Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.

Los algoritmos de Inteligencia Artificial (Artificial Intelligence - AI) y el Aprendizaje de Maquina (Machine Learning - ML), son técnicas que han ganado relevancia, principalmente durante la última década, gracias a la versatilidad y eficiencia que brindan para el manejo de grandes volúmenes de dat...

Full description

Autores:
Castañeda Monroy, Erika Dajanna
Tipo de recurso:
Tesis
Fecha de publicación:
2024
Institución:
Universidad Pedagógica y Tecnológica de Colombia
Repositorio:
RiUPTC: Repositorio Institucional UPTC
Idioma:
spa
OAI Identifier:
oai:repositorio.uptc.edu.co:001/17778
Acceso en línea:
https://repositorio.uptc.edu.co/handle/001/17778
Palabra clave:
inteligencia artificial
Aprendizaje activo
Rights
License
http://purl.org/coar/access_right/c_14cb
id REPOUPTC2_cd4464c75ba498d71165fb4e71ddaacf
oai_identifier_str oai:repositorio.uptc.edu.co:001/17778
network_acronym_str REPOUPTC2
network_name_str RiUPTC: Repositorio Institucional UPTC
repository_id_str
dc.title.none.fl_str_mv Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
title Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
spellingShingle Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
inteligencia artificial
Aprendizaje activo
title_short Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
title_full Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
title_fullStr Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
title_full_unstemmed Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
title_sort Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.
dc.creator.fl_str_mv Castañeda Monroy, Erika Dajanna
dc.contributor.author.none.fl_str_mv Castañeda Monroy, Erika Dajanna
dc.subject.unesco.none.fl_str_mv inteligencia artificial
Aprendizaje activo
topic inteligencia artificial
Aprendizaje activo
description Los algoritmos de Inteligencia Artificial (Artificial Intelligence - AI) y el Aprendizaje de Maquina (Machine Learning - ML), son técnicas que han ganado relevancia, principalmente durante la última década, gracias a la versatilidad y eficiencia que brindan para el manejo de grandes volúmenes de datos, así como para la supervisión y optimización de procesos en un amplio rango de aplicaciones (Nassif et al., 2019; Talib et al., 2021). El Aprendizaje Profundo (Deep Learning - DL), es una categoría de ML que se centra en estructurar el proceso de aprendizaje de las computadoras para que puedan reconocer patrones y tomar decisiones, de manera similar a como lo hacen los humanos. Una de las técnicas más exitosas en el contexto de la AI y el ML son las Redes Neuronales Artificiales (Artificial Neural Networks - ANN). Este tipo de redes están inspiradas en su contraparte biológica, y se caracterizan por permitir procesar información masiva y compleja a través de múltiples capas de abstracción (Shawahna et al., 2019). Para lograr mejores resultados en la clasificación, se suelen agregar más capas de neuronas entre la capa de entrada y la de salida (capas ocultas). A este tipo de arquitectura de múltiples capas se le conoce como Redes Neuronales Profundas (Deep Neural Networks - DNN) (Capra et al., 2020).
publishDate 2024
dc.date.issued.none.fl_str_mv 2024
dc.date.accessioned.none.fl_str_mv 2025-05-25T05:04:31Z
dc.date.available.none.fl_str_mv 2025-05-25T05:04:31Z
dc.type.none.fl_str_mv http://purl.org/redcol/resource_type/TPMP
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_46ec
dc.type.version.none.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_46ec
dc.identifier.uri.none.fl_str_mv https://repositorio.uptc.edu.co/handle/001/17778
dc.identifier.bibliographicCitation.none.fl_str_mv Capra, M., Bussolino, B., Marchisio, A., Masera, G., Martina, M., & Shafique, M. (2020). Hardware and Software Optimizations for Accelerating Deep Neural Networks: Survey of Current Trends, Challenges, and the Road Ahead. IEEE Access, 8, 225134–225180. https://doi.org/10.1109/ACCESS.2020.3039858
Corchado, J. M., Kim, B.-G., Iglesias, C. A., Lee, I., Ren, F., Mehmood, R., Ghimire, D., Kil, D., & Kim, S.-H. (2022). A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration. Electronics 2022, Vol. 11, Page 945, 11(6), 945. https://doi.org/10.3390/ELECTRONICS11060945
Dhouibi, M., Ben Salem, A. K., Saidi, A., & Ben Saoud, S. (2021). Accelerating Deep Neural Networks implementation: A survey. IET Computers & Digital Techniques, 15(2), 79–96. https://doi.org/10.1049/cdt2.12016
Hamdan, M. K., & Rover, D. T. (2018). VHDL generator for a high performance convolutional neural network FPGA-based accelerator. 2017 International Conference on Reconfigurable Computing and FPGAs, ReConFig 2017, 2018January, 1–6. https://doi.org/10.1109/RECONFIG.2017.8279827
Ibáñez, A. M. (2021). Implementación de redes neuronales convolucionales en Field Programmable Logic Arrays. https://riunet.upv.es/handle/10251/173839
Mittal, S. (2020). A survey of FPGA-based accelerators for convolutional neural networks. Neural Computing and Applications, 32(4), 1109–1139. https://doi.org/10.1007/s00521-018-3761-1
Nabavinejad, S. M., Baharloo, M., Chen, K.-C., Palesi, M., Kogel, T., & Ebrahimi, M. (2020). An Overview of Efficient Interconnection Networks for Deep Neural Network Accelerators. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 10(3), 268–282. https://doi.org/10.1109/JETCAS.2020.3022920.
url https://repositorio.uptc.edu.co/handle/001/17778
identifier_str_mv Capra, M., Bussolino, B., Marchisio, A., Masera, G., Martina, M., & Shafique, M. (2020). Hardware and Software Optimizations for Accelerating Deep Neural Networks: Survey of Current Trends, Challenges, and the Road Ahead. IEEE Access, 8, 225134–225180. https://doi.org/10.1109/ACCESS.2020.3039858
Corchado, J. M., Kim, B.-G., Iglesias, C. A., Lee, I., Ren, F., Mehmood, R., Ghimire, D., Kil, D., & Kim, S.-H. (2022). A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration. Electronics 2022, Vol. 11, Page 945, 11(6), 945. https://doi.org/10.3390/ELECTRONICS11060945
Dhouibi, M., Ben Salem, A. K., Saidi, A., & Ben Saoud, S. (2021). Accelerating Deep Neural Networks implementation: A survey. IET Computers & Digital Techniques, 15(2), 79–96. https://doi.org/10.1049/cdt2.12016
Hamdan, M. K., & Rover, D. T. (2018). VHDL generator for a high performance convolutional neural network FPGA-based accelerator. 2017 International Conference on Reconfigurable Computing and FPGAs, ReConFig 2017, 2018January, 1–6. https://doi.org/10.1109/RECONFIG.2017.8279827
Ibáñez, A. M. (2021). Implementación de redes neuronales convolucionales en Field Programmable Logic Arrays. https://riunet.upv.es/handle/10251/173839
Mittal, S. (2020). A survey of FPGA-based accelerators for convolutional neural networks. Neural Computing and Applications, 32(4), 1109–1139. https://doi.org/10.1007/s00521-018-3761-1
Nabavinejad, S. M., Baharloo, M., Chen, K.-C., Palesi, M., Kogel, T., & Ebrahimi, M. (2020). An Overview of Efficient Interconnection Networks for Deep Neural Network Accelerators. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 10(3), 268–282. https://doi.org/10.1109/JETCAS.2020.3022920.
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_14cb
rights_invalid_str_mv http://purl.org/coar/access_right/c_14cb
dc.format.none.fl_str_mv pdf
dc.format.extent.none.fl_str_mv 89 Hojas : Graficas, Ilustraciones
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Pedagogica Tecnologíca de Colombia
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeniería
dc.publisher.place.none.fl_str_mv Tunja
dc.publisher.program.none.fl_str_mv Ingeniería electronica
publisher.none.fl_str_mv Universidad Pedagogica Tecnologíca de Colombia
institution Universidad Pedagógica y Tecnológica de Colombia
bitstream.url.fl_str_mv https://repositorio.uptc.edu.co/bitstreams/585d3e10-a3b6-4d62-9de7-a4bf6d464e04/download
https://repositorio.uptc.edu.co/bitstreams/b55d2e9e-8cfb-43f4-a621-1b3afdb0ae39/download
https://repositorio.uptc.edu.co/bitstreams/5be0dbf3-ea4b-4fd7-a444-b2fe38d4d4a4/download
https://repositorio.uptc.edu.co/bitstreams/98166787-e3df-40b5-9c39-bf572599b938/download
https://repositorio.uptc.edu.co/bitstreams/4e26ff60-d2db-4593-bfc3-b6aaa2d5aefa/download
https://repositorio.uptc.edu.co/bitstreams/274f2619-5775-4456-9aff-80b9ca24ac36/download
https://repositorio.uptc.edu.co/bitstreams/56452e58-8913-4469-8de2-18392e333776/download
https://repositorio.uptc.edu.co/bitstreams/0c51123b-2b15-4ea0-a593-1542ec96c3a5/download
https://repositorio.uptc.edu.co/bitstreams/46abf810-b930-4ecd-855b-4f9a151bfbc4/download
https://repositorio.uptc.edu.co/bitstreams/1636468f-95c3-4953-a365-97f61617b51c/download
bitstream.checksum.fl_str_mv c28eda25ffb9da2fc917fc9625cafa39
9da48678b9d32a301f30a054e0a8cc37
ff4c8ff01d544500ea4bfea43e6108c1
b1631a4bdc38bcc39cbe994de447622f
b1631a4bdc38bcc39cbe994de447622f
ff4c8ff01d544500ea4bfea43e6108c1
cfec6c971df0744e861eedf6100fd36f
fe18d4709706babdb0a21d67a21d29c1
fe18d4709706babdb0a21d67a21d29c1
cfec6c971df0744e861eedf6100fd36f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UPTC
repository.mail.fl_str_mv repositorio.uptc@uptc.edu.co
_version_ 1837003030449356800
spelling Castañeda Monroy, Erika Dajanna2025-05-25T05:04:31Z2025-05-25T05:04:31Z2024https://repositorio.uptc.edu.co/handle/001/17778Capra, M., Bussolino, B., Marchisio, A., Masera, G., Martina, M., & Shafique, M. (2020). Hardware and Software Optimizations for Accelerating Deep Neural Networks: Survey of Current Trends, Challenges, and the Road Ahead. IEEE Access, 8, 225134–225180. https://doi.org/10.1109/ACCESS.2020.3039858Corchado, J. M., Kim, B.-G., Iglesias, C. A., Lee, I., Ren, F., Mehmood, R., Ghimire, D., Kil, D., & Kim, S.-H. (2022). A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration. Electronics 2022, Vol. 11, Page 945, 11(6), 945. https://doi.org/10.3390/ELECTRONICS11060945Dhouibi, M., Ben Salem, A. K., Saidi, A., & Ben Saoud, S. (2021). Accelerating Deep Neural Networks implementation: A survey. IET Computers & Digital Techniques, 15(2), 79–96. https://doi.org/10.1049/cdt2.12016Hamdan, M. K., & Rover, D. T. (2018). VHDL generator for a high performance convolutional neural network FPGA-based accelerator. 2017 International Conference on Reconfigurable Computing and FPGAs, ReConFig 2017, 2018January, 1–6. https://doi.org/10.1109/RECONFIG.2017.8279827Ibáñez, A. M. (2021). Implementación de redes neuronales convolucionales en Field Programmable Logic Arrays. https://riunet.upv.es/handle/10251/173839Mittal, S. (2020). A survey of FPGA-based accelerators for convolutional neural networks. Neural Computing and Applications, 32(4), 1109–1139. https://doi.org/10.1007/s00521-018-3761-1Nabavinejad, S. M., Baharloo, M., Chen, K.-C., Palesi, M., Kogel, T., & Ebrahimi, M. (2020). An Overview of Efficient Interconnection Networks for Deep Neural Network Accelerators. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 10(3), 268–282. https://doi.org/10.1109/JETCAS.2020.3022920.Los algoritmos de Inteligencia Artificial (Artificial Intelligence - AI) y el Aprendizaje de Maquina (Machine Learning - ML), son técnicas que han ganado relevancia, principalmente durante la última década, gracias a la versatilidad y eficiencia que brindan para el manejo de grandes volúmenes de datos, así como para la supervisión y optimización de procesos en un amplio rango de aplicaciones (Nassif et al., 2019; Talib et al., 2021). El Aprendizaje Profundo (Deep Learning - DL), es una categoría de ML que se centra en estructurar el proceso de aprendizaje de las computadoras para que puedan reconocer patrones y tomar decisiones, de manera similar a como lo hacen los humanos. Una de las técnicas más exitosas en el contexto de la AI y el ML son las Redes Neuronales Artificiales (Artificial Neural Networks - ANN). Este tipo de redes están inspiradas en su contraparte biológica, y se caracterizan por permitir procesar información masiva y compleja a través de múltiples capas de abstracción (Shawahna et al., 2019). Para lograr mejores resultados en la clasificación, se suelen agregar más capas de neuronas entre la capa de entrada y la de salida (capas ocultas). A este tipo de arquitectura de múltiples capas se le conoce como Redes Neuronales Profundas (Deep Neural Networks - DNN) (Capra et al., 2020).PregradoIngeniero electrónicopdf89 Hojas : Graficas, Ilustracionesapplication/pdfspaUniversidad Pedagogica Tecnologíca de ColombiaFacultad de IngenieríaTunjaIngeniería electronicaDesarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.http://purl.org/redcol/resource_type/TPMPhttp://purl.org/coar/resource_type/c_46echttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/redcol/resource_type/TPinteligencia artificialAprendizaje activohttp://purl.org/coar/access_right/c_14cbORIGINALDesarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS_CastañedaErikapdfapplication/pdf8832287https://repositorio.uptc.edu.co/bitstreams/585d3e10-a3b6-4d62-9de7-a4bf6d464e04/downloadc28eda25ffb9da2fc917fc9625cafa39MD52Autorización de Publicación.pdfapplication/pdf734039https://repositorio.uptc.edu.co/bitstreams/b55d2e9e-8cfb-43f4-a621-1b3afdb0ae39/download9da48678b9d32a301f30a054e0a8cc37MD51TEXTAUTO ELEC 003.pdf.txtAUTO ELEC 003.pdf.txtExtracted texttext/plain4https://repositorio.uptc.edu.co/bitstreams/5be0dbf3-ea4b-4fd7-a444-b2fe38d4d4a4/downloadff4c8ff01d544500ea4bfea43e6108c1MD53TEWSIS ELEC 003.pdf.txtTEWSIS ELEC 003.pdf.txtExtracted texttext/plain101961https://repositorio.uptc.edu.co/bitstreams/98166787-e3df-40b5-9c39-bf572599b938/downloadb1631a4bdc38bcc39cbe994de447622fMD55Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS_CastañedaErikapdf.txtDesarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS_CastañedaErikapdf.txtExtracted texttext/plain101961https://repositorio.uptc.edu.co/bitstreams/4e26ff60-d2db-4593-bfc3-b6aaa2d5aefa/downloadb1631a4bdc38bcc39cbe994de447622fMD57Autorización de Publicación.pdf.txtAutorización de Publicación.pdf.txtExtracted texttext/plain4https://repositorio.uptc.edu.co/bitstreams/274f2619-5775-4456-9aff-80b9ca24ac36/downloadff4c8ff01d544500ea4bfea43e6108c1MD59THUMBNAILAUTO ELEC 003.pdf.jpgAUTO ELEC 003.pdf.jpgGenerated Thumbnailimage/jpeg10137https://repositorio.uptc.edu.co/bitstreams/56452e58-8913-4469-8de2-18392e333776/downloadcfec6c971df0744e861eedf6100fd36fMD54TEWSIS ELEC 003.pdf.jpgTEWSIS ELEC 003.pdf.jpgGenerated Thumbnailimage/jpeg7858https://repositorio.uptc.edu.co/bitstreams/0c51123b-2b15-4ea0-a593-1542ec96c3a5/downloadfe18d4709706babdb0a21d67a21d29c1MD56Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS_CastañedaErikapdf.jpgDesarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS_CastañedaErikapdf.jpgGenerated Thumbnailimage/jpeg7858https://repositorio.uptc.edu.co/bitstreams/46abf810-b930-4ecd-855b-4f9a151bfbc4/downloadfe18d4709706babdb0a21d67a21d29c1MD58Autorización de Publicación.pdf.jpgAutorización de Publicación.pdf.jpgGenerated Thumbnailimage/jpeg10137https://repositorio.uptc.edu.co/bitstreams/1636468f-95c3-4953-a365-97f61617b51c/downloadcfec6c971df0744e861eedf6100fd36fMD510001/17778oai:repositorio.uptc.edu.co:001/177782025-06-27 21:00:40.704open.accesshttps://repositorio.uptc.edu.coRepositorio Institucional UPTCrepositorio.uptc@uptc.edu.co

Publicaciones similares