolutional networks for lepidopterous genus recognition. Lecture Notes in Computer Science, Vol. 10125 LNCS, pp. 467–475.
|
|
|
|
Henry O. Velesaca and Juan A. Holgado-Terriza. (2025). OPC-UA in artificial intelligence: a systematic review of the integration of data mining and NLP in industrial processes. Manufacturing Review, Vol. 12.
|
|
|
|
Henry O. Velesaca, G. B., Mohammad Rouhani, Angel D. Sappa. (2024). Multimodal image registration techniques: a comprehensive survey. Multimedia Tools and Applications, Vol. 83, 63919–63947.
|
|
|
|
Patricia L. Suarez, D. C., Angel D. Sappa. (2024). Enhancement of Guided Thermal Image Super-Resolution Approaches (Vol. 573).
|
|
|
|
Xavier Soria, A. S., Patricio Humanante, Arash Akbarinia. (2023). Dense extreme inception network for edge detection. Pattern Recognition, Vol. 139.
|
|
|
|
Armin Mehri, P. B., Dario Carpio, and Angel D. Sappa. (2026). Edge Craft Odyssey: Navigating Guided Super-Resolution with a Fast, Precise, and Lightweight Network. Pattern Recognition, Vol.172, Part A.
|
|
|
|
Dennis G. Romero, A. F. N., & Teodiano Freire B. (2014). Reconocimiento en-línea de acciones humanas basado en patrones de RWE aplicado en ventanas dinámicas de momentos invariantes. Revista Iberoamericana de Automática e Informática industrial 00 (2014), Vol. 11, pp. 202–211.
|
|
|
|
Ortiz J., Londono J., Novillo F., Ampuno A., & Chávez M. (2015). Determinación de Invariantes en Grandes Centros de Datos basados en Topología Fat-Tree. Revista Politécnica, Vol. 35, pp. 91–96.
Abstract: Durante los últimos años ha existido un fuerte incremento en el acceso a internet, causando que los centros de datos ( DC) deban adaptar dinámicamente su infraestructura de red de cara a enfrentar posibles problemas de congestión, la cual no siempre se da de forma oportuna. Ante esto, nuevas topologías de red se han propuesto en los últimos años, como una forma de brindar mejores condiciones para el manejo de tráfico interno, sin embargo es común que para el estudio de estas mejoras, se necesite recrear el comportamiento de un verdadero DC en modelos de simulación/emulación. Por lo tanto se vuelve esencial validar dichos modelos, de cara a obtener resultados coherentes con la realidad. Esta validación es posible por medio de la identificación de ciertas propiedades que se deducen a partir de las variables y los parámetros que describen la red, y que se mantienen en las topologías de los DC para diversos escenarios y/o configuraciones. Estas propiedades, conocidas como invariantes, son una expresión del funcionamiento de la red en ambientes reales, como por ejemplo la ruta más larga entre dos nodos o el número de enlaces mínimo que deben fallar antes de una pérdida de conectividad en alguno de los nodos de la red. En el presente trabajo se realiza la identificación, formulación y comprobación de dos invariantes para la topología Fat-Tree, utilizando como software emulador a mininet. Las conclusiones muestran resultados concordantes entre lo analítico y lo práctico.
|
|
|
|
Dennys Paillacho, F. Novillo, W. Agila., & V. Huilcapi. (2015). Impacto de las redes de comunicaciones en los Sistemas Robóticos de Control. Revista Politécnica, Vol. 35, pp. 97–102.
Abstract: El análisis de incidencia que tienen las redes de comunicaciones sobre el comportamiento de los sistemas robóticos de control en red muestra grandes dificultades cuando se quieren hacer evaluaciones de tipo analítico. Por tal razón, en este trabajo un análisis que utiliza una aproximación basada en simulación es propuesto, de manera que el comportamiento temporal y espacial de un sistema robótico de control en red pueda ser evaluado. Para tal efecto, se propone un entorno de validación mediante el cual una red de comunicaciones permita distribuir mensajes de control entre el controlador principal y los controladores remotos ubicados en cada articulación angular del robot manipulador planar. Las interacciones entre los componentes del sistema han sido modeladas mediante un sistema de capas. Dicho modelo es llevado a un entorno de simulación con la finalidad de analizar el impacto de distintos parámetros de comunicaciones (i.e. tipo de red, tasa de datos y tamaño de datos) sobre el ciclo de comunicación y el error de seguimiento de trayectoria en un sistema robótico.
|
|
|
|
Del Pino, J., Salazar, G., & Cedeño, V. M. (2011). Adaptación de un Recomendador de Filtro Colaborativo Basado en el Usuario para la Creación de un Recomendador de Materias de Pregrado Basado en el Historial Académico de los Estudiantes. Revista Tecnológica ESPOL, Vol. 24, pp. 29–34.
Abstract: Los sistemas de recomendación son ampliamente utilizados hoy en día gracias a su capacidad de analizar las preferencias de usuarios y sugerir ítems. No obstante, el uso de los recomendadores está limitado a un modelo basado en el usuario y no en su historial de preferencias, discriminando así el campo de aplicación, por ejemplo, a sistemas académicos donde sea primordial el estudio de las decisiones del estudiante a lo largo de su carrera. El presente
trabajo presenta un esfuerzo por adaptar filtros colaborativos basados en el usuario a filtros colaborativos basados en el historial del usuario. Con un conjunto de pruebas mediremos su efectividad utilizando dos algoritmos distintos de similaridad para recomendar materias a un estudiante en el sexto semestre de la carrera de Ingeniería en Electrónica y Telecomunicaciones ofertada por la FIEC – ESPOL. Los resultados muestran que es factible adaptar un recomendador a un modelo basado en el historial del usuario
|
|
