Recientemente, se pudo publicar el articulo “Extreme Learning Machine Models for Classifying the LED Source in 2D Visible Light Positioning Database” en la revista con indexación WOS “IET Optoelectronics”, el cual puede ser descargado en este enlace: https://ietresearch.onlinelibrary.wiley.com/doi/full/10.1049/ote2.70004.
En este articulo participo el Académico David Zabala Blanco y el estudiante de pregrado Benjamín Lobos Soto, marcando un hito importante por la participación estudiantil en un articulo científico con alto factor de impacto.
Este articulo trata sobre los sistemas de posicionamiento en interiores que utilizan la tecnología de comunicación de luz visible (VLC) combinada con diodos emisores de luz (LED).
Estos sistemas han llamado la atención debido a su capacidad para ofrecer un gran ancho de banda, una localización precisa y el potencial para que la comunicación inalámbrica se extienda al espectro de luz visible en el futuro, lo que convierte a VLC en un candidato notable.
Además, el espectro de luz visible resulta ventajoso en el entorno industrial del Internet de las cosas, ya que no ofrece interferencias electromagnéticas como en el espectro de radiofrecuencia (RF).
En este trabajo se analiza una base de datos compuesta por aproximadamente 356 muestras de imágenes obtenidas de un sensor CMOS.
La base de datos abarca ocho clases distintas, cada una de las cuales muestra variaciones de frecuencia (velocidad binaria) que van de 1 a 4,5 kHz en incrementos de 500 Hz.
El objetivo es implementar esta base de datos para aplicaciones de clasificación como una primera etapa con varias redes neuronales basadas en máquinas de aprendizaje extremo (ELM) en varias formas: (1) ELM estándar, (2) ELM regularizado, (3) ELM ponderado en dos configuraciones, y (4) ELM multicapa con 2 y 3 capas ocultas.
Los hallazgos de este estudio revelan que el ELM estándar es particularmente prometedor, logrando más del 99% en precisión y media G, al tiempo que mantiene una baja complejidad computacional (medida en décimas de segundos) en comparación con las redes neuronales convolucionales y los perceptrones multicapa, que ofrecen un rendimiento superior, pero a costa de demandas computacionales significativas.
