JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUMAComunidades & ColeccionesPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditoresEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditores

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    DE INTERÉS

    Datos de investigaciónReglamento de ciencia abierta de la UMAPolítica de RIUMAPolitica de datos de investigación en RIUMAOpen Policy Finder (antes Sherpa-Romeo)Dulcinea
    Preguntas frecuentesManual de usoContacto/Sugerencias
    Ver ítem 
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem

    Framework para el despliegue flexible de redes neuronales distribuidas en el fog

    • Autor
      Carnero Hijano, Alejandro
    • Director/es
      Garrido-Márquez, DanielAutoridad Universidad de Málaga; Martín-Fernández, CristianAutoridad Universidad de Málaga
    • Fecha
      2020-11-10
    • Palabras clave
      Redes neuronales (Informática); Internet de las cosas; Informática - Trabajos Fin de Grado; Grado en Ingeniería del Software - Trabajos Fin de Grado
    • Resumen
      El objetivo general de este Trabajo Fin de Grado ha sido ampliar la funcionalidad de la aplicación Kafka-ML desarrollada por el Grupo de Investigación ERTIS, la cual gestiona y trabaja con redes neuronales. Concretamente, se ha dotado al sistema con la capacidad de trabajar con redes neuronales artificiales que son distribuidas, es decir, un conjunto de redes ordenadas que cooperan entre sí produciendo flujos de datos entre ellas. El ciclo de uso de la aplicación consiste en: 1) el registro de redes neuronales distribuidas, pudiendo establecer todas sus características y modificarlas en cualquier momento; 2) creación de configuraciones para un conjunto de redes determinadas; 3) creación de despliegues para preparar una configuración concreta con ciertos parámetros junto con todas las redes neuronales que ésta engloba; 4) fase de entrenamiento de las redes desplegadas y obtención de las métricas del resultado; y por último, 5) la fase de inferencia en la que se obtienen los resultados de las predicciones de las redes neuronales. El hecho de trabajar con redes neuronales que son distribuidas surge de la necesidad de obtener respuestas y resultados más rápidos en sistemas que así lo requieren, de manera que en vez de tener un dispositivo IoT que recopila información del entorno y la envía a la nube para que se procese, con todos los problemas de latencia y ancho de banda que puede haber de por medio, se pretende que haya varios dispositivos IoT dotados de inteligencia y conectados entre sí (puede haber varios niveles de dispositivos, tales como Fog y Edge), que sean capaces de procesar la información que recolectan y de esta manera obtener predicciones de forma más rápida aunque puedan ser menos precisas.
    • URI
      https://hdl.handle.net/10630/20332
    • Compartir
      RefworksMendeley
    Mostrar el registro completo del ítem
    Ficheros
    Carnero Hijano Alejandro Memoria.pdf (2.906Mb)
    Colecciones
    • Trabajos Fin de Grado

    Estadísticas

    Buscar en Dimension
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
     

     

    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA