La estimación de parámetros, como la relación señal a ruido, las características del canal, la ocupación espectral, la modulación y las interferencias, resulta esencial para optimizar procesos críticos de detección, sincronización y demodulación en sistemas modernos de comunicaciones. Aunque históricamente se han empleado modelos analíticos y estadísticos clásicos, la creciente complejidad de los escenarios dinámicos y no lineales demanda alternativas más robustas y adaptativas. Frente a este desafío, la presente tesis propone investigar y desarrollar metodologías de inteligencia computacional aplicadas a la estimación, integrando herramientas de aprendizaje automático, computación evolutiva, dinámica caótica y esquemas híbridos para superar las limitaciones de los métodos convencionales en precisión, robustez y generalización. Las propuestas serán validadas mediante simulaciones bajo diversas condiciones de canal y ruido en sistemas digitales, evaluando además su factibilidad de implementación en plataformas de hardware reconfigurable para aplicaciones con procesamiento en tiempo real. En conjunto, esta investigación busca aportar nuevas soluciones de estimación sustentadas en sistemas dinámicos no lineales e inteligencia computacional, facilitando su traslado a arquitecturas de alto rendimiento.

La energía de las olas representa una alternativa renovable con gran potencial para diversificar la matriz energética y reducir la dependencia de los combustibles fósiles. En Argentina, la extensa costa atlántica ofrece condiciones favorables para el aprovechamiento de este recurso natural, aunque su utilización todavía es muy limitada. Para convertir el movimiento de las olas en electricidad se emplean dispositivos llamados convertidores de energía undimotriz, que combinan sistemas mecánicos, generadores eléctricos y electrónica de potencia. Sin embargo, debido a que las olas son irregulares, la energía producida también presenta variaciones, lo que hace necesario desarrollar sistemas de control avanzados capaces de maximizar la energía extraída y adaptarla a distintos tipos de consumo o almacenamiento. En esta tesis se analizan distintas estrategias de control utilizadas en sistemas de generación undimotriz y se busca implementar el uso de técnicas predictivas avanzadas para mejorar el rendimiento y la eficiencia del proceso de conversión. El objetivo final es contribuir al desarrollo de tecnologías más confiables y eficientes que permitan aprovechar de manera sustentable el enorme potencial energético del mar argentino.

Las imágenes médicas permiten la detección de tejidos, evaluación, diagnóstico y planificación clínica, entre otras tareas. Con el avance de la tecnología, continuamente se presentan nuevos tipos de imágenes médicas y se perfeccionan las existentes. Este avance aumenta sustancialmente la información médica disponible y presenta nuevos requerimientos para su análisis y aprovechamiento.
En este contexto, los modelos de Inteligencia Artificial (IA) aplicados en Reconocimiento de Patrones permiten identificar regiones (segmentar) o clasificar imágenes completas. Existe un creciente interés y necesidad de conocer por qué un sistema de IA toma una determinada decisión. Los modelos de IA explicables (XAI, del inglés eXplainable Artificial Intelligence), permiten el descubrimiento de conocimiento, es decir, la extracción automatizada pero no trivial de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En el contexto de imágenes médicas, la XAI puede aportar nuevo conocimiento al especialista respecto al tipo de imágenes estudiadas, o al problema de segmentación, con un aporte directo al estudio y la solución de problemas, contribuyendo a la mejora y optimización de las técnicas de diagnóstico, evaluación y detección de patologías a partir de imágenes.
Se propone en este Plan de Trabajo el estudio y desarrollo de métodos de extracción/descubrimiento de conocimiento a partir de modelos de XAI, incluyendo: a) el desarrollo de nuevos métodos de generación automática de sistemas de Lógica Difusa (LD) y de modelos de redes neuronales profundas (DNN) para la clasificación y segmentación de imágenes médicas; b) la implementación de pruebas de robustez de todos los métodos y comparaciones con métodos existentes; y c) la realización de análisis y tests con datos sintéticos con el fin de establecer metodologías generales para el descubrimiento de conocimiento.

Esta tesis se enfoca en el estudio y desarrollo de sensores y circuitos electrónicos para la medición de fenómenos ambientales y biológicos, estructurándose en dos líneas principales.

La primera línea de investigación se dedica al desarrollo de un medidor de glucemia no invasivo. Utilizando sensores basados en resonadores electromagnéticos de microondas, se busca medir los cambios en las propiedades eléctricas de la sangre para determinar la concentración de glucosa sin necesidad de punciones. El grupo ya posee patentes y prototipos con resultados clínicos positivos, y pretende mejorar su precisión. Este mismo principio se aplicará para la caracterización de contaminantes, como hidrocarburos, en soluciones acuosas.

La segunda línea se centra en la creación de un sistema de detección de descargas atmosféricas. Para superar los falsos positivos de los detectores comerciales, que operan en una única frecuencia, se propone un innovador sistema de detección multibanda. Este confirmará un rayo únicamente si su señal electromagnética es detectada de forma simultánea en varias frecuencias a la vez.

Esta tesis propone el estudio y desarrollo de un sistema de comunicaciones para la detección de descargas atmosféricas, motivado por incidentes como la tragedia de Villa Gesell y la falta de fiabilidad de los detectores comerciales actuales.

La idea central y novedosa del proyecto es implementar un sistema de detección multibanda. A diferencia de los dispositivos existentes que operan en una sola frecuencia y son propensos a falsas alarmas por interferencias humanas , este sistema se basará en la propiedad de los rayos de irradiar energía electromagnética simultáneamente en un espectro de frecuencias muy amplio, desde VLF hasta HF.

El objetivo principal es diseñar un prototipo que monitoree al menos tres bandas de frecuencia distintas. Al confirmar la presencia de una señal en todas las bandas al mismo tiempo, el sistema podrá determinar con alta certeza la ocurrencia de una descarga atmosférica, reduciendo significativamente los falsos positivos.

Además, se estudiará la posibilidad de estimar la distancia a la tormenta analizando las amplitudes relativas de las señales detectadas en cada frecuencia y se aplicará inteligencia computacional para mejorar la precisión del sistema. El fin último es crear un sistema de alerta temprana fiable para la seguridad de las personas

Esta tesis se enfoca en el uso de Inteligencia Artificial (IA) para mejorar y expandir la información de las señales de electrocardiografía (ECG) obtenidas con dispositivos portátiles. El objetivo principal es inferir signos vitales de los sistemas circulatorio y respiratorio en tiempo real y en condiciones ambulatorias. El proyecto aborda dos desafíos clave: la baja calidad de las señales de ECG en dispositivos móviles, debido a artefactos de movimiento, y el desaprovechamiento de la información respiratoria contenida en la propia señal de ECG. La hipótesis es que la IA puede potenciar los sistemas de adquisición actuales, filtrando el ruido y extrayendo datos respiratorios de calidad diagnóstica para aumentar la confianza en estos dispositivos.
La metodología incluye:
– El estudio de los sensores para mejorar la relación señal-ruido.
– El desarrollo de un sistema de adquisición de ECG.
– La creación de algoritmos de IA para clasificar las señales e inferir parámetros como la frecuencia respiratoria.
Los resultados se validarán experimentalmente frente a métodos de medición estándar. Se espera obtener un dispositivo de ECG confiable y algoritmos robustos que transformen al ECG en una herramienta de monitoreo multifuncional.

Las imágenes médicas desempeñan un papel predominante en la detección de tejidos, el diagnóstico, la evaluación y el planeamiento clínico, entre otras tareas. Debido al avance tecnológico continuo, se presentan nuevos requerimientos para su correcto estudio y aprovechamiento. Desde el punto de vista del procesamiento de imágenes, esto implica un aumento de la información a analizar y de la complejidad de los métodos involucrados en dicho procesamiento. Las técnicas basadas en el aprendizaje profundo han dado resultados relevantes en el procesamiento de imágenes. Su aplicación al análisis de imágenes médicas constituye una gran ayuda para los expertos en la detección y prevención de enfermedades, así como en la asistencia al diagnóstico. Los modelos secuenciales, en particular las redes del tipo Transformer, constituyen un área de actualidad con enorme potencial para el procesamiento de imágenes, que aún no ha sido estudiada en el Laboratorio. Se propone en este Plan el trabajo sobre redes de aprendizaje profundo secuenciales, a partir de dos aspectos interrelacionados: a) el estudio de modelos existentes, con énfasis en aquellos aplicados a imágenes médicas; y b) la implementación, propuesta y evaluación de nuevos modelos.

El objetivo general es estudiar y desarrollar métodos para evaluar la calidad del suministro eléctrico y, simultáneamente, crear técnicas para mitigar las perturbaciones que afectan a estas redes. La investigación aborda los desafíos actuales, como la creciente demanda de energía y el deterioro de la forma de onda causado por cargas no lineales (electrónica de consumo, iluminación LED).

El proyecto se estructura en tres áreas principales:
– Evaluación de la calidad: Desarrollar técnicas avanzadas de medición para identificar en tiempo real problemas como armónicos, desbalances y flicker.
– Interpretación de datos: Analizar la información recopilada para identificar las causas de las perturbaciones y determinar cuándo es necesaria una acción correctiva.
– Mitigación de perturbaciones: Implementar estrategias como filtros activos de potencia y compensadores serie para mejorar la operación de la red y proteger equipos sensibles.

La metodología incluye el estudio del estado del arte, simulaciones y validación experimental en laboratorio.

El objetivo general es integrar información de sensores en campo, imágenes satelitales (SAOCOM, COSMO, Sentinel) e imágenes hiperespectrales de drones para favorecer el aprovechamiento del recurso hídrico. La hipótesis central es que la fusión de estos datos en un Sistema de Información Geográfica (SIG) permitirá generar modelos multiparamétricos para una gestión efectiva del agua.

Los objetivos específicos son:
– Analizar la red de drenaje agrícola utilizando Modelos Digitales de Elevación (DEM).
– Modelar el balance hídrico superficial, estimando variables clave como la evapotranspiración real (ETr) mediante algoritmos como SEBAL.

La metodología incluye la recopilación de datos, la creación de modelos hidrológicos y de flujo, y su posterior calibración y validación. El trabajo se desarrollará en el Laboratorio de Procesamiento de Imágenes (PDILab) del ICYTE , que cuenta con el equipamiento necesario para llevar a cabo la investigación

Las imágenes médicas tienen un rol predominante para la detección de tejidos, diagnóstico, evaluación y planeamiento clínico, entre otras tareas. Debido al continuo avance tecnológico, se presentan nuevos requerimientos para su correcto estudio y aprovechamiento. Desde el punto de vista del procesamiento de imágenes, esto supone un aumento en la información a analizar y en la complejidad del procesamiento.
Las técnicas basadas en aprendizaje profundo vienen dando muy buenos resultados en procesamiento de imágenes y su aplicación al análisis de imágenes médicas constituye una gran ayuda para los expertos en la detección y prevención de enfermedades. Aunque estas técnicas tienen una elevada exactitud, los modelos implementados por ellas son complejos y sus decisiones difíciles de explicar. En este sentido, el aprendizaje profundo se ha vinculado a menudo al concepto de "caja negra", porque no se conoce completamente cómo responden las capas intermedias de las redes en la determinación de las etiquetas.
Se propone en este Plan de Doctorado el trabajo sobre redes de aprendizaje profundo considerando tres aspectos interrelacionados: a) el estudio de modelos existentes con énfasis en aquellos aplicados en imágenes médicas; b) la implementación, propuesta y evaluación de nuevos modelos y c) el estudio de técnicas para la interpretación de conocimiento. Se pretende que los modelos generados sean interpretables de forma que provean al experto justificaciones de los resultados.

Este plan de trabajo detalla el desarrollo de sistemas de Radio Definida por Software (SDR) basados en caos para su aplicación en Redes Inalámbricas de Sensores (WSN). El objetivo principal es estudiar, diseñar e implementar bloques caóticos para SDR utilizando la técnica de Reconfiguración Parcial Dinámica (RPD) en FPGAs.

El proyecto propone que la RPD permitirá crear sistemas SDR auto-reconfigurables y autónomos que se adapten a las necesidades del entorno. El uso de sistemas caóticos busca mejorar la seguridad y el funcionamiento de los bloques de codificación y encriptación.

La metodología se estructura en cinco etapas:
Fundamentación teórica: Estudio de sistemas caóticos.
Estudio de SDR: Análisis de sus bloques y algoritmos.
Capacitación en RPD: Aprendizaje del flujo de diseño y desarrollo de proyectos.
Implementación y pruebas: Diseño e implementación de los sistemas en una placa ZedBoard para su posterior evaluación.
Documentación: Redacción de informes técnicos y publicación de resultados.

Esta tesis propone una innovadora aproximación para el modelado de entornos subacuáticos mediante la combinación de Inteligencia Artificial (IA) y sistemas caóticos.

El proyecto aborda los desafíos de la exploración submarina, como la escasez de datos y la dificultad de implementar modelos de IA complejos en dispositivos con recursos limitados.

La hipótesis central es que la integración de sistemas no lineales (caos) con técnicas de IA, como los Autoencoders, permitirá desarrollar modelos computacionalmente eficientes para clasificar especies marinas, caracterizar el ruido del canal y generar datos acústicos sintéticos.

Un objetivo clave es optimizar estos modelos para su implementación en hardware de bajos recursos, como FPGAs, superando las limitaciones de energía y latencia en aplicaciones en tiempo real. La investigación busca avanzar en la monitorización y conservación de la biodiversidad marina, fortaleciendo la colaboración entre los laboratorios de Comunicaciones, Sistemas Caóticos y Componentes del ICYTE

Estrategia de control para maximizar la eficiencia global en convertidores interleaved asociados a sistemas fotovoltaicos

Estructuras Cooperativas de Robots Autónomos Basadas en Tecnologías IoT

Interfaces Humano Robot para Robots Autónomos en Entornos Dinámicos

Sistemas de radio cognitiva

Inteligencia computacional para el procesamiento de señales en la investigación forense.

Esta tesis se enfoca en la optimización de las técnicas de procesamiento, caracterización y reconocimiento de patrones de speckle dinámico y biospeckle. El objetivo general es desarrollar nuevos procesos de adquisición y procesamiento, mediante inteligencia computacional y artificial, para crear sistemas inteligentes capaces de analizar e interpretar fenómenos biológicos e industriales. El speckle dinámico es un fenómeno óptico no invasivo que permite estudiar la dinámica de diversas muestras. Sin embargo, se busca mejorar la eficacia de los métodos actuales. La propuesta consiste en optimizar tanto la captura de los patrones (configuración del registro óptico) como su análisis posterior. Esto incluye el diseño de nuevos algoritmos de procesamiento en tiempo real, la evaluación de descriptores apropiados y la aplicación de técnicas de inteligencia artificial, como redes neuronales, para la clasificación y el reconocimiento de patrones. Las aplicaciones potenciales incluyen el campo de la biomedicina, como el análisis de la onda de pulso para evaluar la rigidez arterial, y el monitoreo ambiental, como el uso de biosensores para detectar la toxicidad del agua.

Estudio y desarrollo de sistemas sensoriales artificiales para sistemas robóticos orientados a la percepción en tiempo real

Investigación de sistemas de codificación para transmisión de datos en redes

Diseño de algoritmos de procesamiento de imágenes en tiempo real para sistemas embebidos.

Entendimiento de escenarios basado en procesamiento digital de imágenes orientado al sensado inteligente

Transmisión de datos y seguridad en redes de computadoras cuánticas

Calculo fraccional para el procesamiento de señales e imágenes

Reconocimiento y clasificación de texturas en imágenes médicas mediante transformadas espacio-frecuenciales

Esta tesis se centra en el modelado, dimensionamiento y control de convertidores de energía undimotriz (WEC) del tipo brazo-flotador oscilante, que utilizan una unidad de extracción de potencia (PTO) mecánica basada en un rectificador de movimiento (MMR). A pesar del gran potencial de la energía de las olas, la tecnología de los WEC, y en particular la de los absorbedores puntuales, se encuentra en una fase de desarrollo incipiente y enfrenta desafíos significativos en diseño, eficiencia y control. Para abordar estos retos, la tesis presenta tres contribuciones principales. Primero, propone un método de dimensionamiento basado en un modelo hidrodinámico semiparamétrico que relaciona el clima de olas con los parámetros del dispositivo, facilitando su optimización y evitando el sobredimensionamiento. Segundo, desarrolla un nuevo modelo dinámico generalizado para PTOs con MMR, que supera las limitaciones de formulaciones existentes al describir rigurosamente sus no linealidades, modos de transmisión y fricción. Este modelo fue validado experimentalmente, demostrando su capacidad para replicar la respuesta dinámica del sistema con alta precisión. Finalmente, se presenta una novedosa analogía circuital del WEC con MMR, incluyendo una representación eléctrica del modelo de fricción. Esta herramienta facilita el análisis y diseño de estrategias de control, como el control reactivo, y su eficacia se verifica comparando su rendimiento con un dispositivo lineal clásico. En conjunto, el trabajo contribuye significativamente al avance en el diseño y control de esta prometedora tecnología de energía renovable.

Este trabajo de Tesis tiene por objeto caracterizar el comportamiento temporal de convertidores AC/DC conmutados por línea (LCC) mediante la aplicación de una herramienta matemática propia de sistemas unidimensionales con dinámica no-lineal y aplicar los resultados obtenidos para definir condiciones de estabilidad en sistemas LCC realimentados con control integral. Las motivaciones del presente trabajo son esencialmente dos: a).evaluar la dependencia funcional de la estabilidad con el punto de operación (ángulo de disparo) y b).extender el ancho de banda del lazo de control a efectos de aumentar la velocidad de respuesta. Para este fin, se evalúan brevemente las limitaciones de uno de los modelos de planta más empleados y se propone luego el uso de mapas unidimensionales como una alternativa analítica para inferir las propiedades de convergencia temporal en las variables del lazo de control. Teniendo presente la alinealidad estática asociada a la relación entre la tensión de salida del sistema y la variable de control de entrada, se estudian tanto los casos que no incorporan corrección de la misma, como aquellos orientados a linealizar la planta de extremo a extremo. La formulación algebraica se convalida primeramente con simulación numérica en un entorno NL5 de simulación circuital y finalmente con mediciones sobre un prototipo experimental.

Esta tesis propone una metodología innovadora basada en Computación Granular (GrC) para la identificación de descriptores de actividad en series de tiempo, con el propósito central de optimizar la eficiencia computacional. La investigación parte del análisis del Laser Speckle Dinámico, fenómeno que ocurre cuando la luz láser interactúa con objetos que poseen actividad intrínseca, lo que genera patrones complejos. La hipótesis principal sostiene que el uso de GrC permite caracterizar estas señales al abstraer el motivo físico subyacente, lo que da lugar a un sistema de procesamiento robusto y veloz. El trabajo desarrolla propuestas para la detección y caracterización de la actividad tanto en el dominio temporal como en el espacial, validando la metodología mediante estudios comparativos con técnicas tradicionales de análisis de speckle. Los resultados demuestran la versatilidad del enfoque, al aplicarlo con éxito en diversos escenarios, que van desde el estudio de muestras biológicas e industriales hasta el procesamiento de videos de ultrasonido para la detección de tumores y patologías pulmonares. De este modo, la tesis logra consolidar una herramienta generalizable y eficaz para distinguir niveles de actividad en distintos tipos de registros dinámicos, aportando una solución técnica que equilibra la precisión analítica con la reducción de costos operativos en bioingeniería y procesamiento de imágenes.

Este trabajo se centra en el desarrollo de sensores electromagnéticos basados en cavidades resonantes para medir la concentración de un componente en una muestra, con especial interés en la medición no invasiva de glucosa en sangre. A diferencia de los métodos tradicionales que usan sensores planares y soluciones salinas, esta investigación propone el uso de cavidades resonantes para aumentar la precisión y reducir errores de posicionamiento. Además, se emplean modelos de tejidos biológicos reales y se realizan pruebas con voluntarios en contextos clínicos.

Se diseñaron dos dispositivos. El primero, un sensor para soluciones acuosas, demostró una sensibilidad superior a la de otros dispositivos al medir la concentración de alcohol etílico en agua. El segundo, adaptado para la glucemia, consiste en una cavidad donde el usuario introduce un dedo. Las microondas interactúan con los tejidos y, mediante un proceso de calibración, se infiere la concentración de glucosa.

En pruebas clínicas, el sensor no invasivo logró resultados prometedores. Con el apoyo de un sistema de aprendizaje automático, un voluntario con diabetes pudo medir su glucemia con un error menor al 20% en todas las mediciones, un rendimiento comparable al de los medidores invasivos comerciales. Esta tecnología podría eliminar las molestias de los pinchazos, mejorando la calidad de vida de los pacientes con diabetes y fomentando el monitoreo preventivo.

Enmarcada en proyectos de investigación de la UNMDP, CONICET y la UTN, esta tesis propone un método innovador para representar la información de una señal, con el fin de facilitar la extracción de conocimiento. La idea principal se basa en la unión de trayectorias simplificadas que mantienen la estructura intrínseca de la señal, minimizando la información redundante.

El objetivo no es comprimir la señal, sino conservar su estructura informativa para hacer más eficientes los procesos de inferencia. Al eliminar la redundancia, que ralentiza el análisis y genera "ruido", se puede deducir rápidamente el comportamiento general de la señal.

La propuesta se destaca por su capacidad para operar en tiempo real. Esto se logra mediante algoritmos simples y eficaces que, durante la propia adquisición, descartan muestras cuyo valor puede ser inferido de su entorno cercano, utilizando operaciones lógicas y aritméticas básicas. Este enfoque evita demoras significativas en el procesamiento.

La eficiencia de esta representación ha sido validada a través de su implementación exitosa en sistemas embebidos para aplicaciones reales, demostrando ser una herramienta potente para el desarrollo de sensores inteligentes y la extracción de conocimiento.

Estudio y desarrollo de sensores no invasivos basados en resonadores electromagnéticos para medición de glucosa en sangre u otras magnitudes

Para el desarrollo de la presente tesis se analizaron secuencias de imágenes biomédicas que contienen el movimiento de organismos unicelulares y partículas suspendidas en fluidos, adquiridas mediante técnicas de microscopía. En este ámbito particular, la detección se simplifica debido a la presencia de condiciones controladas de iluminación, y se centra la atención en los métodos de seguimiento y análisis de movimiento. Por otra parte, los distintos tipos de objetos analizados en las secuencias permiten el uso de diferentes representaciones, y además ellos describen distintos tipos de movimiento, por lo cual es deseable que el método de seguimiento a utilizar sea adaptable a diferentes situaciones. En vista de lo anterior, la presente tesis propone como objetivo general desarrollar métodos de visión por computador que permitan realizar la detección y el seguimiento de organismos unicelulares en secuencias de imágenes, de manera independiente a las representaciones utilizadas.

Este trabajo de tesis aborda el problema de la registración de imágenes médicas, un proceso que busca alinear geométricamente imágenes de un mismo paciente adquiridas en diferentes momentos o con distintas tecnologías (ej. resonancia magnética y tomografía). Este alineamiento es crucial para comparar información, fusionar datos y como paso previo a análisis más complejos como la segmentación de tumores.

La investigación explora esta temática desde tres perspectivas innovadoras:
Optimización Estocástica: Se aplican algoritmos inspirados en sistemas biológicos, como las colonias de hormigas o las colmenas de abejas, para encontrar la alineación óptima entre las imágenes.
Extracción de Características: Se desarrolla un método, basado en técnicas como SIFT y SURF, para identificar de forma automática puntos anatómicos clave que son invariantes a transformaciones geométricas. Estos puntos sirven como anclas para guiar el proceso de registración.
Inteligencia Computacional: Se propone el uso del aprendizaje por refuerzo y el aprendizaje por refuerzo profundo (Deep Reinforcement Learning). Mediante este enfoque, un agente de inteligencia artificial aprende a registrar las imágenes de manera autónoma, interactuando directamente con ellas y mejorando su desempeño a través de la experiencia.

El objetivo central es ofrecer una visión renovada de la registración, demostrando que estos métodos modernos son alternativas prometedoras y competitivas frente a las técnicas tradicionales del campo.

Esta tesis aborda las problemáticas asociadas a los controles de corriente predictivos y robustos aplicados a inversores de tensión controlados en corriente (CC-VSI) monofásicos y trifásicos en configuración 4 hilos, y brinda solución a estos problemas a través de un enfoque adaptativo. Los algoritmos clásicos de identificación en tiempo real están basados en mínimos cuadrados recursivos por lo que su velocidad de convergencia y estabilidad numérica pueden verse severamente comprometidas si el problema esta mal condicionado. Es por ello que en primer lugar se analiza una técnica basada en la descomposición QR que busca mejorar la estabilidad numérica de los algoritmos de identificación. Debido a que los controles del tipo predictivo utilizan el modelo de la planta para controlar la corriente de inyección, su desempeño se degrada rápidamente frente a incongruencias entre el modelo y la planta, por lo que se realiza un análisis detallado del sistema a controlar. Se describe el modelo físico del sistema, teniendo en cuenta los retardos agregados por los filtros anti-aliasing y posteriormente mediante la transformada z avanzada, se construye un modelo mas sencillo el cual se utiliza para obtener una ley que gobierne el comportamiento del control predictivo. La mayoría de las problemáticas asociadas a los controles predictivos son consecuencia de las discrepancias entre el modelo utilizado para obtener la ley de control y la planta. No tener en cuenta los cambios en los parámetros de planta debidos a variaciones en las inductancias de filtro (por saturación o bien alinealidades propias del material), o bien por el efecto de los tiempos muertos asociados a las llaves semiconductoras, degradan el desempeño del control, comprometiendo seriamente su estabilidad. Es por ello que se propone dar solución a algunas de las problemáticas mencionadas a través de un enfoque adaptativo. Se presenta como aporte de esta tesis un control predictivo robusto y autoajustable, basado en un modelo simplificado de la planta (planta sin filtros) el cual utiliza identificación paramétrica mediante mínimos cuadrados recursivos para auto-ajustar los parámetros del control y del observador de estados, minimizando el error en régimen permanente y mejorando la distorsión armónica producto de los tiempos muertos. Posteriormente, se presenta un control adaptativo predictivo y robusto tolerante a retardos basado en un modelo de la planta que contempla los retardos introducidos por la etapa de filtrado. Por ultimo se presenta un control predictivo y robusto con planificación de ganancia no lineal, el cual mejora el desempeño del control RPCC mediante un ajuste a lazo abierto, logrando mejorar notablemente la distorsión por tiempos muertos.

Algoritmos de control para convertidores interleaved en sistemas fotovoltaicos

Durante muchos años, gran parte de los equipos conectados a las redes eléctricas han sido capaces de operar en forma satisfactoria ante amplias variaciones en los parámetros de tensión y corriente del suministro eléctrico. Sin embargo, en los últimos años, con el advenimiento de la tecnología, la sofisticación de los electrodomésticos, el desarrollo de la electrónica de consumo, etc., se ha añadido una gran cantidad de equipos a la red, que no son tan tolerantes a estas variaciones, por lo cual demandan energía de calidad. En este sentido, proveer energía en forma ininterrumpida y de calidad se ha convertido en una estrategia de negocios para las empresas productoras de energía, dando origen a un mercado energético abierto y competitivo. Dentro del abanico de fenómenos comprendidos en el concepto de calidad de la energía se encuentra un conjunto de perturbaciones de tensión denominadas dips de tensión, swells e interrupciones de corta duración. Estas perturbaciones, conocidas como eventos de tensión, son los responsables de importantes perdidas económicas, tanto para las empresas de energía como para los usuarios, en especial los industriales. A fin de cuantificarlos y caracterizarlos para evaluar sus causas, sus consecuencias, e incluso tomar acciones correctivas para mitigarlos, es de vital importancia contar con herramientas que permitan detectarlos y clasificarlos en forma automatizada en el menor tiempo y con la mayor certeza posibles. El objetivo de esta tesis es la evaluación y propuesta de métodos de clasificación de eventos de tensión. Para cumplir con este objetivo se han tenido en cuenta las causas que originan los eventos de tensión y las características asociadas a los mismos. Se han estudiado con profundidad los criterios de detección, segmentación y clasificación presentes en la literatura especifica poniendo en evidencia todas las limitaciones asociadas a los mismos, haciendo énfasis en los criterios y algoritmos de clasificación. A partir del análisis de estas limitaciones se diseño un nuevo método que mejora el desempeño en la clasificación de eventos en determinadas condiciones de operación que son factibles de hallar en la practica. Se han modelado, simulado y evaluado todos los métodos bajo las mismas condiciones y se realizaron ensayos experimentales, programando el método propuesto en un Medidor Inteligente de Calidad de Energía desarrollado por el grupo de Calidad de la energía del Laboratorio de Instrumentación y Control. Se mostró que el algoritmo es implementable en una plataforma digital de recursos limitados y se verifico que el método propuesto en su conjunto es capaz de detectar el evento, dividir el mismo en sus correspondientes segmentos y clasificar cada uno de estos segmentos.

Estudio, Diseño y desarrollo de sensores innovadores basados en fibra óptica

Control de corriente en sistemas de inyección de energía a red

Estudio de rectificación en rachets aplicado a dispositivos superconductores cuánticos de interferencia

Sistemas complejos, ruidos discretos y su implementación en FPGA

Estimación y ecualización de canales PLC de banda ancha basados en secuencias complementarias

Lógica difusa tipo 2 de intervalos en segmentación de imágenes médicas

Esta tesis se centra en la aplicación del Control Predictivo Generalizado (GPC), una variante del Control Predictivo basado en Modelo (MPC), a inversores conectados a la red eléctrica para mejorar su rapidez, robustez y calidad de energía.
El aporte principal es un método de diseño para el controlador GPC que, mediante una correcta selección de sus parámetros, garantiza un excelente desempeño dinámico y robustez frente a variaciones del sistema, manteniendo un bajo costo computacional. Los resultados experimentales demuestran que el GPC es superior a controladores clásicos como el Proporcional Resonante (PR). Se logró una Distorsión Armónica Total (THD) en la corriente de solo 2,7%, significativamente menor al 5,2% del PR y por debajo del límite estándar del 5%. Además, su tiempo de cálculo de 12,8 µs lo confirma como una solución práctica y eficiente, incluso para hardware de bajo rendimiento.
Adicionalmente, se proponen mejoras para otras técnicas MPC. Se aumentó la robustez del control de conjunto finito (FCS-MPC) mediante un observador de Luenberger y se mejoró la calidad de la corriente evaluando distintos filtros digitales (FIR e IIR) en la función de costo. Esto ofrece pautas de diseño claras para optimizar el controlador según los requerimientos específicos de cada aplicación, ya sea priorizando la eficiencia, la calidad de la energía o la dispersión espectral.

Convertidor multiestructura y sistema de control para fuentes de corriente pulsada de altas prestaciones

Técnicas de clasificación supervisada aplicadas a datos genéticos de alta densidad

Medición de Variaciones en la calidad de la energía eléctrica

Control de corriente en convertidores multifásicos de potencia

Fuente de corriente con filtro activo híbrido para aceleradores de partículas

Estudio y desarrollo de sistemas de conversión y comprensión de voz orientados a personas con deficiencias auditivas

Aprendizaje computacional y morfología matemática aplicados al procesamiento de imágenes biomédicas

Secuencias complementarias y códigos derivados aplicados a las comunicaciones por la red eléctrica en banda angosta

Control predictivo robusto aplicado a la inyección de energía a la red eléctrica

Computación cuántica: problemas de correspondencia y asignación de recursos

Estudio de procesos dinámicos mediante técnicas speckle optodigitales

Convertidor multiestructura con estructura mixta

Este trabajo se centra en el análisis de sistemas de partículas mediante Dispersión de Luz Estática (SLS) para determinar su Distribución de Tamaño de Partícula (PSD). La interpretación de los datos de SLS conduce a un problema inverso mal condicionado, donde pequeñas variaciones en los datos generan grandes cambios en la solución, lo que exige el uso de técnicas de regularización para estabilizarlo.

La tesis se enfoca en la estimación de la PSD en sistemas concentrados utilizando dos modelos de diferente complejidad para partículas esféricas: la Aproximación Monodispersa Local (LMA), más simple, y el Modelo de Mezcla Finita (FMM). Ambos modelos se aplican en condiciones de bajo contraste de índice de refracción, lo que permite despreciar el efecto de dispersión múltiple y simplificar el análisis matemático.

Se evalúan el alcance, las limitaciones y los errores de dichos modelos. Inicialmente, se utiliza un enfoque determinista basado en mínimos cuadrados. Sin embargo, debido a los errores observados con este método, se propone una alternativa novedosa basada en métodos Bayesianos. Este nuevo enfoque demuestra ser exitoso al permitir la combinación de datos de SLS con información de otras técnicas, como la Microscopía Electrónica de Barrido (MEB), mejorando la robustez de los resultados. Finalmente, el complejo modelo FMM también es analizado de forma paramétrica mediante un enfoque determinista.

Sincronismo con la red eléctrica en convertidores de potencia

Caracterización experimental de fenómenos oscilatorios alineales aplicada al estudio de sistemas complejos

Variaciones de Tensión en motores trifásicos

Caracterización de patrones de speckle dinámico mediante técnicas de morfología matemática

Segmentación en imágenes médicas mediante técnicas de Morfología Matemática Difusa

Se plantea como objetivo en esta tesis la modelización de registros de Capnografía Volumétrica (CV) de pacientes sometidos a cirugía bajo anestesia general, con el propósito de obtener parámetros fisiológicos de interés para los especialistas médicos que realizan investigaciones en el campo de la fisiología respiratoria. Estos parámetros se calculan a partir de variables derivadas de la CV, las cuales deberían ser obtenidas en forma automática a los fines de poder adaptarse dinámicamente a los cambios producidos en la morfología de la CV como consecuencia de la influencia de diversas patologías que pueden presentar los pacientes bajo estudio. El análisis de la CV propuesto también podría ayudar a la comprensión de los efectos fisiológicos que las terapias como la ventilación mecánica producen en el pulmón de un paciente. Este trabajo involucra el estudio de las dificultades que se presentan en el cálculo de variables derivadas de la CV mediante los métodos tradicionales cuando los capnogramas resultan alterados en su morfología, y el ajuste de una única función analítica que permite encontrar matemáticamente las variables derivadas de interés con menor error, mayor precisión y en forma robusta. Las metodologías analizadas para la aproximación de la función son: la optimización de parámetros de una función específica creada ad-hoc; la obtención de un modelo difuso o híbrido basado en técnicas de Inteligencia Computacional. Los resultados obtenidos fueron validados con el especialista de campo y comparados con los métodos tradicionales para evaluar su performance.

Análisis de actividad en patrones de speckle dinámico

Topología convertidora para fuente pulsada de altas prestaciones

Sincronización y control del caos aplicado a comunicaciones

Control de convertidores conmutados por línea en modo de conducción discontinua

Circuitos integrados de bajo consumo para la detección y localización de disparos de armas de fuego

Generadores de números pseudoaleatorios en aritmética de residuos: teoría e implementación en FPGAs

Turbo Cuasi-Caótica Operativa sobre los Campos de Galois

Distancias no-euclídeas aplicadas al procesamiento de imágenes médicas

Desarrollo de sensores de fibra óptica: aplicación de un interferómetro Fizeau al estudio de polímeros

Segmentación morfológica Watershed en imágenes médicas: métodos de selección de marcadores.

Esta tesis propone un novedoso marco de inteligencia computacional híbrida para la segmentación de Imágenes por Resonancia Magnética (IRM) del cerebro. El objetivo principal de la tesis es superar las limitaciones de la segmentación manual, que es tediosa y subjetiva, creando un sistema automatizado, robusto y adaptable. El método propuesto, denominado PDLC (Predicados Difusos y Lógica Compensatoria), traduce el conocimiento lingüístico, cualitativo e impreciso de los especialistas en diagnóstico por imágenes (por ejemplo, "el líquido cefalorraquídeo se ve oscuro en las imágenes T1 y muy intenso en las T2") a un conjunto de predicados lógicos difusos formales. El sistema cuantifica el valor de verdad de estos predicados para cada píxel mediante funciones de pertenencia difusas que representan conceptos como "oscuro", "gris" o "intenso". Una innovación clave es el uso de operadores de la Lógica Difusa Compensatoria (LDC), que demostraron ser más eficaces para esta aplicación que los operadores tradicionales MIN/MAX. Para garantizar la precisión y la adaptabilidad a imágenes de distintas fuentes, los parámetros de estas funciones difusas se optimizan automáticamente mediante un Algoritmo Genético (AG). Esta optimización se guía por un pequeño conjunto de píxeles previamente clasificados de una imagen de referencia. El rendimiento del método se validó rigurosamente tanto en conjuntos de datos de IRM simuladas, con distintos niveles de ruido y distorsión, como en dos conjuntos diferentes de imágenes clínicas reales procedentes de distintos equipos. Los resultados demuestran que el sistema propuesto es computacionalmente eficiente y robusto. Al compararlo con otros algoritmos de segmentación —incluidos K-Means, Fuzzy-C-Means, Redes Neuronales y software establecido como BRAINS—, el método PDLC obtuvo en general una calidad de segmentación superior o comparable, medida por el Coeficiente de Tanimoto y otras métricas. La tesis concluye que este enfoque híbrido crea con éxito una herramienta objetiva, repetible y eficiente para asistir en el análisis cuantitativo de los tejidos cerebrales en el ámbito clínico y de investigación.

Implementación de sistemas de transmisión segura en comunicaciones inalámbricas de corto alcance

Multiplicación secuencial en dispositivos lógicos programables

Nuevas técnicas en el accionamiento de máquinas de movimiento incremental

Técnicas de muestreo aleatorio

Diseño de bloques caóticos orientados a dispositivos lógicos programables

Caracterización y filtrado de señales inmersas en ruido caótico y estocástico

Esta tesis de doctorado propone metodologías innovadoras para modelizar procesos dinámicos en bioingeniería mediante la caracterización de imágenes estáticas y dinámicas. El trabajo se centra en el desarrollo de nuevos descriptores basados en la geometría fractal y la teoría de la información para analizar señales biológicas complejas y no estacionarias. En una primera etapa, se presenta una técnica para el realce de imágenes histopatológicas orientada a la detección de melanomas, que utiliza un estimador de Hurst local para identificar variaciones de textura en el tejido dérmico. Posteriormente, la investigación aborda el análisis de secuencias de "speckle" activo o "biospeckle" en tres aplicaciones clave: la predicción del tiempo de secado en pinturas, el test de viabilidad en semillas de maíz y la detección de golpes no visibles en manzanas. Para estos casos, se proponen descriptores como la entropía de la transformada ondita (wavelet), que superan en eficacia a los métodos tradicionales de segmentación. Finalmente, el trabajo integra estos descriptores en modelos de decisión avanzados que emplean redes neuronales de regresión generalizada optimizadas mediante algoritmos genéticos, permitiendo una predicción automatizada y precisa de los fenómenos estudiados

Sincronización y caos en sistemas electrónicos no lineales y sus aplicaciones a las comunicaciones