Pattern recognition for the modification of characteristics using non-linear techniques

• Mesa, Fernando ^[1] ; Ospina-Ospina, Rogelio ^[2] ; Devia-Narvaez, Diana Marcela ^[1]
  1. [1] Universidad Tecnológica de Pereira

     Universidad Tecnológica de Pereira

     Colombia

     
  2. [2] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 22, Nº. 1, 2023 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 17-24
• Idioma: inglés
• Títulos paralelos:
  • Reconocimiento de patrones para la estimación de características por medio de técnicas no lineales
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Las aplicaciones de procesamiento de datos tradicionales son inadecuadas para el manejo de una cantidad elevada de datos. Para lograr una eficiente manipulación y extracción de características o muestras que representa la información, es necesario conocer aspectos como la captación y tratamiento de datos. En este documento se depuró una base de datos correspondiente al comportamiento del consumo de energía eléctrica en una carga residencial. La depuración y análisis estadístico de las muestras se realizó por medio del análisis de componentes principales. El entrenamiento del conjunto de datos de menor dimensión a la base de datos original se hizo por medio de las técnicas de máquina de soporte vectorial y redes neuronales artificiales. Finalmente, se presenta una propuesta de análisis de muestras que se encuentren o no dentro de los límites de operación por medio de la actualización de patrones dinámicos para la validación no supervisada de nuevas muestras.

  • English

    Traditional data processing applications are unsuitable for handling large amounts of data. To achieve an efficient manipulation and extraction of characteristics or samples that the information represents, it is necessary to know aspects such as data collection and treatment. In this document, a database corresponding to the behavior of electrical energy consumption in a residential load was refined. The debugging and statistical analysis of the samples were carried out using the principal component analysis. The training of the smallest data set to the original database was made using vector support machine techniques and artificial neural networks. Finally, a proposal is presented for the analysis of samples that are within the operating limits or not using updating dynamic patterns for the unsupervised validation of new samples.