Recursos de colección

RiuNet. Repositorio institucional de la Universitat de Valencia (72.956 recursos)

RiuNet es el Repositorio Institucional de la Universitat Politècnica de València, gestionado por la Biblioteca, cuyo objetivo es ofrecer acceso en Internet a la producción científica, académica y corporativa de la comunidad universitaria con la finalidad de aumentar su visibilidad y hacerla accesible y preservable.

Laboratorios Virtuales EPSA

Mostrando recursos 1 - 20 de 147

  1. Teorías de fallo por fatiga

    Sánchez Caballero, Samuel
    Laboratorio Virtual en el que el alumno puede determinar, en función de las componentes medias y alternante de tensión, si estas generarán la rotura del material gráfica y numéricamente.

  2. Determinación de la tensión alternante pura equivalente a un estado tensional compuesto

    Sánchez Caballero, Samuel
    Laboratorio Virtual en el que el alumno puede determinar, para cualquier estado tensional plano, si las tensiones principales asociadas generarán la fluencia del material gráfica y numéricamente. También proporciona los valores de las tensiones equivalentes y los coeficientes de seguridad.

  3. Teorías de fallo de materiales dúctiles bajo tensión plana

    Sánchez Caballero, Samuel
    Laboratorio Virtual en el que el alumno puede determinar, en función de las componentes medias y alternante de tensión, la tensión equivalente pura gráfica y numéricamente.

  4. Teorias de fallo bajo estado tensional plano para materiales fragiles

    Sánchez Caballero, Samuel
    Laboratorio Virtual en el que el alumno puede determinar, para cualquier estado tensional plano, si las tensiones principales asociadas generarán la fluencia del material gráfica y numéricamente. También proporciona los valores de las tensiones equivalentes y los coeficientes de seguridad.

  5. Filtro paso todo: diagrama de ceros y polos

    Igual García, Jorge
    Un filtro paso todo deja pasar todas las frecuencias con ganancia unidad. Para ello, los ceros y polos del filtro deben cumplir unas ciertas relaciones: deben tener el mismo ángulo pero amplitudes inversas en el plano z (la función de transferencia de un filtro se suele expresar en el dominio de la transformada z como cociente de dos polinomios; los ceros del numerador se llaman ceros del filtro y los ceros del denominador se llaman polos del filtro). El OBJETIVO es aprender las relaciones que deben cumplir los polos y ceros de un filtro paso todo.

  6. Filtro paso todo: respuesta en frecuencia

    Igual García, Jorge
    Un filtro paso todo es un filtro que deja pasar todas las frecuencias de la señal de entrada con ganancia unidad. Pero aunque no modifique el módulo de la señal de entrada, sí puede usarse para cambiar la fase, según donde se ubique el polo de dicho filtro. El OBJETIVO es aprender la respuesta en frecuencia que tiene un filtro paso todo y comprobar cómo cambia la fase de su respuesta en frecuencia según el valor del polo.

  7. Factorización de matrices no negativa (minimización de distancia Frobenius)

    Igual García, Jorge
    El OBJETIVO es aprender qué es la factorización de matrices no negativa y cómo funciona el algoritmo basado en la minimización de la distancia de Frobenius (Algoritmo Lee Seung o algoritmo multiplicativo). La factorización de matrices no negativa consiste en la descomposición de una matriz cuyos elementos son no negativos en el producto de dos matrices también no negativas. Para ello, se definen las reglas de adaptación de dichas matrices que minimiza la distancia de Frobenius entre la aproximación y la matriz original. La regla de adaptación resultante es multiplicativa. El ejemplo corresponde a un un coseno recortado y un ruido...

  8. Factorización de matrices no negativa de mezcla de imágenes

    Igual García, Jorge
    La factorización de matrices no negativa consiste en la descomposición de una matriz cuyos elementos son no negativos en el producto de dos matrices también no negativas. Presentamos una aplicación muy importante: la separación de espectros superpuestos de diferentes moléculas. Puesto que los espectros son no negativos y la forma en que se combinan las moléculas viene determinada por su abundancia, es decir, las mezclas son no negativas, la separación de espectros se convierte en una de sus principales aplicaciones. En este caso partimos del espectro de cuatro moléculas básicas que se combinan aleatoriamente para dar cuatro espectros de moléculas...

  9. Factorización de matrices no negativa (algoritmo ALS)

    Igual García, Jorge
    La factorización de matrices no negativa consiste en la descomposición de una matriz cuyos elementos son no negativos en el producto de dos matrices también no negativas. Para ello, se definen las reglas de adaptación de dichas matrices que minimiza el error cuadrático de manera adptativa y alternando entre matrices. El OBJETIVO es aprender qué es dicha factorización y cómo funciona el algoritmo alternating least squares (mínimos cuadrados alternantes). El ejemplo corresponde a un ruido uniforme entre [0-1] y un coseno recortado mezclados de forma no negativa. La ventaja del algoritmo ALS es su rápida convergencia.

  10. Ajuste de exposición con correción gamma 2.2

    Igual García, Jorge
    Los sensores de las cámaras digitales tienen un comportamiento lineal. Esto implica que el doble de luz implica el doble de carga. Sin embargo, se suele olvidar el factor de la corrección gamma, que introduce una no linealidad exponencial que permite compensar el comportamiento no lineal de los monitores, así como el del ojo humano. Por tanto, es importante saber realmente cuál es la curva real de corrección de la exposición en función de la gamma. Doblar la exposición es multiplicar por dos la luz captada por el sensor, pero hay que tener en cuenta la correción gamma, con lo...

  11. Señal en ruido blanco aditivo gaussiano

    Igual García, Jorge
    El OBJETIVO es aprender cómo se obtiene una señal ruidosa a partir de un coseno embebido en ruido blanco gaussiano de potencia y relación señal a ruido a elegir. El ruido blanco gaussiano aditivo suele ser la forma típica de modelar el ruido. En este caso, a la señal útil se le superpone dicho ruido, de potencia determinada por su varianza. El factor que determina la calidad de la señal se llama relación señal a ruido SNR y se mide en dB. Cuanto más baja sea, la señal es más ruidosa.

  12. Cancelación de ruido mediante algoritmo adaptativo

    Igual García, Jorge
    El OBJETIVO es aprender cómo eliminar ruido de una señal ruidosa a partir de observaciones de la misma con un filtro adaptativo. Un caso típico en el mundo real es el de encontrarnos con señales con ruido. En ese caso, el interés radica en intentar conseguir recuperar la señal original, es decir, eliminar el ruido. Presentamos una solución basada en un filtro adaptativo que minimiza el error cuadrático medio. La señal útil es un coseno de frecuencia a elegir a la que se le añade un ruido del tipo blanco y gaussiano. La relación de potencias viene dada por la...

  13. Teorema Contracción de mapas

    Igual García, Jorge
    OBJETIVO: Aprender el Teorema Contracción de mapas de manera práctica, para el caso de una transformación afín T(x)=Ax+b siendo x los puntos que definen la región correspondiente a un triángulo. INTRODUCCIÓN: Sea (X;d) un espacio métrico. Un mapeo T : X -> X es un mapeo de contracción o simplemente llamado ¿contracción¿ si existe una constante c, con 0 X es un mapeo de contracción en un...

  14. Órbita de una función con dos puntos fijos

    Igual García, Jorge
    OBJETIVO: Aprender qué es un punto fijo atrayente y un punto fijo no atrayente en algoritmos iterativos. Para ello aplicaremos iterativamente la función f(x) utilizando como argumento el resultado de la función en la iteración anterior, es decir, f(f(x)). La función representada tiene dos puntos fijos, es decir, dos valores de x donde se cumple f(x)=x, pero uno es atrayente y otro no. INTRODUCCIÓN: En algoritmos iterativos, normalmente se evalúa la función bajo estudio f(x) utilizando como argumento el resultado de la iteración previa, es decir, f(f(x)) y así sucesivamente. De esta forma, se obtiene la órbita de puntos de x bajo la...

  15. Órbita de una función con un punto fijo atrayente

    Igual García, Jorge
    OBJETIVO: Aprender qué es un punto fijo atrayente en algoritmos iterativos. Para ello aplicaremos iterativamente la función f(x) utilizando como argumento el resultado de la función en la iteración aterior, es decir, f(f(x)). Independientemente del valor inicial x, la función siempre converge a un punto donde x=f(x), denominado punto fijo atrayente. INTRODUCCIÓN: En algoritmos iterativos, normalmente se evalúa la función bajo estudio f(x) utilizando como argumento el resultado de la iteración previa, es decir f(f(x)). De esta forma, se obtiene la órbita o trayectoria de puntos de x bajo la transformación f definida como el conjunto de puntos x, f(x), f(f(x)), etc. Cuando...

  16. Algoritmos iterativos: método de Newton para resolver la función de Rosenbrock.

    Igual García, Jorge
    OBJETIVO: Aprender cómo funciona el método de Newton para resolver la función de Rosenbrock bidimensional f(x)=100(x_2*-(x_1)^2)^2+(1-x_1)^2 y descubrir que el método de Newton no es un método donde en cada iteración la función disminuya necesariamente. INTRODUCCIÓN: El método de Newton es un tipo de algoritmo iterativo que se suele usar para minimizar funciones f(x), es decir, para encontrar las x donde la derivada es nula y la segunda derivada positiva. Se obtiene igualando a cero la aproximación lineal de la derivada y despejando, x(n+1)=x(n)-(f'(x(n)/f''(x(n)). La solución depende del punto de inicialización. Además, puede que en algunas funciones, como la de Rosenbrock, y para...

  17. Algoritmos iterativos: método de Newton para resolver ecuaciones tipo f(x)=0

    Igual García, Jorge
    OBJETIVO: Aprender cómo funciona el método de Newton en la práctica para el caso f(x)=x*cos(x)+sin(x) y cómo influye la inicialización en su convergencia. INTRODUCCIÓN: El método de Newton es un tipo de algoritmo iterativo para resolver ecuaciones del tipo f(x)=0. Se obtiene igualando a cero la aproximación lineal de la función y despejando, x(n+1)=x(n)-(f(x(n)/f'(x(n)). La solución depende del punto de inicialización; no obstante, no hay garantía de convergencia cuando la inicialización se encuentra lejos de la solución.

  18. Influencia del coeficiente de aprendizaje del algoritmo del gradiente descendente en la convergencia.

    Igual García, Jorge
    OBJETIVO: Aprender cómo influye el coeficiente de aprendizaje (learning rate) en la convergencia del método del gradiente descendente para el caso de funciones bidimensionales cuadráticas. El valor absoluto máximo de dicho coeficiente está relacionado con la inversa del mayor autovalor de R en la función cuadrática bajo estudio f(x)=x'Rx-2bx. En nuestro ejemplo dicho autovalor es 100. Si, por otra parte, dicho coeficiente es muy pequeño, la convergencia es muy lenta. INTRODUCCIÓN: El método del gradiente descendente es un tipo de algoritmo iterativo que se suele usar para minimizar funciones f(x), es decir, para encontrar las x donde el valor de la función es...

  19. Algoritmos iterativos: método del gradiente descendente para calcular el mínimo de una función.

    Igual García, Jorge
    OBJETIVO: Aprender cómo funciona el método del gradiente descendente para un caso práctico correspondiente a una función bidimensional cuadrática. Comprobar que en cada iteración la función va disminuyendo de valor, acercándose a un mínimo local (global), moviéndose en la dirección opuesta del gradiente en cada punto. INTRODUCCIÓN: El método del gradiente descendente es un tipo de algoritmo iterativo que se suele usar para minimizar funciones f(x), es decir, para encontrar las x donde el valor de la función es mínimo (local o global). Se obtiene moviendo el punto x en la dirección opuesta a la de máxima variación, es decir, en la dirección...

  20. Algoritmos iterativos: método del gradiente conjugado para calcular el mínimo de una función bidimensional cuadrática.

    Igual García, Jorge
    OBJETIVO: Aprender cómo funciona el método del gradiente conjugado para un caso práctico correspondiente a una función bidimensional cuadrática. Comprobar que en cada iteración la función va disminuyendo de valor, acercándose al mínimo; en cada iteración las direcciones son ortogonales (conjugadas) y en dos iteraciones se obtiene la solución. INTRODUCCIÓN: El método del gradiente conjugado es un tipo de algoritmo iterativo que se suele usar para minimizar funciones f(x), es decir, para encontrar las x donde el valor de la función es mínimo, en especial funciones cuadráticas donde sólo hay un mínimo global. Se obtiene moviendo el punto x en la dirección opuesta...

Aviso de cookies: Usamos cookies propias y de terceros para mejorar nuestros servicios, para análisis estadístico y para mostrarle publicidad. Si continua navegando consideramos que acepta su uso en los términos establecidos en la Política de cookies.