La cátedra Alter-Universidad de Sevilla organiza un concurso de ideas para proyectos en “Efectos de la Radiación en la Electrónica”
¿A quién va dirigido?
¿Cómo puedo participar?
Fecha límite:
¿Cuál es el premio?
- Dan Friedlander
- Rogelio Palomo
- Gonzalo Fernández
Announce of the seminar: DOCUMENT PDF
Dr. Tobias Geyer
ABB Corporate Research en Zurich
Resumen:
This lecture provides an introduction to finite control set model predictive control (FCS-MPC), which is very popular in academia. Although only a one-step horizon is usually used, FCS-MPC performs particularly well when adopting long prediction horizons. To solve the underlying integer optimization problem, a tailored branch-and-bound method will be presented, which can be implemented on an FPGA with real-time guarantees. Application examples will be discussed, including converters with LC filters, which necessitate the use of long horizons. The lecture concludes with a critical assessment of FCS-MPC that identifies some of the obstacles to be addressed to make FCS-MPC a success not only in academia but also in industry.
-29 de octubre a las 10:30 en el aula 008: "Model predictive pulse pattern control: optimized pulse patterns, control and industrial products".
Resumen:
Model predictive pulse pattern control (MP3C) fully exploits the performance potential of high-power converters by ensuring fast control at low switching frequencies with low harmonic distortions. The underlying research vision was to combine the benefits of deadbeat control with the optimal steady-state performance of optimized pulse patterns (OPPs). The MP3C principle can be applied to a wide range of applications, including medium-voltage (MV) drives, low-voltage traction converters, and modular multilevel converters used as STATCOM or railway interties. MP3C has recently been commercialized for a major MV drive. Extensive experimental results from the MV lab as well as results from a pilot installation will be shown and discussed.
Dr. Bernardo Pérez
Universidad de Oxford
Resumen: "Predicción iterativa de series de tiempo con redes neuronales recurrentes"
En esta charla se propone un nuevo método de predicción probabilística de series de tiempo basado en redes neuronales recurrentes (RNN, por sus siglas en inglés). El pronóstico de series de tiempo es de gran relevancia porque yace en el núcleo mismo de un sinfín de aplicaciones, como diagnóstico y prevención de enfermedades, mercados de divisas, predicción del clima, monitoreo de sensores, predicción de producción energética, entre otras. Profesionales de estos campos toman decisiones basándose en dichos pronósticos, y por ende es crucial cuantificar la incertidumbre que los rodea.
A pesar de ser el estado del arte en otras tareas de predicción secuencial, tales como traducción automática y procesamiento del habla, los métodos de predicción de series de tiempo basados en RNNs para series de tiempo se han visto eclipsados por métodos bayesianos no-paramétricos, como los procesos Gaussianos (GPs), que obtienen una gran flexibilidad al ser parametrizados por funciones de covarianza. Dichas funciones capturan nuestras suposiciones sobre aspectos característicos de las series de tiempo, tales como tendencias, periodicidad, diferenciabilidad, escalas características de longitud, entre otros. Sin embargo, dichos métodos también presentan problemas considerables de escalabilidad, y por ende, se suele recurrir a aproximaciones para sacar el máximo provecho de la gran disponibilidad de datos con la que contamos hoy en día.
Con esto en mente, proponemos un método en el que reformulamos el problema de pronóstico de series de tiempo con valores reales como uno de predicción de series de tiempo cuantizadas, es decir, de predicción de secuencias de símbolos. Este puente nos permite construir un método de estado del arte escalable basado en RNNs y que, dentro de lo razonable, puede ser más fácil de parametrizar que un GP, sobre todo cuando no se tiene alcance a recursos para modelar una función de covarianza óptima para nuestros datos.
Breve biografía del ponente:
Bernardo Pérez ha sido estudiante de doctorado en el Dept. de Ingeniería Informática de la Universidad de Oxford, con la tesis titulada "Predicción probabilística de series de tiempo con redes neuronales recurrentes". Originario del centro de México, egresó como Ingeniero en Sistemas Computacionales del Tecnológico de Monterrey en 2014, tras lo cual terminó la maestría en Ciencias Computacionales en la Universidad de Oxford en 2015.
Ha realizado estancias profesionales de desarrollo de software en Microsoft (Redmond, USA), de investigación científica en el Instituto Alan Turing (Londres, UK) y Mind Foundry Ltd. (Oxford, UK), y de análisis y desarrollo de políticas públicas sobre inteligencia artificial para las Cámaras nacionales de diputados y senadores de México. Asimismo, ha sido tutor y docente auxiliar para las materias nivel posgrado de Machine Learning, Deep Learning para procesamiento del lenguaje natural y Procesamiento de Señales dentro de los depts. de Ciencias de la Computación e Ingeniería Informática de la Universidad de Oxford desde 2015.
En el campo de investigación, sus intereses cubren el desarrollo de modelos probabilísticos para pronosticar y analizar series de tiempo a escala, así como la extracción de características temporales de este tipo de datos para la toma de decisiones.
LinkedIn: https://www.linkedin.com/in/bperezorozco/
Twitter: @bperezorozco