Mostrar el registro sencillo del ítem

dc.contributor.advisorHuamaní Navarrete, Pedro F.spa
dc.contributor.authorEspinoza Hoyos, Carlos Anibalspa
dc.date.accessioned2021-05-14T05:27:08Z
dc.date.available2021-05-14T05:27:08Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/20.500.14138/3647spa
dc.description.abstractLa presente investigación simuló Redes Neuronales Artificiales y evaluó su proceso de clustering de vectores de datos digitales captados por un guante electrónico, pertenecientes a 24 señas estáticas del alfabeto dactilológico peruano, utilizando para este cometido la evaluación de 3 parámetros distintivos como lo son: la tabla de contingencia, la precisión y el recall y se justificó por cuanto posee valor tanto social como académico; así mismo, se explicó la variable independiente, definida por las técnicas de clustering (de Regresión General como las de Aprendizaje por Cuantización Vectorial) a implementar, para ambos casos se optó por trabajar con 3 redes neuronales distintas: una encargada de las señas, otra para los sensores MPU y una red conjugada que congrega los resultados de las redes previas, y la variable dependiente definida por el reconocimiento de los gestos estáticos y evaluada por medio de la tabla de contingencia, la precisión y el recall. En cuanto a los resultados, evidenciaron que una Red Neuronal de Regresión Generalizada posee una gran capacidad en el reconocimiento de estos gestos, con una precisión y recall del 100% verificada en su tabla de contingencia para datos pre procesados, así como una resistencia al ruido del 1% para mantener esta efectividad; por otro lado, una Red Neuronal de Aprendizaje por Cuantización Vectorial requiere de una mayor cantidad de sensores, así como la adición de una red distinta para poder ser más preciso en su reconocimiento, con valores de precisión y recall iguales a 93.75% y mejorados al 100% con la adición de una red GRNN final. Además de ello, se verificó que esta red neuronal LVQ no posee mucha tolerancia al ruido al tener valores máximos de precisión y recall de 98.14% y 97.43% ante la aplicación de ruido a un nivel del 0.1% y valores mínimos de 90.25 y 88.05 respectivamente ante la aplicación del 10% de ruido.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Ricardo Palmaes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/es_PE
dc.sourceRepositorio institucional - URPes_PE
dc.sourceUniversidad Ricardo Palmaes_PE
dc.subjectAlgoritmo de clusteringes_PE
dc.subjectprecisiónes_PE
dc.subjectrecalles_PE
dc.subjectDeep Learning Toolboxes_PE
dc.subjectLengua de Señas Peruanaes_PE
dc.titleSimulación y evaluación de técnicas de clustering para el reconocimiento de gestos estáticos en la traducción de la lengua de señas peruanaes_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería Electrónicaes_PE
thesis.degree.grantorUniversidad Ricardo Palma. Facultad de Ingenieríaes_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.programIngeniería Electrónicaes_PE
thesis.degree.nameIngeniero Electrónicoes_PE
dc.publisher.countryPEes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.01es_PE
renati.advisor.orcidhttps://orcid.org/0000-0002-3753-9777es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline712097es_PE
renati.jurorChong Rodríguez, Humbertospa
renati.jurorSánchez Bravo, Miguel Ángelspa
renati.jurorGónzales Prado, Julio Césarspa
renati.author.dni73892049es_PE
renati.advisor.dni10032682es_PE


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess