Procesamiento
Digital de Señales
El
procesamiento de señales está relacionado con la
representación, transformación y manipulación de
las señales y de la información que ellas contienen.
Desde un punto de vista matemático, una señal puede ser
considerada como una función o una secuencia de números
que representan el estado o el comportamiento de un sistema físico.
Este
curso proporciona las herramientas matemáticas para el
procesamiento digital de señales, incluyendo los teoremas y
las propiedades de los sistemas lineales de tiempo discreto, el
filtrado, el muestreo y el análisis en los dominios del
tiempo y de la frecuencia.
Los
tópicos abordados son:
Sistemas
de Eventos Discretos
Los
sistemas discretos son sistemas dinámicos que, a diferencia de
los sistemas continuos, cambian de estado en instantes periódicos
de tiempo. Los Sistemas Dinámicos de Eventos Discretos
(SDED) son sistemas que en los cuales el estado cambia debido a la
ocurrencia abrupta de eventos, en intervalos de tiempo generalmente
irregulares y desconocidos. Entre la ocurrencia de dos eventos el
sistema permanece en un estado determinado.
En
los últimos tiempos, la evolución de la tecnología
ha producido sistemas dinámicos de este tipo, entre los que se
pueden mencionar, por ejemplo, los procesos de manufactura, las
cadenas de producción, los sistemas logísticos, las
redes de comunicación, el control de tráfico aéreo,
los automatismo secuenciales, etc.. En general, se puede decir que
los sistemas dinámicos dirigidos por eventos son gobernados
por reglas operacionales de concepción esencialmente humana.
Para
estudiar este tipo de sistemas, han surgido una serie de paradigmas
que poseen un nivel de abstracción superior al de los
lenguajes de simulación. Este curso tiene como objetivo proporcionar conocimientos de modelado y análisis
de sistemas de eventos discretos, tanto secuenciales como
concurrentes, desde un punto de vista cualitativo (propiedades
lógicas del modelo) y cuantitativo (comportamiento temporal y
evaluación de desempeño), empleando métodos
formales.
Los
temas abordados son:
- Introducción al modelamiento de SDED: Sistemas continuos,
discretos, e híbridos. - - Modelos básicos de sistemas
discretos. Modelos secuenciales.
- Autómatas finitos y diagramas de estados.
- Algebra Max-Plus. Algebra de procesos.
- Modelos concurrentes. Redes de Petri. Introducción.
Propiedades. Análisis. Modelado y análisis de sistemas
concurrentes con redes de Petri. · Redes de Petri autónomas.
Modelado y análisis lógico. Propiedades. ·
Interpretación de redes de Petri. Aplicaciones.
- Modelos temporizados (Autómatas temporizados, Redes de Petri
temporizadas)
- Redes de Petri de alto nivel y redes coloreadas.
- Comportamiento temporal. Evaluación de desempeño.
- Sistemas de supervisión aplicados a la automatización.
- Simulación de SDED.
- Apliacaciones
Arquitecturas
Avanzadas de Hardware
En
las aplicaciones donde se requiere procesar cantidades importantes de
datos, la capacidad de un solo equipo de cómputo no es
suficiente. Es así como se hacer necesaria la utilización
de sistemas con multiprocesadores y multicomputadores que realicen,
de manera paralela y distribuida, la labor especificada.
Este
curso presenta los fundamentos sistemas multiprocesadores y
multicomputadores, brindando los conocimientos necesarios para
diseñar y analizar sistemas de cómputo paralelo. En
particular, se tratan aspectos como el análisis de desempeño,
los modelos de comunicación y las redes de interconexión,
tanto en hardware como en software.
El
contenido del curso es el siguiente:
- Contexto y Justificación de las máquinas de alto
desempeño: Modelos matemáticos, Tendencias (Desempeño,
,Aplicación, Tecnología, Arquitectura).
-
Aspectos de diseño de Arquitecturas de alto desempeño.
-
Modelos de comunicación
-
Clasificación de los sistemas de computo
-
Convergencia: Arquitectura de un sistema de cómputo paralelo,
Modelos de programación.
-
Arquitectura Genérica de un sistema de cómputo paralelo
- Redes de Interconexión: Desempeño y Consideraciones de
diseño, Clasificación (Redes de medio compartido, Redes
directas, Redes indirectas, Redes híbridas).
- Capa de conmutación de mensajes
- Algoritmos de enrutamiento
- Software de la capa de mensajes
Sistemas
Inteligentes (Soft Computing)
Este
curso proporciona los conocimientos necesarios para el diseño,
construcción y operación de Sistemas Inteligentes
modelados a partir de Redes Neuronales, Lógica Difusa,
Algoritmos Genéticos y Sistemas Híbridos. Esto para
su correspondiente aplicación en la solución de
problemas del mundo real cuya complejidad radica en la incertidumbre
e imprecisión de la información de que se dispone.
Las
Redes Neuronales son modelos computacionales no lineales,
inspirados en la estructura y operación del cerebro humano,
que buscan reproducir características humanas como
aprendizaje, asociación, generalización y abstracción.
La Lógica Difusa (fuzzy) tiene por objetivo modelar el
modo aproximado de raciocinio humano, sirviendo de base a sistemas
computacionales capaces de tomar decisiones racionales en un ambiente
de incertidumbre e imprecisión. Los Algoritmos Genéticos son algoritmos matemáticos para la
resolución de problemas de búsqueda y optimización inspirados en los mecanismos de evolución natural y
recombinación: selección basada
en la población, reproducción y mutación.
Los
temas abordados son:
Redes
Neuronales. Características Básicas:
Aprendizaje, Asociación, Generalización e Robustez;
Estructura de la Neurona Artificial; Estructuras de Interconexión;
Aprendizaje Supervisado e No Supervisado; Algoritmos de Aprendizaje:
Perceptron, Algoritmos de Mínimos Cuadrados, Back Propagation,
Redes de Función de Base Radial, Redes de Hopfield, Memorias
Asociativa, Mapas Auto-Organizables; Aplicaciones.
Lógica
Difusa (Fuzzy Logic). Definiciones; Características
Básicas; Formas de Imprecisión; Conjuntos Difusos;
Operaciones Lógicas con Conjuntos Difusos; Sistemas Difusos:
Base de Reglas, Mòdulos de Inferencia, “Fuzzificaciòn”,
“Defuzzificaciòn”. Aplicaciones.
Algoritmos
Genéticos. Conceptos Básicos, Evolución
y Selección Natural; Componentes de un AG; Tamaño de
la Población; Métodos de Reproducción,
Selección, Mutación y Crossover; Técnicas e
Parámetros; Fundamentos Matemáticos de AGs y
Convergencia; Aplicaciones.
Métodos
Avanzados de Control
Este
curso proporciona las herramientas fundamentales para el análisis
de sistemas de control lineales y no lineales, así como
algunos métodos avanzados para el diseño de
controladores.
- Revisión de control clásico.
-
Análisis de sistemas lineales en el espacio de estados:
Estabilidad, Observabilidad, Controlabilidad.
- Control por realimentación del estado y asignación de
autovalores. Casos SISO y MIMO.
- Control óptimo con criterio cuadràtico (LQR).
- Observadores de estado.
- Introducción a los sistemas no lineales (no linealidades,
plano de fase, análisis cualitativo).
- Estabilidad de Lyapunov.
- Métodos geométricos para el control de sistemas no
lineales.
- Control por rediseño de Lyapunov.
- Control “backstepping”.
- Introducción al control adaptativo.
Sistemas
Empotrados de Tiempo Real
Existen
muchas aplicaciones de cómputo en donde el tiempo de respuesta
del sistema es un criterio tan importante como el procesamiento
mismo; estos sistemas se conocen como de Tiempo Real. En la práctica,
el desarrollo de este tipo de aplicaciones se implementa mediante
sistemas de cómputo mejorados para dicha tarea, que se
denominan Sistemas Empotrados.
Este
curso ofrece las metodologías y criterios de diseño
para el desarrollo de Sistemas Empotrados y, en particular, de Tiempo
Real. La fase de especificación se enfrenta con
SA/RT (Structured Analysis with Real-Time extensions) y las
restantes con SDL (Specification and Description Language).
Igualmente, se introducen los conceptos requeridos para programar en
Tiempo-Real, incluyendo los aspectos concernientes a la plataforma de
desarrollo (host), la meta (target) y la planta; incluyendo algunas
técnicas de validación y verificación.
El
contenido del curso es el siguiente:
Introducción:
Conceptos básicos de Tiempo-Real, Clasificación de los
sistemas de cómputo, Características de los sistemas
de Tiempo-Real, Eventos y Determinismo, Elementos de cómputo
de los sistemas de Tiempo-Real.
- Fundamentos
de Administración de Proyectos: Planeación, Estimación
del tiempo de un proyecto, Control del proyecto.
- Análisis
y Especificación de Requerimientos: Ciclo de vida del
software, La fase de los requerimientos, Prototipado.
- Desarrollo
de Software Confiable (dependable): Errores durante
desarrollo del software, Pruebas, Bases de un buen desarrollo del
software.
- Metodologías:
SA/RT Ward & Mellor, SDL.
- Sistemas
Operativos de Tiempo Real: Componentes de un sistema,
Características de un sistema operativo de Tiempo-Real,
Manejo de Memoria, Conceptos de planeación de tareas,
Implementación de un planeador, Manejo de recursos (exclusión
mutúa), Comunicación entre tareas.
- Planeación
de Tiempo Real (Opcional).
- Redes
de Petri (Opcional)
- C
– Traps & Pitfalls (Opcional)
Control
de Procesos Industriales
El
Control de Procesos está relacionado con la operación
de un sistema en una amplia variedad de escalas espaciales o
temporales (dinámica celular, operaciones unitarias, plantas
químicas, etc.) entorno a una condición de operación
deseada. Los beneficios de la industria se basan en la capacidad de
producir una cantidad particular de producto en un estándar de
calidad particular. El uso de lazos de control en un proceso reduce
la variabilidad en el producto cuando se presentan perturbaciones.
Este
curso considera tres aspectos importantes para los ingenieros: el
comportamiento dinámico del proceso, el control automático
de este y su optimización. El curso se concentra en la
respuesta dinámica, donde se asume que el proceso está
operando en una condición de estado estacionario, pero puede
requerir cambios en la variable manipulada para rechazar
perturbaciones externas o para cambiar el punto de operación.
Los
temas abordados son:
Robótica
Avanzada
El
curso tiene como objetivo proporcionar los conceptos matemáticos
involucrados en el diseño, modelado y control de robots
manipuladores y robots vehiculares, además de familiarizar al
estudiante con herramientas de software y hardware para modelado,
simulación y control de robots.
Los
temas a abordar son:
-
Introducción y breve recuento de la historia de la robótica
- Repaso Mecánica de cuerpos rígidos: Transformaciones
espaciales; Rotación (Euler, cuaterniones, rotaciones
básicas); Translación; Representaciones homogéneas;
Transformaciones espaciales diferenciales.
- Cinemática de manipuladores seriales, de sistemas ramificados
y de cadenas cerradas:. Cinemática de Vehículos
Autónomos (directa e inversa) incluyendo sistemas caminantes.
- Dinámica de Manipuladores y Vehículos Autónomos:
Formulación de Newton-Euler ; Formulación de Lagrange;
Dinámica Directa e Inversa; Extensión a sistemas
ramificados y cadenas cerradas– incluye sistemas caminantes.
Dinámica de vehículos autónomos (directa e
inversa).
- Planeación de Trayectorias para manipuladores y vehículos
autónomos.
-
Control de Manipuladores: Sensores/Actuadotes; Control por par
Calculado; Control por realimentación de fuerzas; Otras
Técnicas
- Temas abiertos a investigación en Robótica.
Sistemas
de Hardware Reconfigurable
La
rapidez con que deben desarrollarse las aplicaciones para que sean
competitivas, al igual que la necesidad de disponer de sistemas
inteligentes que se adapten a su entorno ha dado un gran impulso al
posicionamiento del hardware reconfigurable como la plataforma ideal
para prototipado rápido y para sistemas adaptativos.
Este
curso brinda los conocimientos necesarios para desarrollar sistemas
digitales en tales dispositivos a través de la comprensión
de sus diversas arquitecturas, del desarrollo de habilidades en los
lenguajes de descripción de hardware que se usan para
programarlos, de la implementación de sistemas para propósito
específico como procesamiento de señales, procesamiento
de imágenes y hardware evolutivo, y del desarrollo de
formalismos para validar y verificar sistemas de alta complejidad,
teniendo en cuenta además del análisis de desempeño
y los modelos de comunicación e interconexión, sus
aspectos de codiseño hardware / software.
El
curso aborda los siguientes temas:
- Arquitecturas Reconfigurables: Granularidad, CPLD, FPGA.
- Lenguajes de Descripción de Hardware: AHDL, VHDL,
Verilog.
- Proceso de diseño mediante herramientas CAD: Altera,
Xilinx, ModelSim.
- Diseño Digital mediante VHDL: Diseño
Combinacional, Diseño Secuencial, Máquinas de
Estado, Diseño Estructural.
- Comprobación
efectiva de diseños: Validación, Verificación,
JTAG.
-
Aplicaciones
específicas: Procesamiento de señales,
Procesamiento de imágenes, Hardware evolutivo
Visión
Artificial
La
creación de sistemas artificiales con capacidades semejantes a
las humanas ha dejado de ser un deseo para convertirse en una
necesidad. En este contexto, el sentido de la visión se
presenta como el más adecuado para permitir trabajos
conjuntos entre seres humanos y máquinas.
En
este curso se realiza un estudio comparativo entre el sistema de
visión en los seres vivos, principalmente los mamíferos,
y los diferentes esquemas de sistemas de visión artificial,
analizando semejanzas y diferencias. Con base en ello, se diseñan
e implementan sistemas que permiten obtener información a
partir de imágenes estáticas y dinámicas, tal
como determinación de objetos, trayectorias y texturas.
Asimismo, se explora la posibilidad de automatizar las tareas propias
de un sistema de visión artificial con miras a facilitar su
inclusión en otros sistemas, como líneas de ensamble o
robots autónomos.
Los
temas abordados son:
-
Elementos de un sistema de visión artificial.
- Sistemas de visión biológicos: Sistema Nervioso –
fundamentación; Sistema visual – captura y
preprocesamiento; Corteza visual – representación.
- Captura de imágenes.
- Procesamiento digital de imágenes: Estáticas;
Dinámicas.
- Transformaciones de la imagen: En el dominio espacial; En el dominio
frecuencial.
- Mejora de la imagen: En el dominio espacial; En el dominio
frecuencial.
- Segmentación de imágenes: Detección de bordes;
Detección de objetos; Representación y descripción.
- Procesamiento neurodifuso de imágenes: Sistemas lineales
adaptativos; Reconocimiento de patrones.
