Deep learning methods for intelligent cyber-physical systems

Simple item page
dc.catalogadorpva
dc.contributor.advisorNúñez Retamal, Felipe Eduardo
dc.contributor.authorLangarica Chavira, Saúl Alberto
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2023-03-30T18:28:25Z
dc.date.available2023-03-30T18:28:25Z
dc.date.issued2023
dc.descriptionTesis (Doctor of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023
dc.description.abstractLos sistemas ciberfísicos (CPSs) han surgido en los últimos años como un nuevo paradigma que fusiona varias tecnologías para permitir la interfaz entre el mundo físico y el cibernético. Esto ha abierto la puerta al uso de técnicas de inteligencia artificial (AI) para interactuar con el mundo físico en tiempo real. Sin embargo, la interacción con sistemas físicos reales impone una serie de desafíos que estaban ausentes en los dominios de aplicación para los que se diseñaron originalmente estas técnicas basadas en datos, y se hace necesario la creación de un nuevo conjunto de modelos y métodos específicamente diseñados para hacer frente a estas dificultades. Esto ha limitado una adopción más amplia de los métodos de AI en los CPSs y en cambio, muchos han optado por métodos clásicos de filtrado, modelado y control para el desarrollo de este tipo de sistemas. En esta tesis se muestra como los CPSs pueden verse altamente beneficiados en diferentes niveles de su arquitectura al incorporar métodos inteligentes basados en datos, en particular, métodos de aprendizaje profundo cuidadosamente diseñados para lidiar con las dificultades inherentes que impone la interacción con sistemas físicos reales. En concreto, se muestra como los métodos de aprendizaje profundo pueden dotar a los CPSs de nuevas capacidades que no se pueden lograr con técnicas clásicas, y que estos métodos de AI logran un mejor rendimiento que sus homólogos clásicos en diferentes dominios cuando se utilizan diversas métricas específicas de la aplicación. Por lo tanto, mostrando cómo las técnicas de aprendizaje profundo contribuyen a liberar todo el potencial de los CPSs, transformándolos en sistemas de mejor rendimiento, más eficaces e inteligentes, a saber, en CPS “inteligentes” o iCPS. Para ello, se proponen tres métodos para iCPSs, materializados en tres aplicaciones diferentes, a saber, un método de limpieza de datos basado en aprendizaje por contraste, un modelo de aprendizaje profundo adaptativo basado en meta-aprendizaje, y un controlador neuroevolutivo con capacidad de aprendizaje y gran flexibilidad durante el proceso de optimización. Los resultados muestran la superioridad de los métodos propuestos cuando se comparan con otros métodos clásicos y otros métodos basados en datos en los diferentes dominios en los que se aplican nuestros métodos. Se espera que los resultados de esta investigación fomenten el desarrollo de más métodos inteligentes adecuados para los iCPS.
dc.fechaingreso.objetodigital2023-03-30
dc.format.extentxv, 127 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/66686
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/66686
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/66686
dc.information.autorucEscuela de ingeniería ; Núñez Retamal, Felipe Eduardo ; S/I ; 131441
dc.information.autorucEscuela de ingeniería ; Langarica Chavira, Saúl Alberto ; S/I ; 222832
dc.language.isoen
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectSistemas ciberfísicoses_ES
dc.subjectAprendizaje profundoes_ES
dc.subjectInteligencia artificiales_ES
dc.subjectAprendizaje por contrastees_ES
dc.subjectMeta-Aprendizajees_ES
dc.subjectRedes Recurrentes de Kalmanes_ES
dc.subjectAprendizaje reforzadoes_ES
dc.subjectPredicción de glucosaes_ES
dc.subjectPáncreas artificiales_ES
dc.subjectNeuroevoluciónes_ES
dc.subjectControl predictivo por modeloses_ES
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.ods09 Industry, innovation and infrastructure
dc.subject.odspa09 Industria, innovación e infraestructura
dc.titleDeep learning methods for intelligent cyber-physical systemses_ES
dc.typetesis doctoral
sipa.codpersvinculados131441
sipa.codpersvinculados222832
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Tesis Saul Langarica_compressed (002).pdf
Size:
14.44 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis doctorado