https://rinacional.tecnm.mx/jspui/handle/TecNM/5298 Fri, 01 May 2026 05:33:58 GMT 2026-05-01T05:33:58Z https://rinacional.tecnm.mx:443/retrieve/dda6b9cf-3024-401b-83a9-9af52fe13f4e/Logo ITLP.png https://rinacional.tecnm.mx/jspui/handle/TecNM/5298 https://rinacional.tecnm.mx/jspui/handle/TecNM/12040 Title: VISIÓN ARTIFICIAL PARA REHABILITACIÓN DEL SÍNDROME DE PIE CAÍDO CON ESTIMULACIÓN ELÉCTRICA FUNCIONAL Authors: GONZÁLEZ GRANIEL, ESTEFANÍA Description: "Desarrollar un sistema basado en la visión artificial que permita la goniometría del tobillo durante la marcha como base de una propuesta de control que genere un patrón de activación muscular mediante Estimulación Eléctrica Funcional con fines de rehabilitación de la marcha en pacientes con Síndrome de Pie Caído post-EVC." Fri, 23 Jan 2026 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/12040 2026-01-23T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/11357 Title: “MODELO BIOGEOQUÍMICO PARA DETERMINAR LA DISTRIBUCIÓN DE LA BIOMASA DE FITOPLANCTON (CHLA-A) MEDIANTE EL USO DE REDES NEURONALES ARTIFICIALES” Authors: TALAMANTES MURILLO, JUAN MANUEL Description: El fitoplancton es un microorganismo marino que aporta más del 50% del oxígeno que hay en nuestro planeta. Es también el eslabón primario en las cadenas tróficas marinas, que constituye el alimento principal del zooplancton, derivando en el sustento de otras especies. Desde hace décadas, la actividad antropogénica ha generado que se viertan grandes volúmenes de contaminantes en los mares, alterando la abundancia y distribución de estos organismos. Sin embargo, aún se desconoce en qué medida se relacionan estas alteraciones con el fenómeno del cambio climático. Con el objetivo de aportar herramientas para abordar esta problemática, en este documento se presenta el desarrollo de un modelo computacional basado en redes neuronales artificiales, para predecir la concentración de biomasa del fitoplancton (Chla-a) a partir de datos de variables biogeoquímicas. Las pruebas del modelo se realizaron con datos obtenidos de la plataforma Copernicus Marine Service, para la zona subtropical del océano Pacífico que colinda con Perú. Los experimentos muestran una precisión del modelo del 98.5%, con un coeficiente de determinación (R2) de 0.9994. Adicionalmente, se utilizó el modelo desarrollado para analizar escenarios de cambio climático, con el fin de predecir su potencial impacto en la distribución de la biomasa del fitoplancton. Se emplearon proyecciones de incrementos simulados de temperatura permitiendo explorar posibles cambios espaciales y temporales en la abundancia del fitoplancton. Fri, 14 Nov 2025 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/11357 2025-11-14T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/10901 Title: CLASIFICADOR ROBUSTO DE HUELLAS DIGITALES BASADO EN REDES NEURONALES ARTIFICIALES Authors: GALLARDO RUIZ, KARLA Description: Esta tesis presenta el desarrollo de un clasificador robusto de huellas digitales basado en redes neuronales artificiales (RNA) y redes neuronales convolucionales (CNN), diseñado para mejorar la precisión en la identificación de huellas incluso en condiciones adversas, como imágenes con ruido o distorsiones. El sistema propuesto integra técnicas de procesamiento digital de imágenes para extraer características clave de las huellas, como minucias (bifurcaciones y terminaciones de crestas), y emplea modelos de aprendizaje automático para clasificarlas y compararlas con una base de datos previamente registrada. Se exploraron dos enfoques principales: 1. Redes Neuronales Artificiales (RNA): Se implementó un perceptron multicapa (MLP) para clasificar huellas a partir de minucias extraídas, logrando una precisión del 88% con configuraciones optimizadas. 2. Redes Neuronales Convolucionales (CNN): Se ajustaron modelos preentrenados (AlexNet y GoogleNet) mediante transferencia de aprendizaje, demostrando un rendimiento superior, con GoogleNet alcanzando hasta un 94.96% de precisión en validación. El estudio destaca las ventajas de las CNN sobre las RNA tradicionales, especialmente en el manejo de variabilidad en las imágenes y la reducción de falsas aceptaciones. Los resultados experimentales confirman la hipótesis de que las redes neuronales mejoran significativamente la robustez en la clasificación, incluso con huellas de baja calidad. Este trabajo contribuye al campo de la biometría al ofrecer un análisis comparativo de arquitecturas de redes neuronales, evaluando su eficiencia, tiempos de ejecución y aplicabilidad en escenarios reales. Como futuras líneas de investigación, se plantea ampliar el conjunto de datos y explorar modelos híbridos para incrementar aún más la precisión del sistema. Thu, 14 Aug 2025 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/10901 2025-08-14T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/8230 Title: Control de calidad de perfiles hidrográficos basado en redes neuronales artificiales Authors: Fong González, Marcos Daniel Description: El grupo internacional Argo Floats realiza mediciones de los océanos empleando perfiladores hidrográficos autónomos. Los datos, producto de dichas mediciones, son analizados por un sistema automatizado que les asigna etiquetas de acuerdo a su calidad y posteriormente,son puestos a disposición de la comunidad científica. Más tarde, son revisados por especialistas a través del control de calidad en modo diferido, donde se realizan correcciones. Analizar los perfiles en modo diferido resulta difícil debido al aumento de perfiles medidos mensualmente,por lo que este estudio propone una metodología que utiliza redes neuronales artificiales (RNA) para clasificar los datos hidrográficos de acuerdo con su nivel de calidad, para posteriormente estimar los valores ajustados de los mismos datos para mejorar su calidad, usando RNA de regresión. Dicha metodología permite realizar un balanceo de la distribución de los datos, para después desarrollar modelos de RNA capaces de clasificarlos en base a su calidad, logrando un nivel de exactitud promedio de 90% para temperatura y presión, y 80% para salinidad. Adicionalmente,la metodología hace posible crear RNA de regresión que generan predicciones de los valores ajustados de los datos hidrográficos con un valor de correlación R2 superior a 0.99 para las tres variables, y un valor de raíz de error cuadrático medio de 0.0005, 0.0136 y 0.1298 para temperatura, salinidad y presión respectivamente. Gracias a estos resultados, se propone la metodología como una alternativa viable, cuando no se cuenta con datos procesados por el Control de calidad en modo diferido. Tue, 27 Aug 2024 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/8230 2024-08-27T00:00:00Z