Professional Documents
Culture Documents
CONTENIDO
PÁGINA.
1. INTRODUCCIÓN. 1
2. ANTECEDENTES. 2
4. OBJETIVOS Y ACCIONES. 7
5. JUSTIFICACIÓN. 11
6. ALCANCES. 12
1
6.2 Alcance Geográfico. 12
7. HIPÓTESIS. 13
8. MATRIZ DE CONSISTENCIA. 15
9. FUNDAMENTACIÓN TEÓRICA. 16
2
12. CRONOGRAMA DE TRABAJO. 36
13. BIBLIOGRAFÍA. 37
3
ÍNDICE DE TABLAS
CONTENIDO
PÁGINA
Tabla 1.1: Objetivos Específicos y Acciones. 8
Tabla 1.2: Operativización de variables. 14
Tabla 1.3: Contenido Temático. 16
Tabla 1.4: Diseño de la investigación. 29
Tabla 1.5: Cronograma de Trabajo. 36
4
ÍNDICE DE FIGURAS
CONTENIDO
PÁGINA
Figura 1.1: Matriz de Consistencia. 15
5
6
1. INTRODUCCIÓN.
7
2 enfocarse en el sistema
8
fotografías aéreas mediante la recepción del video, permite procesar las
imágenes, con la finalidad de obtener los resultados de la planificación de combate
en menor tiempo garantizando la disminución del riesgo de recursos humanos y la
reducción del tiempo en operaciones de reconocimiento del terreno.
2. ANTECEDENTES.
9
● Diseño y fabricación de motores de combustible sólido y líquido (con
fines pacíficos).
● Diseño y fabricación de cohetes (con fines pacíficos).
● Desarrollo de un sistema de guiado y estabilización.
● Desarrollo de un sistema de control de lanzamientos.
● Pruebas de factibilidad y calidad de los cohetes fabricados.
● Desarrollo de un sistema de reconocimiento del enemigo y terreno.
● Desarrollar un simulador de vuelo.
● Desarrollar un sistema de detección de la hoja de coca.
● Desarrollar un sistema de vuelo autónomo.
10
● No cuenta con telemetría siendo importantes para la transmisión, recepción de
datos y video, son medios electrónicos que requiere el software.
4 proceso actual
ANEXO “E”, organiza el tiempo para las actividades de la patrulla desde el Commented [6]: ya corregi esta bien?
11
❖ 3ra patrulla cubre el sector Nº3 empezando de 8 y concluyendo en 12, Ver
ANEXO “D”.
● Los combatientes visualizan la zona de reconocimiento, ingresan a territorio
restringido, ante el contacto con el enemigo las patrullas se desplazan por
otras, al cambiar de ruta no completan el barrido del sector asignado, los
mismo recolectan información errónea y en ciertos casos no cumplen con la
misión asignada. Lo cual obstaculiza el cumplimiento de la misión asignada.
12
Google se ha asociado con el Departamento de Defensa de Estados Unidos para
ayudarle a desarrollar una inteligencia artificial que analice vídeos e imágenes
captados por drones.
Maven fue diseñado para usar aprendizaje automático para identificar vehículos y
otros objetos en vídeos de drones, quitándole esa carga a los analistas. Según el
Pentágono, una de las primeras metas de Maven es proporcionar a los militares
un sistema avanzado de visión computarizada, el cual ofrece la detección e
identificación automatizada de objetos en vídeos de drones.
13
3.1 Identificación del Problema.
6 mencionar todos los problemas detectados
Los métodos actuales empleados en el proceso de reconocimiento y detección del
terreno en zonas enemigas presentan deficiencias como ser:
El riesgo de ser capturados como prisioneros de guerra y/o ser dados de bajas, al
entrar en contacto con el enemigo, en el proceso del barrido de las patrullas. Commented [13]: Seguir la secuencia lógica de los
antecedentes
3.1.1 Identificación de la situación problemática. Commented [14]: se siguio el orden de acuerdo a los
antecedentes
7 reformular causas y efectos pocos puntos se evidencian en los antecedentes
8 mejorar la situación problemática,
14
● El cambio de rutas al encontrarse con el enemigo provoca incumplimiento del
barrido en el sector asignado.
● El incumplimiento de la misión genera información errónea.
● La permanencia de la patrulla por varios días provoca desgaste de recursos
humanos y materiales.
● Al encontrarse con el enemigo en el barrido de la zona, provoca riesgo de
pérdida de recursos humanos en mencionadas operaciones.
● El proceso de planificación de la zona de reconocimiento en la actualidad, se
realiza desplazando recursos humanos, provocando el riesgo de pérdida de
recursos humanos y tiempo en mencionadas actividades.
● Exceder el tiempo en el cumplimiento de la misión, provoca pérdida de tiempo
en el reconocimiento del terreno.
3.1.2 Identificación de las causas.
Las causas identificadas son:
● El proceso de reconocimiento se hace sólo desde tierra.
● La patrulla de reconocimiento realiza el proceso de dos formas a pie o
motorizado dependiendo del tipo de operación.
● La planificación de las actividades, del horario de distribución del tiempo.
● La planificación de las operaciones de reconocimiento.
● El cambio de rutas al encontrarse con el enemigo.
● El incumplimiento de la misión.
● La permanencia de la patrulla por varios días.
● Al encontrarse con el enemigo en el barrido de la zona.
● El proceso de planificación de la zona de reconocimiento en la actualidad, se
realiza desplazando recursos humanos.
● Exceder el tiempo en el cumplimiento de la misión.
3.2 Formulación del problema.
9 formulación del problema poco sustentada
15
Los inadecuados procedimientos actuales en las operaciones de reconocimiento
del terreno, basados en él envió de personal humano y materiales provocan
recolección de información incompleta, demora de tiempo en el reconocimiento del
terreno y riesgo de pérdida de recursos humanos.
3.3 Análisis causa y efecto.
Causas:
Los inadecuados procedimientos actuales en las operaciones de reconocimiento
del terreno, basados en él envió de personal humano y materiales
Efectos:
● demora de tiempo en el reconocimiento del terreno.
● Riesgo de pérdida de recursos humanos.
4. OBJETIVOS Y ACCIONES.
Se pretende alcanzar el presente trabajo de grado es el siguiente:
4.1 Objetivo General.
Desarrollar un sistema de detección y reconocimiento del terreno, empleando
visión artificial y procesamiento de imágenes en el modelo de DPP2, para
garantizar la disminución del riesgo de pérdidas de recursos humanos y reducir el
tiempo en las operaciones de reconocimiento del terreno.
4.2 Objetivos específicos.
• Diseñar el modelado del negocio actual y alternativo para el proceso de
reconocimiento del terreno.
• Desarrollar el sub sistema de almacenamiento de imágenes y costura
panorámica.
• Desarrollar el sub sistema de clasificación de imágenes y aprendizaje
automático.
• Desarrollar interfaz de usuario para la visualización de recepción de video y
captura fotográficas.
• Realizar pruebas al sistema concluido.
4.3 Objetivos específicos y acciones de la investigación.
16
Para el logro de los objetivos específicos del proyecto se deben seguir las
acciones planteadas en la tabla N° 1:
Tabla 1.1: Objetivo Específico y acciones.
OBJETIVOS ACCIONES
ESPECÍFICOS
17
de base de datos seleccionado.
• Seleccionar Sistema gestor base de datos
basándose en la compatibilidad de procesar
conjuntos de datos de imágenes.
• Preparación de las imágenes para uso en
HDFS(serialización) serializar un conjunto
de datos de imágenes completo en un solo
archivo.
• Implementar algoritmo para serializar
un conjunto de datos de imágenes
completo en un único archivo.
• Cargar el conjunto de datos de imágenes
serializadas en HDFS. Realizar pruebas de
funcionalidad.
Corregir observaciones.
18
• Implementar algoritmo de Detección de
objetos basada en el aprendizaje profundo.
• Realizar pruebas de funcionalidad.
19
5. JUSTIFICACIÓN.
A continuación, se definen las justificaciones del presente trabajo.
5.1 Justificación técnica.
El sistema es justificable técnicamente tomando en cuenta que los vehículos
aéreos no tripulados se desplazan rápidamente en el espacio aéreo reduciendo el
tiempo empleado en el proceso actual del reconocimiento del terreno, brinda un
grado elevado de visión artificial del espacio aéreo mediante la incorporación de
cámara, son capaces de realizar procesamiento y reconocimiento de imágenes de
vehículos y personas, realiza la costura panorámica del aérea mediante
fotografías aéreas útiles para las áreas de tecnología implementada, garantizando
la disminución del empleo de recursos humanos y materiales.
20
El sistema implementado para el desarrollo de operaciones militares, mediante
una cámara de video permitirá la visión artificial del área designado por el escalón
superior, obteniendo:
• El reconocimiento y detección de patrones de vehículos y personas en tiempo
real.
• Centralización de información.
• Captura de fotografías aéreas.
• Costura panorámica del terreno actualizado.
La Información coadyuva a la mayor apreciación del enemigo en el área de
reconocimiento brindando ayuda al usuario final para la toma de decisiones de
manera oportuna, reduciendo riesgo de recursos humanos y la disminución del
tiempo empleado en el proceso de reconocimiento del terreno.
6. ALCANCES.
21
una duración de 5 años de acuerdo al cambio de tecnologías que suscitan día a
día.
22
Riesgo de pérdida de recursos humanos en el proceso del barrido en zonas
enemigas.
7.3 Definición conceptual.
Variable Independiente.
Sistema de detección y reconocimiento del terreno empleando visión artificial y
procesamiento de imágenes en el modelo DPP2.
Esta variable hace referencia al proyecto propuesto para el uso del reconocimiento
del terreno. La información oportuna sirve al usuario final para el planeamiento y
conducción de operaciones.
Variables dependientes.
Tiempo en el reconocimiento del terreno.
Se refiere a la reducción de tiempo debido al proceso actualmente utilizado en las
operaciones de reconocimiento del terreno.
Riesgo de pérdida de recursos humanos en el proceso del barrido en zonas
enemigas.
Se refiere a la reducción de riesgo de pérdida de vidas y capturas humanas al
entrar en contacto con el enemigo en las operaciones de reconocimiento.
7.4 Operativización de variables.
Tabla 1.2: Operativización de variables.
23
Variable Independiente. Sistema inteligente Comparación de
Sistema de detección y desarrollado y beneficios entre el
reconocimiento del terreno probado. sistema actual y
empleando visión artificial y propuesto.
procesamiento de imágenes en
el modelo DPP2.
Para el programa aeroespacial.
8. MATRIZ DE CONSISTENCIA.
12 modificar
En la figura N° 1 se muestra la matriz de consistencia que relaciona el problema,
el objetivo y la hipótesis del trabajo de investigación:
Figura N° 1.1: Matriz de consistencia.
24
Fuente: (Elaboración propia 2018)
9. FUNDAMENTACIÓN TEÓRICA.
25
Tabla 1.3: Contenido Temático.
26
Analizar los tipos de capturas de
imágenes. Ingeniería de
software
Seleccionar la estrategia de
almacenamiento adecuado.
Desarrollar el módulo
de almacenamiento de Seleccionar un gestor de base de datos Gestor de base
imágenes. adecuado. de datos
27
Crear un conjunto especial de datos para
Desarrollar un sub clustering k-means. Inteligencia
sistema de Artificial
clasificación de Seleccionar descriptores.
imágenes y
aprendizaje Implementar algoritmos de extracción de Herramientas
automático. descriptores. Programación.
28
Diseñar algoritmos de estimación para el Artificial
empleo de vectores de características
coincidentes
29
ala media ubicada en la parte media del fuselaje, aporta
maniobrabilidad.
ala baja ubicada en la parte inferior del fuselaje facilita la
maniobrabilidad.
ala volante conforta la mayor parte del fuselaje con baja resistencia
aerodinámica.
Caracterizados por poseer una estructura simple con una elevada
eficiencia aerodinámica.
Drones de ala rotatoria: es aquel dron en el que las alas , cambien
denominadas palas gira alrededor de un eje consiguiendo
sustentación, pueden dividirse en los siguientes:
Aeronaves con un rotor principal y un rotor de cola la
sustentación es generada por un rotor principal situada en la parte
superior mientras que el rotor de cola compensa el par de torsión
que el primero produce.
Dron con un único rotor o singlecopter este tipo de rotor para
generar la sustentación y un arreglo de alerones para compensar el
torque del rotor.
Dron con dos rotores en configuración coaxial esta configuración
posee dos rotores colocados uno encima del otro, giran en
direcciones opuestas consiguiendo el vuelo a partir de la diferencia
generada de la velocidad angular de ambos rotores.
drones con dos rotores en configuración tándem este tipo de
aeronaves poseen dos rotores ubicados en la parte superior del
aparato en configuración tándem girando en direcciones opuestas.
multirrotores es una aeronave que posee tres o más rotores,
dependiendo del número de rotores y de su configuración pueden
subdividirse en diferentes tipos tres hasta ocho o más rotores.
Drones híbridos este tipo de RPAs son capaces de despegar y
aterrizar de forma vertical como aeronave de ala rotatoria, y realizar
vuelos de alta velocidad como un ala fija tradicional.
c) Según el tipo de aplicación.
Drones civiles:son empleados para llevar a cabo aplicaciones
destinadas a cubrir necesidades propias de la sociedad.
Drones militares:son empleados por los ejercemos para llevar a
cabo una amplia variedad de tareas como vigilancia, inteligencia y
reconocimiento ,etc.
9.2.3 Reconocimiento
Es un término militar y médico que denota la exploración dirigida a la obtención de
información. Militarmente, el reconocimiento es la búsqueda activa que se efectúa
para determinar las intenciones del enemigo mediante la recopilación y recogida
de información sobre la composición y capacidad del enemigo, junto con las
pertinentes condiciones ambientales, vía la observación directa; es realizada por
30
exploradores o soldados de la inteligencia militar especialmente entrenados en
observaciones críticas.
9.2.3.1 Elementos
Está compuesta por tres patrullas cada patrulla está organizada por:
1.- Elemento comando, el cual está compuesto por los jefes de equipo.
31
3.- Equipo de seguridad encargado de brindar seguridad a toda la patrulla.
32
no tener como elemento central de razonamiento un modelo simbólico y por no
utilizar razonamiento simbólico complejo (Brooks, 1991).
9.2.6.3 Híbridas
Dado que algunos investigadores opinan que para la construcción de agentes no
es del todo acertado utilizar una arquitectura totalmente deliberativa, o totalmente
reactiva, se han propuesto sistemas híbridos que pretenden combinar aspectos de
ambos modelos. Una primera propuesta puede ser construir un agente compuesto
de dos subsistemas: uno deliberativo, que utilice un modelo simbólico y que
genere planes en el sentido expuesto anteriormente, y otro reactivo centrado en
reaccionar a los eventos que tengan lugar en el entorno y que no requiera un
mecanismo de razonamiento complejo.
9.2.6.4 Clasificacion de Agentes
Los agentes se clasifican en: (Russell et al., 1995)
• Agente de reflejo simple: el agente utiliza reglas de condición-acción
para establecer la conexión entre percepciones y acciones. El agente
actúa encontrando una regla cuya condición coincida con la situación
actual, definida por la percepción, y efectuando la acción que corresponda
a tal regla.
• Agente reflejo con estado interno: el agente mantiene cierto tipo de
estado interno, que se actualiza con información de cómo evoluciona el
mundo independientemente del agente y de cómo las acciones del agente
afectan al mundo.
• Agentes basados en metas: el agente para decidir qué hacer requiere
información sobre su meta, información que detalle las situaciones
deseables. El agente ha de elegir las posibles acciones que le permitan
alcanzar su meta, para ello puede utilizar técnicas de búsqueda y
planificación.
• Agentes basados en utilidad: las metas no bastan para generar una
conducta adecuada, si se prefiere un estado del mundo a otro, entonces
ese estado ofrece mayor utilidad al agente. La utilidad es una función que
a cada estado le asocia su grado de utilidad. La completa especificación
de la función de utilidad permite la toma de decisiones racionales cuando
satisfacer algunas metas implica un conflicto o cuando el agente puede
desear obtener varias metas y no existe la certeza de lograr ninguna de
ellas.(Russell et al., 1995)
9.2.7 Visión por Computadora.
La visión humana es el sentido más desarrollado y el que menos se conoce
debido a su gran complejidad, actividad inconsciente y difícil de saber cómo se
produce, por tanto, la Visión Artificial o también llamada Visión por Computador,
pretende capturar la información visual del entorno físico para extraer
características relevantes visuales, utilizando procedimientos automáticos. Según
Marr, “Visión es un proceso que produce a partir de imágenes del mundo exterior
una descripción útil para el observador y no tiene información irrelevante”.
9.2.7.1 La naturaleza de la Luz
33
La emisión de la luz intervienen electrones con cantidades de energía
determinadas o discretas. Cuando un electrón pasa de un nivel de energía a otro
inferior emite una partícula discreta de energía, llamada cuanto o fotón.
9.2.7.2 Visión humana y visión artificial
El color es una característica del sistema de percepción humana y está
relacionado con las sensaciones recibidas por el ojo en el espectro visible. El color
es la respuesta del sistema visual humano ante las variaciones de las longitudes
de onda del espectro electromagnético visible.
El hombre ha imitado muchas veces, en la construcción de sus artefactos, a la
Naturaleza. En este caso también se cumple. Las cámaras de vídeo con sus
ópticas hacen las veces del globo ocular, mientras el computador realizará las
tareas de procesamiento, emulando el comportamiento del cerebro.
9.2.7.3 Etapas básicas de una aplicación en Visión Artificial
Cada aplicación de Visión Artificial tiene sus especificidades, se puede decir que
existe un tronco común de etapas entre ellas la primera etapa es la construcción
del sistema de formación de las imágenes. Su objetivo es realzar, mediante
técnicas fotográficas (iluminación, óptica, cámaras, filtros, pantallas,...), las
características visuales de los objetos (formas, texturas, colores, sombras,…).Una
vez adquirida la imagen se pasará a la etapa de pre procesado.
Pre procesado el objetivo es mejorar la calidad informativa de la imagen adquirida.
Segmentación es la fase donde se particiona la imagen en áreas con significado
Existen varias técnicas: umbralizaciones, discontinuidades, crecimiento de
regiones, uso del color o de movimiento, etc.
Extracción de las características. Básicamente son de tipo morfológico, tales como
área, perímetro, excentricidad, momentos de inercia, esqueletos, pero también se
puede emplear características basadas en la textura o en el color.
Clasificar e interpretar. Se diseñarán clasificadores que le dé a cada área
segmentada una etiqueta de alto nivel, como por ejemplo, en una imagen aérea
qué zonas son tierras de cultivo, áreas urbanas, etc.
9.2.8 Aprendizaje Automático.
El aprendizaje automático es un tipo de inteligencia artificial que proporciona a las
computadoras la capacidad de aprender, sin ser programadas explícitamente.
Los algoritmos de aprendizaje automático (generalmente) se dividen en tres
campos: aprendizaje supervisado, no supervisado y semi-supervisado.
9.2.8.1 Tipos de aprendizajes.
a)Aprendizaje supervisado
El aprendizaje supervisado es el tipo de aprendizaje automático más
conocido y estudiado. Dados datos de capacitación, se crea un modelo (o
"clase") a través de un proceso de capacitación donde las predicciones se
realizan sobre los datos de entrada y luego se corrigen cuando las
predicciones son incorrectas. Este proceso de capacitación continúa hasta
que el modelo logre algún criterio de detención deseado, como una baja
tasa de errores o un número máximo de iteraciones de capacitación.
b)Aprendizaje No Supervisado
34
El aprendizaje no supervisado (a veces llamado aprendizaje autodidacta)
no tiene etiquetas asociadas con los datos de entrada y, por lo tanto, no
podemos corregir nuestro modelo si realiza una predicción incorrecta.
c)Aprendizaje semi-supervisado
Es un híbrido de aprendizaje supervisado y no supervisado y aún así poder
clasificar cada uno de los puntos de datos.
El aprendizaje semi-supervisado es especialmente útil en la visión por
computadora, donde a menudo requiere mucho tiempo, es tedioso y
costoso (al menos en términos de horas-hombre) etiquetar todas y cada
una de las imágenes del conjunto de capacitación. En los casos en que
simplemente no hay tiempo o los recursos para etiquetar cada imagen
individual, podrá etiquetar solo una pequeña fracción de datos y utilizar el
aprendizaje semi-supervisado para etiquetar y clasificar el resto de las
imágenes.
9.2.9 Aprendizaje profundo.
"Los métodos de aprendizaje profundo son métodos de representación
aprendizaje con múltiples niveles de representación, obtenidos
componiendo módulos simples pero no lineales que transforman la
representación en un nivel (comenzando con la entrada en bruto) en una
representación en un nivel más alto, un poco más abstracto . Aspecto clave
del aprendizaje profundo es que estas capas no están diseñadas por
ingenieros humanos: se aprenden de los datos mediante un procedimiento
de aprendizaje de uso general "- Yann LeCun, Yoshua Bengio y Geoffrey
Hinton, Nature 2015.
El aprendizaje profundo es un subcampo del aprendizaje automático, que
es, a su vez, un subcampo de la inteligencia artificial (IA).
9.2.9.1 Red neuronal.
Las Redes Neuronales Artificiales (ANN) están inspirados por el cerebro
humano y la forma en que sus neuronas interactúan entre sí, las RNA no
están destinadas a ser modelos realistas del cerebro. En cambio, son una
inspiración que nos permite establecer paralelismos entre un modelo básico
del cerebro y cómo podemos imitar parte de este comportamiento a través
de redes neuronales artificiales.
son una clase de algoritmos de aprendizaje automático que aprenden de
los datos y se especializan en el reconocimiento de patrones, inspirados en
la estructura y función del cerebro. El aprendizaje profundo pertenece
a la familia de algoritmos ANN, y en la mayoría de los casos, los dos
términos se pueden usar indistintamente.
9.2.10 Ingeniería del Software.
Es la aplicación de un enfoque sistemático ,disciplinado y cuantificable
aplicado por un equipo de software , es una tecnología con capas de
compromiso con la calidad (alimenta la cultura de la mejora continua),
proceso (permite el desarrollo racional y oportuno del software), métodos (la
35
administración de proyectos de software) y herramientas (proceso
automatizado para proceso y métodos).(pressman,2004)
9.2.10.1 Metodologias de desarrollo.
Las metodologías ágiles son una serie de técnicas para la gestión de
proyectos que han surgido como contraposición a los métodos clásicos de
gestión. Aunque surgieron en el ámbito del desarrollo de software, también
han sido exportadas a otro tipo de proyectos. (Bautista, 2013)
Todas las metodologías que se consideran ágiles cumplen con el manifiesto
ágil que no es más que una serie de principios que se agrupan en 4
valores:
Los individuos y su iteracion, por encima de los procesos y las
herramientas.
El software que funciona, frente a la documentación exhaustiva.
La colaboración con el cliente, por encima de la negociación contractual.
La respuesta al cambio , por encima del seguimiento de un plan.
Las metodologías ágiles pretenden aumentar la eficiencia de las personas
involucradas en el proyecto y, como resultado de ello, minimizar el coste.
Cada metodología tiene características propias y hace hincapié en algunos
aspectos más específicos. Las metodologías ágiles son un conjunto en
continuo crecimiento, por citar algunas:
● Adaptive Software Development (ASD)
● Agile Unified Process.
● Crystal Clear.
● Feature Driven Development (FDD)
● Lean Software Development (LSD)
● Kanban (desarrollo)
● Open Unified Process (OpenUP)
● Programación Extrema (XP)
● Método de desarrollo de sistemas dinámicos (DSDM)
● Scrum.
● G300
9.2.11 Gestor Base de Datos.
Sistema Gestor de Bases de Datos SGBD, también llamado DBMS (Data Base
Managment System) como una colección de datos relacionadas entre sí,
estructurados y organizados, y un conjunto de programas que acceden y
gestionan esos datos. La colección de esos datos se denomina Base de Datos o
BD, (DB Data Base). Como objetivos principales de los SGBD constan los
siguientes: - Independencia de datos: o Los programas de aplicación deben verse
afectados lo menos posible por cambios efectuados en datos que no usan.
- Integridad de los datos: o La información almacenada en la BD debe cumplir
ciertos requisitos de calidad, para ello hace falta, en el momento de introducirse
los valores de los datos, que éstos se almacenen debidamente, y que
posteriormente no se deterioren.
36
- Seguridad de los datos: o A la información almacenada en la BD sólo pueden
acceder las personas autorizadas y de la forma autorizada. (Sanchez,2001)
37
seleccionar el gestor base de datos Gestor de base Big Data
más convenientes de datos
Pruebas de Tipos de
Realizar prueba funcional
software pruebas.
38
Analizar descriptores de dos Herramientas
Desarrollar imágenes de entrada. de Análisis de
un sub Programación. imágenes.
sistema de
costura
panorámica.
Diseñar algoritmos de estimación Lenguaje de
para el empleo de vectores de programación
característica coincidente.
39
Implementar algoritmos de
generación de modelo de
aprendizaje
40
Probar las funcionalidades del
sistema. Ingeniería de Tipos de
Software. pruebas.
Realizar
pruebas
al sistema.
1. 1. GENERALIDADES.
2. 1.1. INTRODUCCIÓN.
3. 1.2. ANTECEDENTES.
4. 1.3. PLANTEAMIENTO DEL PROBLEMA.
5. 1.4. OBJETIVOS Y ACCIONES.
6. 1.5. JUSTIFICACIÓN.
7. 1.6. ALCANCE.
8. 1.7. HIPÓTESIS.
9. 1.8. MATRIZ DE CONSISTENCIA.
2. FUNDAMENTACION TEORICA.
41
2.4 INGENIERÍA DE SOFTWARE.
4. ANÁLISIS DE VIABILIDAD.
42
17. BIBLIOGRAFIA.
18. ANEXOS.
12. CRONOGRAMA DE TRABAJO.
43
Pressman R (2010). Ingeniería del Software Un enfoque práctico. México: Mc
Graw Hill.
Definición ABC. (2007 – 2017). Definición de Inteligencia artificial. Recuperado de
http://www.definicionabc.com/tecnologia/inteligencia-artificial.php (Visitado: enero
de 2017).
Ejército, B.(2017).Reglamento Técnicas y Procedimientos de la Sección de
Infantería RA-.La Paz:DPTO III-EMO.
R. Lackes and D. Mack, in collaboration with J. Ziola and K. Ahern.(1998).
Neuronal Networks: Basics and Applications.
Miguel Cárdenas Montes,(2015).Aprendizaje no Supervisado Graficas estadística
y minería de datos con python.
Krish Krishnan.(2010).data warehousing in the age of big data.
44
ANEXOS
45
ANEXO “A”
46
47
ANEXO “B”
48
49
ANEXO “C”
50
51
ANEXO “D”
52
“TECNICA DEL TREBOL”
53
ANEXO “E”
54
TAREAS DE LA UNIDAD
55