Máster Universitario en Ingeniería de Telecomunicación
URI permanente para esta colecciónhttps://hdl.handle.net/10953.1/5203
Examinar
Examinando Máster Universitario en Ingeniería de Telecomunicación por Materia "Artificial Intelligence"
Mostrando 1 - 2 de 2
- Resultados por página
- Opciones de ordenación
Ítem Analysis of interpretability of fuzzy schedulers for cloud computing(2021-02-02) Moreno Chicharro, Laura ; Muñoz Expósito, José Enrique ; García Galán, Sebastián; Universidad de Jaén. Ingeniería de TelecomunicaciónThis work presents an analysis of the interpretability of fuzzy system for cloud computing. Interpretability study has been carried out in fuzzy systems to optimize power consumption and time in Datacenter. The proposal of an algorithm that is able to find a system that reduces the power consumed by these Datacenters when processing tasks and optimizing the execution time for these tasks, choosing the knowledge base of the most interpretable system. That is, among the knowledge bases of the system that reduce the power and time consumption, the one with the highest interpretability is chosen. In addition, to achieve the interpretable systems that also optimize power and time, a simulator of real environments (WorkflowSim-DVFS), that is able to calculate power and time consumption and a hierarchical fuzzy system has been implemented to compute the interpretability index of the system obtained.Ítem Leveraging room acoustics for improved sound source separation in multi-microphone recording scenarios(2025-05-08) García Martínez, Jaime; Carabias Orti, Julio José; Muñoz Montoro, Antonio Jesús; Universidad de Jaén. Ingeniería de TelecomunicaciónLos modelos de separación de fuentes basados en deep learning requieren grandes conjuntos de datos con señales aisladas de referencia, normalmente inaccesibles en grabaciones de música orquestal. Este Trabajo Fin de Máster (TFM) explora un enfoque alternativo que emplea mediciones de la acústica de la sala para entrenar modelos de separación en escenarios con múltiples micrófonos, sin necesidad de señales de referencia explícitas. Se han entrenado modelos basados en deep learning del estado del arte utilizando la metodología propuesta, comparada con técnicas clásicas de procesado de señal y aprendizaje supervisado. Aunque el método propuesto presenta una ligera pérdida de rendimiento respecto al entrenamiento supervisado, supera a los métodos clásicos, demostrando la viabilidad de la metodología propuesta. Este TFM se enmarca en el proyecto REPERTORIUM (Horizonte Europa, acuerdo N.º 101095065), alineándose con su objetivo de desarrollar herramientas de grabación de audio inmersivo basadas en IA.