Embedded Systems and Artificial Intelligence (ESAI) Sistemas Empotrados e Inteligencia Artificial (ESAI)
Introducción
El grupo de Sistemas Empotrados e Inteligencia Artificial (ESAI) es un grupo multidisciplinar que desarrolla sus líneas de investigación en torno a la aplicación de técnicas de inteligencia artificial, minería de datos y otras técnicas avanzadas de estadística, al campo de los sistemas empotrados de tiempo real y dispositivos móviles, para el desarrollo de sistemas de inteligencia ambiental (ej. domótica), aprendizaje automático (ej. procesamiento del lenguaje natural), eficiencia energética y todas aquellas aplicaciones donde se requiera desarrollar sistemas inteligentes confiables para la toma de decisiones, que se nutren de grandes cantidades de datos.
The Embedded Systems and Artificial Intelligence Group (ESAI) is a multidisciplinary group that develops its research in the area of the application of artificial intelligence, data mining and other advanced statistical techniques to the field of real-time embedded systems and mobile devices, development of ambient intelligence systems (eg house automation), machine learning (eg, natural language processing), energy efficiency and all kind of applications requiring reliable intelligent systems for decision making using large amounts of data.
Investigador principal
Miembros del Grupo
Miembros externos
Paloma Botella Rocamora (Dirección General de Salud Pública, Conselleria de Sanitat Univ. i S.P.), Francisco Zamora Martínez (das-Nano)
Líneas de investigación
Nombre: Minería de datos, Inteligencia Artificial, Estadística, Ciencia de datos
Name: Data Mining, Artificial Intelligence, Statistics, Data Science
Palabras clave: Big data, machine learning, statistical learning, data science, pattern recognition.
Área conocimiento ANEP: INF, MTM
Códigos UNESCO: 1203, 1209
Resumen:
El grupo de Sistemas Empotrados e Inteligencia Artificial (ESAI) es un grupo multidisciplinar que desarrolla sus líneas de investigación entorno a la aplicación de técnicas de inteligencia artificial, minería de datos y otras técnicas avanzadas de estadística a problemas relacionados con el Big data o grandes conjuntos de datos generados en tiempo real para el desarrollo de sistemas de inteligentes, aprendizaje automático, detección de patrones y comprensión de grandes volúmenes de datos.
Summary:
The group of Embedded Systems and Artificial Intelligence (ESAI) is a multidisciplinary group that develops its research in the area of the application of artificial intelligence, data mining and other advanced statistical techniques to problems related to the Big data. The group work with enormous datasets, generated in real-time, in order to develop intelligent systems applying machine learning techniques, performing pattern discovery and statistical understanding of large volumes of data.
Título del proyecto: DESARROLLO DE AGENTES INTELIGENTES BASADOS EN REDES NEURONALES SOBRE SISTEMAS EMPOTRADOS INALÁMBRICOS PARA LA EFICIENCIA ENERGÉTICA
Investigador Principal: Dr. D. Juan Pardo Albiach
Entidad financiadora: CONSELLERÍA DE EDUCACIÓN, INVESTIGACIÓN, CULTURA Y DEPORTE. DIRECCIÓN GENERAL DE UNIVERSIDADES, INVESTIGACIÓN Y CIENCIA GENERALITAT VALENCIANA.
Referencia: GV/2015/088
Duración (desde/hasta): 01/01/2015-31/12/2016
Título del proyecto: DESARROLLO DE AGENTES INTELIGENTES BASADOS EN REDES NEURONALES SOBRE SISTEMAS EMPOTRADOS INALÁMBRICOS PARA LA EFICIENCIA ENERGÉTICA
Investigador Principal: Dr. D. Juan Pardo Albiach
Entidad financiadora: Vicerrectorado de Investigación-Banco Santander. Universidad CEU Cardenal Herrera
Referencia: AY01/2012
Duración (desde/hasta): 01/09/2012-31/07/2014
Autores: Francisco Javier Muñoz-Almaraz, Francisco Zamora-Martínez, Paloma Botella-Rocamora, Juan Pardo
Título: Supervised filters for EEG signal in naturally occurring epilepsy forecasting
Referencia revista/libro: PLoS ONE. https://doi.org/10.1371/journal.pone.0178808
Año: 2017
Clave (A: artículo; L: libro; CL: capítulo de libro): A
Índice de impacto: 2.806 (Q1)
Autores: Benjamin H. Brinkmann, Joost Wagenaar, Drew Abbot, Phillip Adkins, Simone C. Bosshard, Min Chen, Quang M. Tieng, Jialune He, F. J. Muñoz-Almaraz, Paloma Botella-Rocamora, Juan Pardo, Francisco Zamora-Martinez, Michael Hills, Wei Wu, Iryna Korshunova, Will Cukierski, Charles Vite, Edward E. Patterson, Brian Litt, Gregory A. Worrell
Título: Crowdsourcing reproducible seizure forecasting in human and canine epilepsy
Referencia revista/libro: Brain.
Año: 2016
Clave (A: artículo; L: libro; CL: capítulo de libro): A
Índice de impacto: 10.103 (Q1)
Autores: Francisco Zamora-Martínez, Javier Muñoz-Almaraz, Juan Pardo
Título: Integration of Unsupervised and Supervised Criteria for Deep Neural Networks Training
Referencia revista/libro: Artificial Neural Networks and Machine Learning. Lecture Notes in Computer Science. Springer International Publishing. https://doi.org/10.1007/978-3-319-44781-0_7
Año: 2016
Clave (A: artículo; L: libro; CL: capítulo de libro): CL
Índice de impacto:
Autores: Juan Pardo, Francisco Zamora-Martínez and Paloma Botella-Rocamora
Título: Online learning algorithm for time series forecasting suitable for low cost wireless sensor networks nodes
Referencia revista/libro: Revista Sensors, 15(4), 9277-9304; doi:10.3390/s150409277
Año: 2015
Clave (A: artículo; L: libro; CL: capítulo de libro): A
Índice de impacto: 2.245 (Q1)
Autores: Romeu, P., Zamora-Martínez, F., Botella-Rocamora, P., Pardo, J.
Título: Stacked denoising auto-encoders for short-term time series forecasting.
Referencia revista/libro: Artificial Neural Networks (pp. 463-486). Springer International Publishing.
Año: 2015
Clave (A: artículo; L: libro; CL: capítulo de libro): CL
Índice de impacto:
Autores: Paloma Botella-Rocamora, Francisco Zamora-Martínez, Francisco J. Muñoz-Almaraz, Juan Pardo-Albiach
Título: Model combination in a problem of epileptic seizure prediction
Referencia revista/libro: XV Edición de la Conferencia Española de Biometría.
Año: 2015
Clave (A: artículo; L: libro; CL: capítulo de libro):
Índice de impacto:
Autores: F Zamora-Martínez, P Romeu, P Botella-Rocamora, J Pardo
Título: On-line learning of indoor temperature forecasting models towards energy efficiency
Referencia revista/libro: Revista Energy and Buildings. http://dx.doi.org/10.1016/j.enbuild.2014.04.034
Año: 2014
Clave (A: artículo; L: libro; CL: capítulo de libro): A
Índice de impacto: 2.884 (Q1)
Autores: Francisco Zamora-Martínez, Pablo Romeu, Paloma Botella-Rocamora and Juan Pardo
Título: Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis
Referencia revista/libro: Revista Energies, 6(9), 4639-4659; doi:10.3390/en6094639
Año: 2013
Clave (A: artículo; L: libro; CL: capítulo de libro): A
Índice de impacto: 2.072 (Q2)
Autores: Romeu, P., Zamora-Martinez, F., Botella-Rocamora, P., Pardo, J.
Título: Time-series forecasting of indoor temperature using pre-trained deep neural networks. Artificial Neural Networks and Machine Learning
Referencia revista/libro: ICANN 2013,vol. 8131, pg. 451-458. Springer Berlin Heidelberg.
Año: 2013
Clave (A: artículo; L: libro; CL: capítulo de libro): CL
Índice de impacto:
Autores: P Botella-Rocamora, P Romeu, F Zamora-Martínez, J Pardo
Título: Application of Bayesian Neural Networks for Indoor Temperature Time Series Forecasting
Referencia revista/libro: Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA)
Año: 2013
Clave (A:artículo; L: libro; CL: capítulo de libro):
Índice de impacto:
Autores: Francisco Zamora-Martínez, P Romeu, J Pardo, D Tormo
Título: Some Empirical Evaluations of a Temperature Forecasting Module based on Artificial Neural Networks for a Domotic Home Environment.
Referencia revista/libro: KDIR. International Conference on Knowledge Discovery and Information Retrieval
Año: 2013
Clave (A: artículo; L: libro; CL: capítulo de libro):
Índice de impacto: