UNIVERSIDAD NACIONAL TECNOLÓGICA DE LIMA SUR

“UNTELS”

FACULTAD DE INGENIERÍA Y GESTIÓN

CARRERA PROFESIONAL DE INGENIERÍA ELECTRÓNICA Y TELECOMUNICACIONES

Taller de Electrónica Avanzada

 Duran Berrio Linder Alejandro

PROFESOR: LEZAMA CALVO JINMI

LIMA – PERÚ
2019
 INTELIGENCIA DE NIEBLA PARA ANÁLISIS DE DATOS DE SENSOR EN TIEMPO REAL

En este artículo los autores presentan un sistema analítico de IOT en el nivel de niebla para
mejorar la latencia y gestión de la red, ya que debido al incremento de sensores conectados a
internet y la evolución del internet de las cosas (IOT) se cargan mayor cantidad de datos de los
sensores en la web y estos no tienen valor en su totalidad.

Por ello los autores presentan dos técnicas de detección de novedades, la homoscedasticidad y
la extracción de características que ayudaran a obtener eventos importantes en los datos de los
sensores en tiempo real.

Para detectar una novedad se necesitan ciertas características que sean fáciles de detectar para
poder llamarla señal en tiempo real. La detección de novedades en las señales de los sensores es
importante, ya que estas disminuirían la cantidad de datos a analizar y mejorarían la transmisión
y procesamiento de los datos que se alojan en la nube.

Los autores del artículo nos dicen que han extraído y alimentado 7 características en una red
neuronal para poder clasificar las señales y así detectar eventos.

Estos eventos se clasifican en señales normales (no novedades) y señales anormales (novedades),
al detectarse una señal anormal se debe alertar al dueño del sensor con un mensaje y llamada a
su móvil. Para ello utilizaron un módulo GSM el cual utiliza una tarjeta SIM.

La imagen muestra el diseño

propuesto para el análisis de datos a
nivel de dispositivos.

Los autores del artículo también nos muestran una técnica de filtrado EMD (Método de
descomposición de modo empírico) esta técnica descompone las señales en un conjunto de
funciones de modo intrínseco (IMF)

En la imagen se muestra una Señal

LDR y señal sin ruido, usando
Descomposición de modo
empírico. (EMD)
Para la detección de novedades se utiliza la prueba de LEVENE la cual va a evaluar la
HOMOCEDASTICIDAD (igualdad de varianza).

En el artículo se muestra una red neuronal la cual es usada para la clasificación de procesos de
los datos que entran, esta red neuronal cuenta con tres capas las cuales están conectadas de
forma no cíclicas.

La imagen muestra la arquitectura de una

red neuronal de capa oculta.

Las capas ocultas cuentan con funciones

de activación (pueden ser sigmoides
tangente, hiperbólica)

ADQUISICION D EDATOS

Para la adquisición de datos se evalúan dos conjuntos el primero se utiliza se utiliza un arduino
uno y un sensor de luz que nos ayudara a detectar novedades en las señales, el segundo recopila
datos de 4 sensores de luz, CO2, temperatura, humedad que se implementa en una oficina

En el artículo se han estudiado 20 casos, 10 con caos

normales y 10 con casos anormales de las cuales se
obtuvo las siguientes señales (a) y (b)

Estas señales se sometieron al método de

descomposición de modo empírico (EMD) para
después extraer sus características las cuales se
muestran en la figura