Saltar navegación e ir al contenido principal
Biblioteca digital de Bogotá
Logo BibloRed
Cargando contenido
¿Qué estás buscando?

  • Escribe palabras clave como el título de un contenido, un autor o un tema que te interese.

  • Búsqueda avanzada

Seleccionar

Contenidos y Experiencias Digitales

Filtrar

Formatos de Contenido
Tipo de colección
Género
Idioma
Derechos de uso

Selecciona contenidos según las condiciones legales para su uso y distribución.

Estás filtrando por

Cargando contenido

Se encontraron 110737 resultados en recursos

  • Exclusivo BibloRed
Imagen de apoyo de Advances in Software-Defined Technologies for Underwater Acoustic Sensor Networks, A Survey

Advances in Software-Defined Technologies for Underwater Acoustic Sensor Networks, A Survey

Por: Hindawi | Fecha: 2018

Las redes de sensores acústicos submarinos (UASN) son un medio técnico importante para explorar el reino oceánico. Sin embargo, la mayoría de ellas dependen de infraestructuras de hardware poco flexibles y versátiles. Los sistemas suelen desplegarse de forma redundante, lo que no sólo genera residuos, sino que también provoca graves interferencias en la señal debido a los múltiples ruidos que se producen en las regiones submarinas designadas. Las redes definidas por software (SDN) son un nuevo paradigma de red que ofrece un enfoque innovador para mejorar la flexibilidad y reducir en gran medida los riesgos de desarrollo. Aunque las SDN y las UASN son temas candentes, en la actualidad existen pocos estudios basados en ambos. En este artículo, ofrecemos una revisión exhaustiva de los avances en las UASN definidas por software. En primer lugar, presentamos brevemente los antecedentes y, a continuación, repasamos los avances de la radio definida por software (SDR), la radio cognitiva (CR) y la SDN. A continuación, presentamos los problemas actuales y las posibles áreas de investigación. Por último, concluimos el artículo y presentamos un debate. Basándonos en este trabajo, esperamos inspirar estudios más activos y dar un paso más en las UASN definidas por software con altas prestaciones.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Advances in Software-Defined Technologies for Underwater Acoustic Sensor Networks, A Survey

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de LoRa (Long-Range) High-Density Sensors for Internet of Things

LoRa (Long-Range) High-Density Sensors for Internet of Things

Por: Hindawi | Fecha: 2019

En los últimos años ha aumentado la concienciación sobre el concepto de Internet de los objetos (IoT), que consiste en conectar a Internet diversos objetos que nos rodean en la vida cotidiana. El principal objetivo de este concepto, estrechamente relacionado con el de ciudad inteligente, es aumentar la calidad de vida contribuyendo a racionalizar el consumo de recursos y a proteger el medio ambiente. El mecanismo de comunicación LoRa es una capa física del protocolo LoRaWAN, definido por la LoRa Alliance. En comparación con otras tecnologías existentes, LoRa es una técnica de modulación que permite la transferencia de información en un rango de decenas de kilómetros. La principal aportación de este trabajo es el análisis de la escalabilidad de la tecnología LoRa y la determinación del número máximo de sensores que pueden integrarse en este tipo de arquitectura de monitorización y control. La arquitectura de sensores es específica del concepto de ciudad inteligente que implica la integración de un gran número de sensores de alta densidad distribuidos en un área geográfica a gran escala. El motivo de este estudio es la necesidad de evaluar la escalabilidad de la tecnología LoRa, teniendo en cuenta otros factores, como el tamaño de la carga útil del paquete, el parámetro del círculo de trabajo, el factor de propagación y el número de nodos. Los resultados experimentales revelan que el número máximo de sensores LoRa que pueden comunicarse en el mismo canal es de 1.500; además, para obtener un alto nivel de rendimiento, es necesario programar y planificar la red con el mayor cuidado posible. El factor de dispersión debe asignarse en función de la distancia a la que se encuentre el sensor de la pasarela.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

LoRa (Long-Range) High-Density Sensors for Internet of Things

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Data-Driven Modelling of Smart Building Ventilation Subsystem

Data-Driven Modelling of Smart Building Ventilation Subsystem

Por: Hindawi | Fecha: 2019

Teniendo en cuenta los avances en la supervisión y el control de edificios a través de redes de dispositivos interconectados, el tratamiento eficaz de los flujos de datos asociados se está convirtiendo en un reto importante. En muchas situaciones, la aplicación de modelos convencionales de identificación de sistemas o de modelos aproximados de caja gris, en parte teóricos y en parte basados en datos, resulta inviable o inadecuada. Este artículo analiza e ilustra una aplicación de modelos de caja negra realizada mediante técnicas de minería de datos con el fin de controlar el subsistema de ventilación de edificios inteligentes. Se presenta la aplicación y evaluación de una metodología de minería de datos a partir de datos recogidos durante más de un año de funcionamiento. El estudio de caso se lleva a cabo en cuatro unidades de tratamiento de aire de un moderno edificio de campus para el apoyo preliminar a la toma de decisiones de los gestores de instalaciones. El marco de procesamiento y aprendizaje de datos se basa en dos pasos: los flujos de datos brutos se comprimen mediante el método de aproximación agregada simbólica, y los segmentos resultantes se introducen en un algoritmo de máquina de vectores de apoyo. Los resultados son útiles para deducir el comportamiento de cada equipo en distintos modos de funcionamiento y pueden utilizarse para aplicaciones de detección de fallos o eficiencia energética. También se discuten los retos relacionados con el funcionamiento en línea dentro de un sistema de gestión de edificios comerciales, ya que el enfoque resulta prometedor para su despliegue.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Data-Driven Modelling of Smart Building Ventilation Subsystem

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Examining the Accuracy of Network RTK and Long Base RTK Methods with Repetitive Measurements

Examining the Accuracy of Network RTK and Long Base RTK Methods with Repetitive Measurements

Por: Hindawi | Fecha: 2019

La técnica cinemática en tiempo real (RTK) es importante para las aplicaciones cartográficas que requieren un tiempo de medición corto, la distancia entre el rover y la estación base, y una gran precisión. En la actualidad se utilizan varios métodos RTK, como el RTK tradicional, el RTK de base larga (LBRTK), el RTK de red (NRTK) y el RTK de posicionamiento puntual preciso (PPP-RTK). NRTK y LBRTK son populares por sus ventajas de distancia, tiempo y precisión. En el presente estudio, las mediciones NRTK y LBRTK se compararon en términos de precisión y distancia en una red de prueba con 6 sitios que se estableció entre 5 y 60 km. Se realizaron mediciones NRTK y LBRTK repetitivas en 6 días diferentes en 2015-2017-2018 y adicionalmente se llevaron a cabo 4 campañas de mediciones estáticas repetitivas en esta red de prueba. Los resultados de los métodos NRTK y LBRTK se examinaron y compararon con todos los aspectos relevantes considerando los resultados de las mediciones estáticas como coordenadas reales. Los resultados del estudio mostraron que los métodos LBRTK y NRTK arrojaron resultados similares en longitudes de base de hasta 40 km, con diferencias inferiores a 3 cm en horizontal y 4 cm en vertical.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Examining the Accuracy of Network RTK and Long Base RTK Methods with Repetitive Measurements

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de A Novel Sensor for Noninvasive Detection of In Situ Stem Water Content Based on Standing Wave Ratio

A Novel Sensor for Noninvasive Detection of In Situ Stem Water Content Based on Standing Wave Ratio

Por: Hindawi | Fecha: 2019

El contenido de agua en el tallo (StWC = volumen de agua : volumen de tallo) es un parámetro fisiológico importante para las plantas vasculares. Y un mejor conocimiento del StWC contribuye a resolver algunos problemas de investigación en silvicultura, como la resistencia a la sequía, la resistencia al frío, el riego preciso y la evaluación de la salud. Sin embargo, existen pocos métodos no invasivos, in situ, en tiempo real, seguros y de bajo coste para detectar el StWC de las plantas leñosas. Este artículo presenta un novedoso sensor para la detección no invasiva de StWC in situ basado en la relación de ondas estacionarias. Además, se han llevado a cabo extensos experimentos para analizar el rendimiento de este sensor, incluyendo la distancia sensible, el rango de medición, los factores de influencia y la precisión de la medición. Los resultados experimentales muestran que la distancia sensible del sensor StWC es de aproximadamente 53 mm en dirección axial y 20 mm en dirección radial con el rango de medición de 0,01 a 1,00 cm3 cm-3. Los efectos combinados de la CE del tallo y la temperatura en la salida del sensor son significativos y es necesario corregir el error causado por los dos factores. En comparación con el método de secado al horno, el sensor StWC tiene una mayor precisión de medición que el Testo 606-2, que es un sensor para medir el contenido de agua de la madera y su error medio es inferior a 0,01 cm3 cm-3. Además, el sensor StWC funcionó muy bien en el mirto crape con una alta sensibilidad igual a 1022,1 mV (cm3 cm-3)-1 y los resultados de medición también concordaron con la dinámica diurna del contenido de agua del tallo.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

A Novel Sensor for Noninvasive Detection of In Situ Stem Water Content Based on Standing Wave Ratio

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de A Low-Cost Closed-Loop Solar Tracking System Based on the Sun Position Algorithm

A Low-Cost Closed-Loop Solar Tracking System Based on the Sun Position Algorithm

Por: Hindawi | Fecha: 2019

La posición del sol y la inclinación óptima de un panel solar con respecto al sol varían con el tiempo a lo largo del día. Un sistema de medición de la posición solar sencillo pero preciso es esencial para maximizar la potencia de salida de un panel solar con el fin de aumentar la eficiencia del panel y minimizar al mismo tiempo el coste del sistema. La posición solar puede medirse mediante un sensor (activo/pasivo) o a través del algoritmo de monitorización de la posición solar. Los sistemas de medición de la posición solar basados en sensores no miden la posición solar en un día nublado o intermitente, y requieren una instalación precisa y calibraciones periódicas. En cambio, los algoritmos de posición solar utilizan fórmulas matemáticas o datos astronómicos para obtener la estación del sol en un lugar geográfico y a una hora determinados. Se ha implementado en una plataforma de microcontrolador de 8 bits un sistema autónomo de seguimiento solar de lazo cerrado de doble eje, de bajo coste pero alta precisión, que utiliza el algoritmo de posición solar. Se utilizó el algoritmo del Almanaque Astronómico (AA) por su sencillez, fiabilidad y rápida capacidad de cálculo de la posición solar. Los resultados revelaron que la incorporación del algoritmo de posición solar en un sistema de seguimiento solar ayuda a superar al sistema fijo y al sistema de seguimiento óptico en un 13,9y el 2,1%, respectivamente. En resumen, incluso para un sistema de seguimiento solar a pequeña escala, el sistema de seguimiento de doble eje en bucle cerrado basado en algoritmos puede aumentar la eficiencia global del sistema.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

A Low-Cost Closed-Loop Solar Tracking System Based on the Sun Position Algorithm

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Particle Smoother-Based Landmark Mapping for the SLAM Method of an Indoor Mobile Robot with a Non-Gaussian Detection Model

Particle Smoother-Based Landmark Mapping for the SLAM Method of an Indoor Mobile Robot with a Non-Gaussian Detection Model

Por: Hindawi | Fecha: 2019

La identificación por radiofrecuencia (RFID) en banda de alta frecuencia es un sistema de identificación robusto que apenas se ve influido por los objetos que se encuentran en la zona de actividad del robot o por las condiciones de iluminación. Un sistema RFID de banda HF es capaz de facilitar una autolocalización razonablemente precisa y robusta de robots móviles de interior. Un sistema de autolocalización basado en RFID para un robot móvil de interior requiere un conocimiento previo del mapa que contiene la información de identificación y las posiciones de las etiquetas RFID utilizadas en el entorno. Generalmente, el mapa de etiquetas RFID se construye manualmente. Para reducir los costes de mano de obra, se ha diseñado la técnica de localización y mapeo simultáneos (SLAM) para localizar el robot móvil y construir un mapa de las etiquetas RFID simultáneamente. En este estudio, se instalan varios lectores RFID de banda HF en la parte inferior de un robot móvil omnidireccional y se esparcen etiquetas RFID por el suelo. Dado que el proceso de detección de etiquetas del sistema RFID de banda HF no sigue una distribución gaussiana estándar, las actualizaciones de puntos de referencia basadas en el filtro de Kalman extendido (EKF) no son adecuadas. Este artículo propone un nuevo método SLAM para el robot móvil de interior con un modelo de detección no gaussiano, utilizando el suavizador de partículas para el mapeo de puntos de referencia y el filtro de partículas para la auto-localización del robot móvil. El método SLAM propuesto se evalúa mediante experimentos con el sistema RFID de banda HF que tiene el modelo de detección no Gaussiano. Además, el método SLAM propuesto también se evalúa con un sensor de alcance y marcación que tiene el modelo de detección gaussiano estándar. En concreto, el método propuesto se compara con otros dos métodos SLAM: Los métodos FastSLAM y SLAM utilizan un filtro de partículas tanto para la actualización de los puntos de referencia como para la autolocalización del robot. Los resultados experimentales muestran la validez y superioridad del método SLAM propuesto.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Particle Smoother-Based Landmark Mapping for the SLAM Method of an Indoor Mobile Robot with a Non-Gaussian Detection Model

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Deep Learning-Based GNSS Network-Based Real-Time Kinematic Improvement for Autonomous Ground Vehicle Navigation

Deep Learning-Based GNSS Network-Based Real-Time Kinematic Improvement for Autonomous Ground Vehicle Navigation

Por: Hindawi | Fecha: 2019

En las últimas décadas, el sistema mundial de navegación por satélite (GNSS) ha contribuido en gran medida a la navegación. Además, con la llegada de la era multi-GNSS, cada vez hay más satélites disponibles para la navegación. Sin embargo, la navegación se realiza generalmente por posicionamiento puntual basado en los pseudorangos. La cinemática en tiempo real (RTK) y la tecnología avanzada, es decir, la red RTK (NRTK), se introdujeron para mejorar el posicionamiento y la navegación. También se investigó la mejora de la navegación mediante la combinación de otros sensores, como la unidad de medición inercial (IMU). Por otra parte, la técnica del aprendizaje profundo ha evolucionado recientemente en muchos campos, incluida la navegación automática de los vehículos. Esto se debe a que el aprendizaje profundo combina varios sensores sin un complicado modelado analítico de cada sensor individual. En este estudio, estructuramos las redes neuronales recurrentes multicapa (RNN) para mejorar la precisión y la estabilidad de las soluciones absolutas GNSS para la navegación autónoma de vehículos. En concreto, la memoria a corto plazo de larga duración (LSTM) es un algoritmo especialmente útil para datos de series temporales como la navegación con plataformas de velocidad moderada. A partir de un experimento realizado en una zona de pruebas, el algoritmo LSTM desarrolló la precisión de posicionamiento en aproximadamente un 40 omparado con la navegación sólo GNSS sin ninguna información de sesgo externa. Si se tiene en cuenta el sesgo, la precisión mejorará significativamente hasta 8 veces respecto a los resultados de posicionamiento absoluto del GNSS. Los términos de sesgo de la solución deben estimarse dentro del modelo mediante la optimización de las capas y de los nodos de cada capa.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Deep Learning-Based GNSS Network-Based Real-Time Kinematic Improvement for Autonomous Ground Vehicle Navigation

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Noniterative Three-Dimensional Location Estimation Using Azimuth and Elevation Measurements at Multiple Locations

Noniterative Three-Dimensional Location Estimation Using Azimuth and Elevation Measurements at Multiple Locations

Por: Hindawi | Fecha: 2019

En este artículo se presenta una expresión de forma cerrada para la estimación de la ubicación tridimensional del emisor utilizando mediciones de acimut y elevación en múltiples ubicaciones. La estimación de la localización tridimensional se obtiene a partir de las localizaciones tridimensionales de los sensores y de las medidas de acimut y elevación en cada localización de los sensores. Dado que la formulación no es iterativa, no es computacionalmente intensiva y no necesita una estimación inicial de la localización. Se presentan resultados numéricos para demostrar la validez del esquema propuesto.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Noniterative Three-Dimensional Location Estimation Using Azimuth and Elevation Measurements at Multiple Locations

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de Investigation of Coastal Environment Change Using Wave Measurement Sensors and Geographical Laser Scanner

Investigation of Coastal Environment Change Using Wave Measurement Sensors and Geographical Laser Scanner

Por: Hindawi | Fecha: 2019

La construcción de estructuras costeras a gran escala en cualquier zona costera no sólo puede tener efectos directos en el medio ambiente costero de las inmediaciones, sino también causar graves daños materiales. Para prevenir este problema, es preciso apreciar los efectos probables antes de cualquier construcción y analizar con precisión el mecanismo que puede causar cualquier daño probable junto con los planes para minimizar los daños. Este estudio pretendía analizar la causa y el mecanismo de los daños infligidos a las costas por las estructuras artificiales mediante la revisión de las erosiones de playa que se han producido en las playas de la costa este de Corea tras la construcción a gran escala de estructuras artificiales, para lo cual se midieron las alturas de las olas en las proximidades de dichas estructuras, y se analizó la correlación entre las mediciones y los datos de análisis de las olas y la erosión costera en la playa circundante. Además, se aplicó la correlación entre la erosión costera y los datos de oleaje para comprender qué impacto tienen las grandes olas en relación con la pérdida de arena. En consecuencia, se empleó una prueba de modelo físico de lecho móvil para valorar los factores que provocan la erosión costera.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Investigation of Coastal Environment Change Using Wave Measurement Sensors and Geographical Laser Scanner

Copia el enlace o compártelo en redes sociales

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones

¿Deseas limpiar los términos de la búsqueda avanzada?

Vas a limpiar los términos que has aplicado hasta el momento para poder rehacer tu búsqueda.

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones
Se abrirá en una nueva pestaña