Hola,
¿eres nuevo aquí?

Registrate y conecta tu empresa con financiación pública, partners y proyectos.

PID2019-109247GB-I00

Financiado

REDES BAYESIANAS PARA FLUJOS DE DATOS CONTINUOS

HOY EN DIA LA SOCIEDAD GENERA GRANDES VOLUMENES DE DATOS QUE DEBEN SER TRANSFORMADOS EN CONOCIMIENTO EXPRESADO COMO UN MODELO COMPUTACIONAL, LAS TECNICAS DE APRENDIZAJE AUTOMATICO LLEVAN A CABO ESTA TRANSFORMACION Y SE HAN CONVERT... ver más

01/01/2019

UPM

154K€

Presupuesto del proyecto: 154K€

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 3944

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2019-01-01

0% 100%

Participantes

UPM

Lider

Proyectos interesantes

PRE2020-094828 REDES BAYESIANAS PARA FLUJOS DE DATOS CONTINUOS 99K€ Cerrado

BES-2017-082008 AVANCES EN CLASIFICACION MULTIDIMENSIONAL Y DETECCION DE ANO... 93K€ Cerrado

TIN2011-27696-C02-02 APLICABILIDAD DE LA SOFT COMPUTING EN ENTORNOS TECNOLOGICOS... 16K€ Cerrado

TIN2016-77902-C3-1-P MODELOS GRAFICOS PROBABILISTICOS Y ANALITICA ESCALABLE DE DA... 145K€ Cerrado

PRE2019-088164 Data Science and Artificial Intelligence 98K€ Cerrado

BES-2015-073689 HERRAMIENTAS Y MODELOS DE CIENCIA DE DATOS UTILIZANDO INTELI... 93K€ Cerrado

Últimas noticias

29-11-2024: IDAE En las últimas 48 horas el Organismo IDAE ha otorgado 4 concesiones

29-11-2024: ECE En las últimas 48 horas el Organismo ECE ha otorgado 2 concesiones

29-11-2024: CMVAMADRID En las últimas 48 horas el Organismo CMVAMADRID ha otorgado 37 concesiones

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID

Total investigadores 3944

Presupuesto del proyecto 154K€

Descripción del proyecto HOY EN DIA LA SOCIEDAD GENERA GRANDES VOLUMENES DE DATOS QUE DEBEN SER TRANSFORMADOS EN CONOCIMIENTO EXPRESADO COMO UN MODELO COMPUTACIONAL, LAS TECNICAS DE APRENDIZAJE AUTOMATICO LLEVAN A CABO ESTA TRANSFORMACION Y SE HAN CONVERTIDO EN UNA TECNOLOGIA AMPLIAMENTE ACEPTADA, LAS REDES BAYESIANAS OFRECEN UNA REPRESENTACION INTERPRETABLE Y EXPLICITA DEL CONOCIMIENTO INCIERTO CON UN CAMPO ACTIVO DE INVESTIGACION Y APLICACIONES REALES EXITOSAS COMPETITIVAS CON EL ESTADO DEL ARTE, LOS DOMINIOS INDUSTRIALES ENGLOBADOS EN EL TERMINO INDUSTRIA 4,0 SE ENFRENTAN A ESTOS ENORMES VOLUMENES DE DATOS FLUJOS CONTINUOS DE DATOS-, DONDE ES PROBABLE QUE SURJAN CAMBIOS DE CONCEPTO SIENDO NECESARIOS TANTO SU DETECCION COMO LA ADAPTACION DEL MODELO,LA NATURALEZA CONTINUA DEL TIEMPO Y DE LOS ESTADOS DE LA MAYORIA DE LAS VARIABLES EN LA INDUSTRIA REQUIERE EXTENDER LOS MODELOS ACTUALES DE REDES BAYESIANAS, LA TRADICIONAL DISCRETIZACION DEL TIEMPO Y LA ESTACIONARIEDAD (ESTRUCTURA FIJA) ASUMIDAS EN LAS PRIMERAS REDES BAYESIANAS PARA DATOS DINAMICOS (LAS REDES BAYESIANAS DINAMICAS) SON MUY LIMITADAS PARA TRATAR CON FLUJOS CONTINUOS DE DATOS, REFINAMIENTOS POSTERIORES, COMO LAS REDES NO ESTACIONARIAS Y LAS REDES DE TIEMPO VARIABLE, PERMITEN EVOLUCIONAR LAS ESTRUCTURAS EN EL TIEMPO, MAS AUN, LAS MARCAS DE TIEMPO NO NECESITAN SER DISCRETIZADAS EN LAS REDES BAYESIANAS DE TIEMPO CONTINUO (O EN SUS EXTENSIONES A VERSIONES NO ESTACIONARIAS), SIN EMBARGO, EL ESPACIO DE ESTADOS CONTINUO EN ESTAS REDES BAYESIANAS DE TIEMPO CONTINUO TIENE TAMBIEN QUE DISCRETIZARSE Y LOS RESULTADOS DEPENDEN FUERTEMENTE DE LA TASA DE DISCRETIZACION, EN ESTE PROYECTO CONJETURAMOS QUE LOS ESPACIOS DE ESTADOS CONTINUOS PUEDEN MODELIZARSE CON GAUSIANAS MULTIVARIANTES (FACTORIZADAS) Y/O TECNICAS DE ESTIMACION DE DENSIDADES KERNEL, TANTO EN TIEMPO DISCRETO COMO EN CONTINUO, LOS DERIVADOS DE ESTOS MODELOS ESENCIALES PLANTEAN RETOS IMPORTANTES EN TODAS LAS TAREAS DEL APRENDIZAJE AUTOMATICO, PARTICULARMENTE EN CLUSTERING PROBABILISTICO (ESPECIALMENTE MODELOS OCULTOS DE MARKOV), CLASIFICACION SUPERVISADA UNI- Y MULTIDIMENSIONAL, SELECCION DE SUBCONJUNTOS DE VARIABLES, REDES DE GRAN TAMAÑO PARA HORIZONTES DE TIEMPO LARGOS Y SU VISUALIZACION, Y PROCEDIMIENTOS DE DETECCION DE LOS CAMBIOS DE CONCEPTO Y LA POSTERIOR ADAPTACION DEL MODELO DENTRO DE ESTOS CONTEXTOS, TRES PROBLEMAS EN LA INDUSTRIA 4,0 MOTIVAN LA NECESIDAD DE ESTOS NUEVOS DESARROLLOS METODOLOGICOS, PRIMERO, LA PREDICCION A LARGO PLAZO DE LA TEMPERATURA EN HORNOS DE REFINERIAS; SEGUNDO, LA PREDICCION DE VIDA UTIL RESTANTE DE HERRAMIENTAS DE MECANIZADO EN EL SECTOR MANUFACTURERO; Y TERCERO, LA IDENTIFICACION EN TIEMPO REAL DE LOS GRANDES CONSUMIDORES DE ENERGIA EN UNA PLANTA AUTOMOVILISTICA, SIN NECESIDAD DE INVERTIR EN NUEVO EQUIPAMIENTO, LAS SOLUCIONES INTELIGENTES QUE RESUELVEN ESTOS PROBLEMAS DARAN LUGAR A PROCESOS MAS EFICIENTES, CAPACES DE AHORRAR TIEMPO, DINERO Y ENERGIA, Y AL MISMO TIEMPO PROPORCIONARAN POLITICAS DE MANTENIMIENTO PREDICTIVO EFECTIVAS, DOS EPOS, REPSOL Y AINGURA IIOT, APOYAN ESTA PROPUESTA, REDES BAYESIANAS\APRENDIZAJE A PARTIR DE DATOS\CLASIFICACION SUPERVISADA Y NO SUPERVISA\FLUJOS DE DATOS\CAMBIO DE CONCEPTO\INDUSTRIA 4.0

Conecta tu I+D

Entra hoy

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores