Alumna: Sandra Cecilia Quispe Alvarez

Workshop de Microondas, Antenas y Sensores

(10,11 y 12 Diciembre)

Los siguientes temas son los que se hablaron en Workshop, que fue
organizado en el Campus de la Universidad Católica San Pablo por la Escuela
Profesional de Ingeniería Electrónica y de Telecomunicaciones de dicha casa
de estudios; los días 10, 11, 12 del presente mes.

- Diseño de sensores en base a metamateriales

- Técnicas de procesamiento de señal aplicado a señales biológicas y

fisiológicas,

- Redes de sensores aplicados a internet de las cosas,

- Técnicas de caracterización a través de cámara anecoica.

Las conferencias de los tres días se detallarán a continuación:

1. Conferencia 1: Nuevas tendencias en Antenas y Sensores para la

aplicaciones de Radar – Dr. Jorge Salazar.
2. Conferencia 2: Nuevas tendencias en antenas activas, para la
realización de small antenas y aplicaciones biológicas – Dr. Daniel
Segovia.
3. Conferencia 3: Caracterización dieléctrica de líquidos mediante sensor
microondas basado en resonadores de anillo – Dra. Patricia Castillo.
4. Conferencia 4: Medida de propiedades eléctricas de materiales
mediantes circuitos resonante – Dr. Alejandro García.
5. Conferencia 5: Extrayendo información de señales de sensores
electromagnéticos: Una aproximación basada en aprendizaje
automático – Dra. Ascensión Gallardo
6. Conferencia 6: Proyectos de Investigación en materiales complejos y su
uso en el diseño de antenas y líneas de transmisión – Dr. Mark
Clemente.
 7. Conferencia 7: Radares FM – CW usando técnicas GPR y SAR en la
detección y conformación de objetivos. Dr. Manuel Yarleque.
8. Conferencia 8: Antennas for Optical – THz Communications and LIDAR
applications – Dr. Hugo Hernandez.
9. Conferencia 9: Desafíos en el diseño de RF para la implementación de
redes sensores inalámbricos para nodos loT – Dr. Guillermo Rafael.
10. Conferencia 10: Aplicación de sensores fotónicos y biosensores. Miguel
Holgado

Conferencia 5: Extrayendo información de señales de sensores

electromagnéticos: Una aproximación basada en aprendizaje automático
– Dra. Ascensión Gallardo, Docente Universidad Carlos III (España)

Ascensión Gallardo-Antolín recibió el grado de Ph. D. en Ingeniería de

Telecomunicación en la Universidad Politécnica de Madrid, España en 2002. Ha sido
visitante en el Instituto de Ciencia de la Computación (ICSI, Berkeley, USA) en 2005,
en el Centro Alemán de Investigación para Inteligencia Artificial (DFKI, Saarbrucken,
Alemania) en 2006 y el Centro de Investigación de Tecnología de Voz (CSTR,
Universidad de Edingburgo, UK) en 2013. Actualmente, es profesora asociada en el
Departamento de Teoría de la Señal y Comunicaciones, Universidad Carlos III de
Madrid, España.

Ascensión nos menciona que hay dos tipos básicos de aprendizaje: Supervisado
(datos internamente etiquetados). Nos mostros una imagen donde una persona
realizaba el etiquetado de forma manual y el proceso es costoso. Los algoritmos
supervisados nos dan los datos sin necesidad de etiquetar, este tipo de algoritmos se
utiliza en una base de datos con grupos homogéneos y características similares, a su
vez estos algoritmos nos sirven para resolver problemas distintos.

Existen técnicas tradicionales se siguen utilizando. Ejemplo: La tarea es el de detectar

una imagen, los algoritmos tradicionales, lo que se requiere es un módulo medio cuya
función es extraer características (color, textura, etc.) que me permitan clasificar el
objeto, estas características dependen mucho de tipo de dato que se desea obtener.
Al preguntar que algoritmo es mejor esto no se tiene alguna respuesta, lo que se hace
es probar estos algoritmos cual es el que da mejores prestaciones, porque a priori es
difícil saber cual va a funcionar mejor ya que depende mucho de la tarea y de los
datos en ese momento.
Podemos concluir que las técnicas de aprendizaje profundo, la ventaja de este tipo de
técnicas es que son más avanzadas y las que realmente están en el auge de la
actualidad. Este proceso se hace de una sola atacada, ya que es necesario un módulo
gigante, este algoritmo es capaz de traer representaciones y los datos cada vez más
abstractos, y a su vez estos algoritmos funcionan de forma jerárquica por sus múltiples
capas.