Un nuevo enfoque para el análisis de datos supervisado en entornos de sistemas embebidos: un estudio de caso
Hoy en día, la implementación de sistemas embebidos con sensores para la recolección masiva de datos se ha vuelto ampliamente utilizada debido a su flexibilidad y a la mejora en la toma de decisiones. Sin embargo, este proceso puede verse afectado por errores en la lectura, desgaste de los sistemas,...
| Authors: | , , , , |
|---|---|
| Format: | article |
| Status: | Published version |
| Publication Date: | 2020 |
| Country: | Ecuador |
| Institution: | Universidad Técnica del Norte |
| Repository: | Repositorio Universidad Técnica del Norte |
| Language: | English |
| OAI Identifier: | oai:repositorio.utn.edu.ec:123456789/18618 |
| Online Access: | https://repositorio.utn.edu.ec/handle/123456789/18618 https://link.springer.com/chapter/10.1007/978-3-030-52249-0_29 |
| Access Level: | Open access |
| Keyword: | Análisis de datos Datos de sensores Sistemas embebidos Data analysis Sensor data Embedded systems |
| Summary: | Hoy en día, la implementación de sistemas embebidos con sensores para la recolección masiva de datos se ha vuelto ampliamente utilizada debido a su flexibilidad y a la mejora en la toma de decisiones. Sin embargo, este proceso puede verse afectado por errores en la lectura, desgaste de los sistemas, entre otros factores. Para ello, se presenta un enfoque de selección de algoritmos supervisados con un criterio de selección de prototipos, que permite un desempeño adecuado del sistema embebido. Para lograrlo, se estableció una medida de calidad que compromete la reducción de datos del conjunto de entrenamiento, el tiempo de procesamiento del algoritmo y el desempeño de clasificación. Como resultado, se determinó que el algoritmo para la selección de datos es Condensed Nearest Neighbors (CNN) y el algoritmo de clasificación es k-Nearest Neighbour (k-NN). |
|---|