Autor:
Díaz Lago, Ledicia

Cargando...
Foto de perfil

E-mails conocidos

ledicia.diaz.lago@usc.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Díaz Lago

Nombre de pila

Ledicia

Nombre

Nombres alternativos

Afiliaciones conocidas

Universidad de Santiago de Compostela, Spain
CiTIUS, Universidade de Santiago de Compostela, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Resultados de la búsqueda

Mostrando 1 - 2 de 2
  • Artículo
    System for EIT reconstruction based on Machine Learning techniques
    Aller Domínguez, Martín; Mera Pérez, David; Cotos Yáñez, José Manuel; Díaz Lago, Ledicia. Actas de las XXV Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2021), 2021-09-22.
    Electrical Impedance Tomography (EIT) is a non-invasive technique that can be used to obtain information from inside bodies. To reconstruct internal body images using EIT, it is necessary to solve a mathematical ill-posed problem called inverse problem. We have developed a software called SageTomo that is able to reconstruct EIT images using Machine Learning techniques to solve the inverse problem. Furthermore, SageTomo allows users both to train and store Machine Learning models for EIT reconstruction, as well as to generate and store datasets for training these models.
  • Artículo
    Causalidad temporal y selección de características: Situación actual y retos futuros
    Díaz Lago, Ledicia; Mera Pérez, David; Cotos Yáñez, José Manuel. Actas de las XXVI Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2022), 2022-09-05.
    En los últimos años, la demanda de algoritmos de inteligencia artificial capaces de modelar líneas de producción est+AOE aumentando en el sector industrial. Debido al elevado número de variables existentes en los procesos productivos, el primer paso para conseguir un buen modelo es la selección de un conjunto de variables representativo del proceso. Esto resulta ser especialmente difícil cuando se trata de líneas de ensamblaje, ya que, debido a su naturaleza continua y secuencial, son necesarios algoritmos capaces de lidiar con datos que presentan desfases temporales, redundancias y ruido en las medidas. En la actualidad existen algunos algoritmos diseñados explícitamente para determinar desfases temporales pero, sin embargo, estos no se muestran eficaces para conjuntos de datos industriales. En este trabajo analizamos 3 aproximaciones capaces de lidiar con conjuntos de datos con fuertes dependencias temporales, señalando sus puntos fuertes y débiles. Además, se esboza una posible línea de trabajo futuro capaz de tratar con este tipo de datos y dependencias.