Regression Learner

[pic 1]        [pic 2]

UNIVERSIDAD LAICA ELOY ALFARO DE MANABÍ UNIDAD ACADÉMICA DE INGENIERÍA

CARRERA:

INGENIERIA EN ELECTRICIDAD

MATERIA:

PROGRAMACION APLICADA

SEMESTRE “2”

ALUMNO/A:

DOCENTE:

ING. Dr. WASHINGTON XAVIER GARCIA QUILACHAMIN

2022-2023

MANTA – MANABÍ – ECUADOR

[pic 3]        [pic 4]

Contenido

1. Regression Learner.        4
2. Neural Net Pattern Recognition.        5
3. Embedded Coder.        6
4. Solar Electric Vehicle Design.        7
5. House load electricity.        8
6. Support Package for USB Webcams.        8
7. Solar Photovoltaic Generators with MPPT and battery Storage        9
8. Arduino Engineering Kit Project Files Rev 2.        9
9. Sensor Array Analyzer.        10
10. Raspberry PI Hardware Resource Manager.        10

Bibliografía        17

[pic 5]        [pic 6]

Tabla de Ilustraciones.

Ilustración 1.Regression Learner.        4

Ilustración 2.Neural Net Pattern Recognition.        5

Ilustración 3.Diseño de parámetros de vehículo solar        7

Ilustración 4.Generate Synthetic electricity load profiles.        8

Ilustración 5.Raspberry pi4        11

Ilustración 6,Matlab y Raspberry        12

Ilustración 7.Conexion entre Matlab y Raspberry        12

Ilustración 8.Matlab,Simulink y Raspberry.        14

Ilustración 9.Desarrollo de algoritmos.        15

Ilustración 10.Monitor de recursos        16

[pic 7]        [pic 8]

1. Regression Learner.

En la página de (Mathworks, 2022) nos dice sobre la aplicación Regression Learner que entrena modelos de regresión para predecir datos. Con esta aplicación, puede explorar sus datos, seleccionar funciones, especificar esquemas de validación, entrenar modelos y evaluar resultados. Puede realizar un entrenamiento automatizado para buscar el mejor tipo de modelo de regresión, incluidos modelos de regresión lineal, árboles de regresión, modelos de regresión de procesos gaussianos, máquinas de vectores de soporte, modelos de aproximación de kernel, conjuntos de árboles de regresión y modelos de regresión de redes neuronales.

“Utilice las observaciones para entrenar un modelo que genere respuestas previstas para nuevos datos de entrada. Para usar el modelo con datos nuevos o para obtener información sobre la regresión programática, puede exportar el modelo al espacio de trabajo o generar código MATLAB® para recrear el modelo entrenado.” (Mathworks, 2022)

Puede usar Regression Learner para entrenar modelos de regresión, incluidos modelos de regresión lineal, árboles de regresión, modelos de regresión de procesos gaussianos, máquinas de vectores de soporte, aproximación de kernel,[pic 9]

conjuntos de árboles de regresión y modelos de regresión de redes neuronales. Además de entrenar modelos, puede explorar sus datos, seleccionar características, especificar esquemas de validación y evaluar resultados.

Ilustración 1.Regression Learner.

[pic 10]        [pic 11]

1. Neural Net Pattern Recognition.

La aplicación Reconocimiento de patrones de redes neuronales le permite crear, visualizar y entrenar redes de avance de dos capas para resolver problemas de clasificación de datos. Con esta aplicación, puede:

• Importe datos desde un archivo, el espacio de trabajo de MATLAB ® o utilice uno de los conjuntos de datos de ejemplo.
• Divide los datos en conjuntos de entrenamiento, validación y prueba.

• Definir y entrenar una red neuronal.

• Evalúe el rendimiento de la red mediante el error de entropía cruzada y el error de clasificación errónea.
• Analice los resultados utilizando gráficos de visualización, como matrices de confusión y curvas características operativas del receptor.
• Genere scripts de MATLAB para reproducir resultados y personalizar el proceso de formación.
• Genere funciones adecuadas para su implementación con las herramientas MATLAB

Compiler™ y MATLAB        Coder™, y        expórtelas        a        Simulink® para        utilizarlas con Simulink Coder. (MathWorks, 2021)

[pic 12]

Ilustración 2.Neural Net Pattern Recognition.

[pic 13]        [pic 14]

1. Embedded Coder.

Embedded Coder genera código C y C++ legible, compacto y rápido para procesadores embebidos utilizados en la producción en serie. Amplía MATLAB Coder™ y Simulink Coder™ con optimizaciones avanzadas para un control preciso de las funciones, los archivos y los datos generados. Estas optimizaciones aumentan la eficiencia del código y facilitan la integración con código, tipos de datos y parámetros de calibración heredados. Puede incorporar una herramienta de desarrollo de terceros y crear un ejecutable para el despliegue llave en mano en el sistema embebido o en la placa de prototipado rápido. (Mathworks, 2020)

...