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 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. http://dx.doi.org/10.1093/brain/aww045

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: