Browsing by Author "Llerena Paricahua, Marcell"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Diseño y fabricación de electrodos capacitivos interdigitales planos en base a grafeno para medir concentraciones de nitratos en tiempo real
    (Universidad Católica San Pablo, 2022) Llerena Paricahua, Marcell; Mayhua Lopez, Efraín Tito
    El término agricultura de precisión involucra la gestión de diferentes procesos que permiten controlar y elevar la producción agrícola. Esto involucra necesariamente la recolección de datos tanto temporales como espaciales y que gracias a su procesamiento se pueden generar herramientas para la decisión de estrategias para controlar los recursos necesarios tales como abonos, agua, energía, etc. y mejorar su aplicación en campo agrícola para así mejorar la sostenibilidad de las plantaciones. Esta recolección de datos puede desarrollarse mediante tecnologías que involucran técnicas de sensado a través de nodos de sensores y su conexión con la nube gracias a tecnologías como el Internet de las Cosas o IoT. Así, el presente trabajo de tesis se presenta el diseño y construcción de un prototipo de nodo sensor IoT basado en un capacitor interdigital basado en grafeno. Se presenta en detalle el diseño del sensor de grafeno, sus dimensiones, así como la etapa de adaptación de la señal y la transmisión utilizando un gateway LoRa (Long Range) para enviar la información a un servidor. Además, se realiza la comparación de las mediciones realizadas por el nodo sensor y el instrumento de medición de impedancia LCR meter de la marca HYOKI. Los resultados obtenidos indican que el prototipo obtenido presenta mediciones comparables para diferentes concentraciones de nitratos.
  • Thumbnail Image
    Item
    Un nuevo mecanismo de regularización para algoritmos de aprendizaje con pocas muestras
    (Universidad Católica San Pablo, 2021) Llerena Paricahua, Marcell; Ochoa Luna, José Eduardo
    El gran éxito de las redes neuronales profundas (DNN) incide sobre su capacidad de aprender características automáticamente aminorando la supervisión humana. No obstante, dicho éxito viene acompañado de la gran cantidad de datos necesarios para entrenar los modelos profundos. Por ejemplo, para que un modelo profundo aprenda a distinguir gatos de perros se necesitan cientos de miles de imágenes. Recientemente, una área del aprendizaje automático denominada meta aprendizaje ha recibido especial atención, cuyo principal objetivo es conseguir que los modelos profundos sean capaces de reutilizar experiencia aprendida en diferentes tareas para aplicarla en el aprendizaje de una nueva tarea, lo que en consecuencia debería otorgarle al modelo profundo la habilidad de aprender nuevas tareas a partir de pocas muestras. En respuesta a ello, en la literatura se han planteado algoritmos que son capaces de generalizar diferentes tareas con una sola muestra de entrenamiento. Sin embargo, aún adolecen de una baja tasa de exactitud. Motivo por el cual, en este proyecto de tesis se introduce un mecanismo de regularización con el objetivo que ayude a maximizar la generalización de las tareas. Nuestros experimentos han mostrado que nuestro método de regularización propuesto alcanza resultados competitivos respecto al estado del arte.