UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5....
Transcript of UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5....
![Page 1: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/1.jpg)
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
TEMA
ANÁLISIS DE COMPARACIÓN DEL RENDIMIENTO DEL ALGORITMO DE DOUGLAS-PEUCKER CON LA INCORPORACIÓN DEL FILTRO DE KALMAN.
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR:
JORGE LUIS MIRANDA GALLEGOS
TUTOR:
ING. GARY REYES
GUAYAQUIL – ECUADOR
2017
![Page 2: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/2.jpg)
II
REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
ÍTULO: “ANÁLISIS DE COMPARACIÓN DEL RENDIMIENTO DEL ALGORITMO DE DOUGLAS-PEUCKER CON LA INCORPORACIÓN DEL FILTRO DE KALMAN.
”
REVISORES:
INSTITUCIÓN: Universidad de Guayaquil
FACULTAD: Ciencias Matemáticas Y Físicas
CARRERA: INGENIERÍA EN SISTEMAS COMPUTACIONALES
FECHA DE PUBLICACIÓN: 07 Abril de 2016
N° DE PÁGS.:
ÁREA TEMÁTICA: SISTEMAS INFORMATICOS – EDUCATIVO
PALABRAS CLAVES: COMPRESIÓN, ANÁLISIS, DATOS,
RESUMEN: Se realiza la investigación, análisis y desarrollo y experimentación de la
optimización del algoritmo de Douglas Peucker con información semántica. En
primera instancia se debe identificar la información semántica ideal para ser
procesada con los datos de una trayectoria, El algoritmo optimizado hace la
reducción de puntos innecesario de una trayectoria, siendo factible esto bajo la
previa identificación de puntos referenciales. N° DE REGISTRO(en base de datos):
N° DE CLASIFICACIÓN: Nº
DIRECCIÓN URL (tesis en la web):
ADJUNTO PDF X SI NO
CONTACTO CON AUTOR: MIRANDA GALLEGOS JORGE
LUIS
Teléfono: 0984194456
E-mail:
CONTACTO DE LA INSTITUCIÓN :
UNIVERSIDAD DE GUAYAQUIL CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES Víctor Manuel Rendón 429 entre Baquerizo Moreno y Córdova
Nombre: AB. JUAN CHAVEZ A.
Teléfono: (04) 2307729
![Page 3: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/3.jpg)
I
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de investigación, “ANÁLISIS DE
COMPARACIÓN DEL RENDIMIENTO DEL ALGORITMO DE
DOUGLAS-PEUCKER CON LA INCORPORACIÓN DEL FILTRO DE
KALMAN. “ elaborado por el Sr. Jorge Luis Miranda Gallegos, Alumno no
titulado de la Carrera de Ingeniería en Sistemas Computacionales,
Facultad de Ciencias Matemáticas y Físicas de la Universidad de
Guayaquil, previo a la obtención del Título de Ingeniero en Sistemas, me
permito declarar que luego de haber orientado, estudiado y revisado, la
Apruebo en todas sus partes.
Atentamente
Ing. Gary Reyes Msc.
TUTOR
![Page 4: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/4.jpg)
II
DEDICATORIA
Este trabajo de
investigación para lograr la
titulación va dedicado a las
personas que nunca
dejaron de creer en mí
desde un principio, a mis
padres.
![Page 5: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/5.jpg)
III
AGRADECIMIENTO
En primer lugar quiero dar
gracias a Dios y toda la
gloria para él. A mis padres
Laura Gallegos y Luis
Miranda por creer en mí y
darme la confianza para
culminar esto. A mi
hermana Patricia Miranda
por su apoyo incondicional
desde siempre, a mi novia
Denny Vélez Burgos por su
apoyo constante en este
trabajo de titulación.
A mis amigos y
compañeros que han
trabajado conmigo en este
proceso de titulación y en
toda esta Carrera
Universitaria que ha sido
una travesía, a mi tutor de
tesis Ing. Gary Reyes por
sus atinados consejos y
sobre todo por su
paciencia.
![Page 6: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/6.jpg)
IV
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Eduardo Santos Baquerizo, M.Sc.
DECANO DE LA FACULTAD
CIENCIAS MATEMATICAS Y
FISICAS
Ing. Roberto Crespo Mendoza, Mgs.
DIRECTOR DE LA CARRERA DE
INGENIERIA EN SISTEMAS
COMPUTACIONALES
Ing. Luis Armando Arias
PROFESOR REVISOR DEL ÁREA -
TRIBUNAL
Lcda. Noemí Vargas Caicedo
PROFESOR REVISOR DEL ÁREA -
TRIBUNAL
Ing. Gary Reyes
PROFESOR TUTOR DEL PROYECTO
DE TITULACION
Ab. Juan Chávez Atocha, Esp.
SECRETARIO
![Page 7: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/7.jpg)
II
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este Proyecto de Titulación, me corresponden exclusivamente; y el patrimonio intelectual de la misma a la UNIVERSIDAD DE GUAYAQUIL”
JORGE LUIS MIRANDA GALLEGOS
![Page 8: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/8.jpg)
III
.
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
Análisis de comparación del rendimiento del algoritmo de Douglas-Peucker con la incorporación del filtro de Kalman.
Proyecto de Titulación que se presenta como requisito para optar por el
título de INGENIERO EN SISTEMAS COMPUTACIONALES
Auto/a: JORGE LUIS MIRANDA GALLEGOS
C.I. 0704720705
Tutor: ING. GARY REYES
Guayaquil, Abril del 2017
![Page 9: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/9.jpg)
IV
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por el/la estudiante JORGE LUIS MIRANDA GALLEGOS, como requisito previo para optar por el título de Ingeniero en Sistemas Computacionales cuyo problema es: Como mejorar el rendimiento del algoritmo de Douglas Peucker a través de la incorporación del filtro de Kalman.
Considero aprobado el trabajo en su totalidad.
Presentado por:
Miranda Gallegos Jorge Luis 0704720705
Tutor: Ing. Gary Reyes
Guayaquil, Abril de 2017
![Page 10: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/10.jpg)
V
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre Alumno: Miranda Gallegos Jorge Luis
Dirección:
Teléfono:0984194456 E-mail: [email protected]
Facultad: Facultad de Ciencias Matemáticas y Físicas
Carrera: Carrera de Ingeniería en Sistemas Computacionales
Proyecto de titulación al que opta: Ingeniero de Sistemas Computacionales
Profesor tutor: Ing. Gary Reyes
Análisis de comparación del rendimiento del algoritmo de Douglas-Peucker con la incorporación del filtro de Kalman.
Tema del Proyecto de Titulación: Análisis de comparación del rendimiento del algoritmo de Douglas-Peucker con la incorporación del
filtro de Kalman.
2. Autorización de Publicación de Versión Electrónica del Proyecto de Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de titulación.
![Page 11: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/11.jpg)
VI
Publicación electrónica:
Inmediata Después de 1 año Firma Alumno:
3. Forma de envío: El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF y .Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM
![Page 12: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/12.jpg)
VII
ÍNDICE GENERAL
Aprobación del tutor .......................................................................................... I
Dedicatoria ......................................................................................................... II
Agradecimiento ................................................................................................ III
Índice General .................................................................................................. VII
Índice de Cuadros............................................................................................ XII
Índice de Gráficos........................................................................................... XIII
Resumen ........................................................................................................ XIV
Abstract ........................................................................................................... XV
Introducción ....................................................................................................... 1
CAPÍTULO I ........................................................................................................ 3
EL PROBLEMA ............................................................................................................ 3
DESCRIPCION DEL PROBLEMA ......................................................................... 3
Ubicación del Problema en un Contexto .............................................................. 3
Situación Conflicto Nudos Críticos ........................................................................ 3
Causas y Consecuencias del Problema ............................................................... 4
Delimitación del Problema ...................................................................................... 5
Formulación del Problema ...................................................................................... 5
Evaluación del Problema ........................................................................................ 6
Alcances del Problema ..................................................................................... 7
Justificación e Importancia ............................................................................... 8
Objetivos ............................................................................................................ 8
Objetivo General........................................................................................................... 8
Objetivos Específicos .................................................................................................. 8
Metodología de la investigación ....................................................................... 9
CAPÍTULO II ..................................................................................................... 14
MARCO TEÓRICO ............................................................................................ 14
Antecedentes del Estudio ............................................................................... 14
![Page 13: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/13.jpg)
VIII
Fundamentación teórica ................................................................................. 17
RAMER-DOUGLAS-PEUCKER ............................................................................... 17
FILTRO DE KALMAN ................................................................................................ 19
LENGUAJE R ............................................................................................................. 26
Fundamentación legal ..................................................................................... 29
Pregunta Científica a Contestarse .................................................................. 33
Definiciones Conceptuales ............................................................................. 33
Ruido ............................................................................................................................ 33
Variables Aleatorias ................................................................................................... 33
Media y Varianza ........................................................................................................ 35
Orientado a Objetos ................................................................................................... 36
Tolerancia .................................................................................................................... 38
Postgres ....................................................................................................................... 38
R Studio ...................................................................................................................... 38
Hardware .................................................................................................................... 39
Datos ........................................................................................................................... 39
Ruido Intrínseco ....................................................................................................... 39
Ruido Extrínseco ........................................................................................................ 39
CAPÍTULO III .................................................................................................... 41
Metodología de la investigación ..................................................................... 41
Diseño de la investigación .............................................................................. 41
Tipo de investigación ...................................................................................... 41
Población y muestra ........................................................................................ 42
POBLACIÓN ............................................................................................................... 42
MUESTRA ................................................................................................................... 43
OPERACIONALIZACIÓN DE VARIABLES. .......................................................... 45
TÉCNICAS E INSTRUMENTOS PARA LA RECOLECCIÓN DE DATOS ........ 46
CAPÍTULO IV .................................................................................................... 49
![Page 14: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/14.jpg)
IX
Resultados y Conclusiones ............................................................................ 49
BIBLIOGRAFÍA ................................................................................................. 70
![Page 15: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/15.jpg)
X
ABREVIATURAS
ABP Aprendizaje Basado en Problemas UG Universidad de Guayaquil Ing. Ingeniero CC.MM.FF Facultad de Ciencias Matemáticas y Físicas ISP Proveedor de Servicio de Internet Mtra. Maestra Msc. Master URL Localizador de Fuente Uniforme WWW World Wide Web (red mundial) DP Douglas Peucker S.I.G. Sistema de Informacion Geografica IDE Entorno de desarrollo Integrado
![Page 16: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/16.jpg)
XI
SIMBOLOGÍA
s Desviación estándar e Error E Espacio muestral E(Y) Esperanza matemática de la v.a. y s Estimador de la desviación estándar e Exponencial
![Page 17: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/17.jpg)
XII
ÍNDICE DE CUADROS
Tabla 1 Tipo de Investigación ............................................................................ 42
Tabla 2 Muestra ................................................................................................. 43
Tabla 3 Experimentación de 100 datos .............................................................. 44
Tabla 4 Operacionalización de Variables ........................................................... 45
Tabla 5 Experimentación de trayectorias (California) 10% ................................. 50
Tabla 6 Experimentación de trayectorias (California) 20% ................................. 53
Tabla 7 Experimentación de trayectorias (California) 30% ................................. 56
Tabla 8 Experimentación de trayectorias (California) 50% ................................. 59
Tabla 9 Experimentación de trayectorias (California) 70% ................................. 62
Tabla 10 Experimentación de trayectorias (California) 100% ............................. 65
![Page 18: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/18.jpg)
XIII
ÍNDICE DE GRÁFICOS
Gráfico 1 Funcionamiento del algoritmo Douglas Peucker ......................... 16
Gráfico 2 Algoritmo básico Douglas-Peucker ................................................ 18
Gráfico 3 El Ciclo del Filtro de Kalman ........................................................... 22
Gráfico 4 Ecuaciones de pronóstico del Filtro de Kalman discreto ............ 23
Gráfico 5 Ecuaciones de corrección del Filtro de Kalman discreto ............ 23
Gráfico 6 Visión completa del Filtro de Kalman ............................................ 24
Gráfico 7 Experimentación con 100 datos ..................................................... 47
Gráfico 8 Experimentación de trayectorias (California) 10% ...................... 51
Gráfico 9 Experimentación de trayectorias (California) 20% ...................... 54
Gráfico 10 Experimentación de trayectorias (California) 30% .................... 57
Gráfico 11 Experimentación de trayectorias 50% ......................................... 60
Gráfico 12 Experimentación de trayectorias (California) 70% .................... 63
Gráfico 13 Experimentación de trayectorias (California) 100% .................. 66
Gráfico 14 Experimentación de trayectorias (California) ............................. 68
Gráfico 15 Experimentación del ruido (California) ........................................ 69
![Page 19: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/19.jpg)
XIV
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES
Análisis de comparación del rendimiento del algoritmo de Douglas-Peucker
con la incorporación del filtro de Kalman.
Resumen
El presente trabajo hace una propuesta para un mejor rendimiento en los datos,
simplificando líneas de trayectorias vehiculares, el algoritmo de simplificación de
línea de Douglas-Peucker es reconocido por ser el algoritmo que ofrece mejor
representaciones perceptivas de las líneas originales, utiliza tanto gráficos
informáticos como geográficos.
Para el filtro de DP existe dos variantes, el método (nm) original, donde denota n
el número de vértices de entrada y m el número de segmentos de salida, que
funciona en cualquier dimensión. El filtro de Kalman recopila datos donde realiza
dos pasos que es la predicción y la actualización.
Author: Jorge Luis Miranda Gallegos
Tutor: Ing. Gary Reyes
![Page 20: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/20.jpg)
XV
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES
Comparison of the performance of the Douglas Peucker algorithm
with the incorporation of the Kalman filter.
Abstract
The present work a proposal has been made for a better performance in the data,
simplifying lines of vehicular trajectories, the Douglas-Peucker line simplification
algorithm is recognized for offering better visual representations of the original
lines, as geographic.
For the DP filter there are two variants, the original (nm) method, denoting the
number of input vertices and the number of output segments, which works in any
dimension. The Kalman Filter that collects the data where it performs the steps
that is the prediction and the update.
Author: Jorge Luis Miranda Gallegos
Tutor: Ing. Gary Reyes
![Page 21: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/21.jpg)
1
INTRODUCCIÓN Hoy en día existen diversas ramas de la electrónica como la navegación,
sistemas de seguridad, telecomunicaciones, que necesitan del uso de
dispositivos capaces de proporcionar mediciones exactas.
El ruido existe de manera característica en todo sistema y en muchas ocasiones
es muy complicado e imposible eliminar completamente el efecto causado por el
ruido, esto conlleva a una necesidad para el desarrollo de filtros capaces de
limpiar el ruido.
A inicios de los años sesenta y ochenta se desarrolló el filtro de Kalman, un
algoritmo muy versátil con la capacidad de eliminar ruido, bajo las condiciones
de que el ruido sea blanco Gaussiano, otra característica es que el sistema sea
lineal, que se conozcan estados iniciales.
Según Isabel Fernández Quesada (Fernández Quesada, 2002) el algoritmo
probó ser muy versátil ya que luego de su desarrollo, fue implementado por la
NASA en el programa Apolo XI. Sin embargo, el filtro se encuentra limitado para
aplicaciones de ingeniería donde el conocimiento del sistema es incompleto. Si
las condiciones iniciales se desconocen, el filtro arrojara una estimación que no
es óptima.
Por la gran complejidad de una trayectoria vehicular es un grave problema para
cualquier representación digital por esta razón también se necesita una
simplificación de rutas, para esto se aplicó el algoritmo Douglas Peucker que
permite reducir la cantidad de puntos en una ruta de segmentos rectilíneos
utilizando un criterio de distancias. Es muy útil para la simplificación de rutas
sobre mapas.
![Page 22: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/22.jpg)
2
Se incorporara el Filtro de Kalman para la reducción de ruido Gaussiano
con el algoritmo de Douglas Peucker y asi poder obtener una mayor
reducción de puntos pero sin perder información de la misma, obteniendo
un suavizado óptimo de la ruta de trayectoria vehicular.
![Page 23: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/23.jpg)
3
CAPÍTULO I
EL PROBLEMA
DESCRIPCIÓN DEL PROBLEMA
Ubicación del Problema en un Contexto
La necesidad de eliminación de puntos de los elementos lineales para poder
tener obtener una simplificación de trayectorias vehiculares y la falta de espacio
lógico de las bases de datos en las trayectorias espaciales relacionadas a la
ubicación geográfica (trayectorias espaciales) debido a la abundancia de
información que muchas de las veces es redundante.
Se considera la inclusión de dos filtros como lo son el Filtro de Kalman y el
Algoritmo de Douglas Peucker, son algoritmos de simplificación, nos permitirán
disminuir abundante información necesaria de puntos dados de una ruta, donde
nos ayuda a reducir gran cantidad de estos puntos de dicha ruta de trayectorias
vehiculares.
Es muy útil para la simplificación de rutas sobre mapas para representarla en
una línea, reteniendo puntos que pintan mejor la geometría y el tiempo de
procesamiento de datos.
Situación Conflicto Nudos Críticos
La razón de llevar a cabo esta investigación es reducir el gran consumo de
espacio lógico en base de datos. Es decir, se simplificaran los puntos de una
trayectoria vehicular, eliminando puntos geográficos redundantes de dicha
trayectoria.
![Page 24: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/24.jpg)
4
Por medio de la unificación de dos algoritmos se realizara la eliminación de
ruido gaussiano a través del Filtro de Kalman, donde luego se aplicara la
simplificación de Douglas Peucker para obtener una linealización simplificada de
los datos que nos proporcionara la base de datos.
Causas y Consecuencias del Problema
Causas Consecuencias
No simplificar puntos de rutas en
grandes ciudades.
Consumo de mucho espacio lógico en
la base de Datos.
No eliminar el ruido de una trayectoria
trazada en una ruta de una gran
ciudad.
No da un suavizado en la trayectoria
de una ruta.
Gran cantidad de datos almacenados
por la redundancia de puntos.
Consumo de mucho espacio lógico en
la base de Datos.
Fuente: Datos de Investigación
Elaborado por: Jorge Luis Miranda Gallegos
La principal causa del problema de la no la simplificación de rutas es la gran
cantidad de puntos de los elementos lineales en el mapa que representa una
trayectoria vehicular, por ejemplo esto da con mayor frecuencia en grandes
ciudades como California y países como China.
![Page 25: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/25.jpg)
5
La ausencia de simplificación de trayectorias vehiculares y de la reducción de
ruido Gausiiano de estos puntos, conlleva a que exista una falta de espacio
lógico en las bases de datos de trayectorias vehiculares por la gran cantidad de
datos y redundancia de datos.
Delimitación del Problema
Se procederá a realizar con una base de datos de trayectorias vehiculares donde
estarán almacenados datos de trayectorias de California a la que se les aplicará
los filtros correspondientes para la simplificación de rutas.
CAMPO.- Algoritmos de simplificación de trayectorias vehiculares.
ÁREA.- Investigación.
ASPECTO: Simplificación de trayectorias vehiculares.
TEMA.- Análisis de comparación del rendimiento del algoritmo de Douglas-
Peucker con la incorporación del filtro de Kalman.
Formulación del Problema
La falta de espacio lógico de las bases de datos en las trayectorias relacionadas
a la ubicación geográfica (trayectorias vehiculares) debido a la abundancia de
información que muchas de las veces es redundante y la necesidad de
simplificación de rutas, han hecho que se busque la manera de cómo mejorar
estos problemas con la ayuda de los algoritmos de Douglas Peucker a través de
la reducción del ruido que realiza filtro de Kalman.
Estos problemas serán solucionados con la integración de estos dos algoritmos
donde permitirán reducir puntos de una trayectoria.
![Page 26: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/26.jpg)
6
Evaluación del Problema
Los aspectos generales de evaluación son:
DELIMITADO.- Afecta a los datos de trayectorias vehiculares que se encuentran
ingresados en una base de datos Postgres que serán utilizados para las
experimentaciones de simplificación de rutas.
EVIDENTE.- La simplificación de trayectorias vehiculares del algoritmo de
Douglas Peucker con la incorporación del filtrado de Kalman es fundamental ya
que nos realiza un mayor suavizado de trayectorias donde a más de la
simplificación de rutas, eliminamos el ruido de la misma.
CLARO.- El problema tratado se refiere a la necesidad de la simplificación de
trayectorias vehiculares y la falta de espacio lógico de las bases de datos en las
trayectorias relacionadas a la ubicación geográfica (trayectorias vehiculares),
impactan directamente en el consumo masivo en base de datos.
CONCRETO.- El problema es de carácter investigativo responsabilidad del grupo
de tesistas de investigación de la Universidad de Guayaquil, Carrera de
Ingeniería en Sistemas Computacionales ya que son las personas de llegar a
cumplir los objetivos trazados para obtener un trabajo de calidad y de
certificación.
RELEVANTE.- Porque mediante la aplicación de los filtrados podemos
determinar la factibilidad de nuestro trabajo y también las técnicas empleadas
para aplicar la simplificación de trayectorias que se desea.
CONTEXTUAL.- Porque se enmarca en el contexto de proyecto investigativo
para la disponibilidad de la Universidad de Guayaquil y también de un artículo
donde se podrá visualizar nuestro proceso investigativo.
FACTIBLE.- Por los beneficios en la reducción de puntos de trayectorias que se
obtienen en cuanto a la rapidez y solución de los problemas mencionados, por
![Page 27: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/27.jpg)
7
medio de los algoritmos de Douglas Pecuker con la incorporación del Filtro de
Kalman, obtenemos una simplificación de trayectorias vehiculares, confiables y
de calidad.
VARIABLES.- Son identificadas como independientes y dependientes y son las
siguientes:
INDEPENDIENTES.- Rendimiento del algoritmo de Douglas Peucker con la
incorporación del filtro de Kalman.
DEPENDIENTES.- Compresión de trayectorias.
ALCANCES DEL PROBLEMA
Este análisis de comparación del rendimiento del algoritmo de Douglas Peucker
con la incorporación del filtro de Kalman podemos definir el alcance del problema
en:
Revisión bibliográfica de algoritmos de compresión de trayectorias GPS
Elaborar anteproyecto
Implementar en R Douglas Peucker
Implementar en R Douglas Peucker con filtro de Kalman
Cargar las bases de datos con las que se experimentará
Realizar experimentos
Aplicar un test estadístico (test de hipótesis)
Evaluar e interpretar resultados de las métricas utilizadas
Elaborar un paper para difundir resultados
![Page 28: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/28.jpg)
8
JUSTIFICACIÓN E IMPORTANCIA
Las trayectorias espaciales relacionadas a la ubicación geográfica presentan
problemas ante los grandes cambios de escala, es decir; acrecienta el número
de picos, que da a la línea un aspecto abrupto en vez de suavidad para un
resultado de mejor calidad y simplificación de rutas por los diferentes puntos de
longitud y latitud.
La redundancia de datos hacen que exista un mayor consumo en bits y en la
base de almacenamiento de datos generan costo, la mejora con la simplificación
de rutas se podrá realizar mediante pruebas y análisis de compresión de
trayectorias en el algoritmo de Douglas Peucker junto con el filtro de Kalman
para así obtener resultados más fiables los cuales estarán sujetos a análisis y
pruebas.
OBJETIVOS
Objetivo General
Realizar un análisis de comparación del rendimiento del algoritmo de Douglas-
Peucker con la incorporación del filtro de Kalman por medio del desarrollo en el
lenguaje R donde se deberá comprobar un mejor rendimiento.
Objetivos Específicos
Recopilar información sobre el comportamiento del filtro de Kalman
para que sirva de apoyo al algoritmo de Douglas Peucker el cual
realizará los procesos de compresión de trayectorias.
Modificar los métodos de compresión en el algoritmo de Douglas
Peucker apoyado con el filtro de Kalman para optimizar la compresión
de trayectorias.
![Page 29: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/29.jpg)
9
Validar las modificaciones al algoritmo Douglas Peucker con el filtro
de Kalman con pruebas realizadas en 3 bases de datos de
trayectorias.
![Page 30: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/30.jpg)
10
METODOLOGÍA DE LA INVESTIGACIÓN Dentro de las herramientas que podemos utilizar para la estimación a partir de
las mediciones con ruido, se encuentra una de las más utilizadas, el filtro de
Kalman.
Esta metodología es una Gestión Basada en Resultados (GBR), donde podemos
decir que el filtro de Kalman es un algoritmo para resolver el problema de
variables de estado en sistema dinámico.
Este algoritmo resuelve este problema de estimar estado de manera óptima
tomando en cuenta el ruido (incertidumbre) presente tanto en las variables
medidas (variables entregados por los sensores) como en los variables de
control (variables aplicadas por los actuadores).
El filtro de Kalman aplica bajo estas condiciones, el sistema debe ser lineal y se
tiene una ecuación de estado dinámico modelo que describe su comportamiento
dinámico y una ecuación de medición que describe la relación entre las variables
de estado y la salida de los sensores, ambas ecuaciones están descritas en
tiempo discreto.
Se conoce la estadística del ruido de medición (los sensores tienen ruido) y del
ruido del sistema. Ambos son independientes entre sí, con media igual a cero y
distribución de probabilidad normal (Gaussina) la densidad de probabilidad debe
ser una campana de Gaus, la campana de Gaus es simétrica.
Como mencionan (Welch & Bishop, 2006), el filtro de Kalman estima el estado
en x ∈R n de un proceso controlado en tiempo discreto, el cual está definida por
la ecuación diferencial lineal estocástica:
Xk = Axk−1 + Buk−1+ wk−1
![Page 31: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/31.jpg)
11
Donde podemos decir que:
Xk vector de estado
Uk-1 vector de control (acciones que aplicamos a la dinámica del
sistema para que se mueva.
Los subíndices k = k-1 nos indica el instante de tiempo al que se refiere
el vector
A matriz de estado
B matriz de control
Wk-1 ruido de sistema
Necesitamos también una ecuación de medición:
z k = Hxk + v k
Zk la información de nuestros sensores, vector que trae la información de los
sensores.
Xk variables de estado.
La información de nuestros sensores está relacionada con las variables de
estado por medio de una multiplicación con una matriz H, también es una
relación lineal con lo que observamos con nuestros sensores y lo que nosotros
percibimos finalmente con nuestros sensores.
Vk ruido de medición.
Los ruidos W y V son vectores que contienen varias variables aleatorias en cada
uno de sus componentes y cada uno de estos vectores tiene una matriz de
covarianza.
p( w) N (0,S)
p( v ) N (0, R)
![Page 32: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/32.jpg)
12
Para el ruido W de Sistema hay una matriz de covarianza Q, quiere decir que la
distribución de probabilidad P(Wk)del ruido del sistema, es una distribución
normal que tiene media cero N(0,Q) covarianza del sistema tiene media cero y
que tiene una covarianza Q (es una forma de medir la incertidumbre que hay las
variables contenidas en el vector Wk es una matriz cuadrada).
P(vk) la distribución de probabilidad también es una distribución normal tiene
media cero pero aquí la covarianza es R.
Q es una matriz cuadrada de nxn y R matriz cuadrada de LxL.
Luego de pasar el filtro de Kalman a nuestras mediciones procedemos a realizar
la simplificación de trayectorias, podemos decir que DP además de sus buenos
resultados, el algoritmo Douglas-Peucker es muy sencillo de desarrollar y
funciona para cualquier dimensión, una vez que sólo se basa en la distancia
entre puntos y líneas.
Su regla básica es que la aproximación debe contener un subconjunto de los
puntos de datos originales, es recursivo y todo el original los puntos de datos
deben situarse dentro de una cierta distancia predefinida a la aproximación.
Según WU, SHIN - TING y MERCEDES ROCIO GONZALES MARQUEZ (Wu &
Márquez, 2003) El algoritmo de Douglas-Peucker tiene una estructura jerárquica
comenzando con una suposición inicial cruda, es decir, el único borde une los
vértices del primero al último de la línea a simplificar, entonces los vértices
restantes son probados para la cercanía a ese borde.
Si hay vértices más allá de una tolerancia especificada lejos del borde, entonces
al vértice más alejado se le añade a la línea previamente simplificada. Esto crea
una nueva aproximación para la línea original usando recursión, este proceso
continúa para cada línea hasta que todos los vértices de la línea original estén
dentro.
![Page 33: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/33.jpg)
13
Sin embargo, según Miguel Luaces, José Paramá, Isabel Pérez, Urria Lage
(Luaces, Paramá, & Pérez-Urria Lage, n.d.) Dicen que el algoritmo de Douglas
Peucker es el algoritmo de simplificación más extendido e implementado en
diversos paquetes. Su funcionamiento es muy simple, y consiste en deshacerse
de todos los puntos que se encuentren a una distancia menor que cierta
tolerancia de la línea que une los puntos inicial y final de la línea a simplificar.
![Page 34: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/34.jpg)
14
CAPÍTULO II
MARCO TEÓRICO
ANTECEDENTES DEL ESTUDIO
Entre los 70 y los 80 fue desarrollada una gran cantidad de métodos para
eliminar puntos de los elementos lineales del mapa. Sin embargo la principal
motivación para su desarrollo era la falta de espacio en las bases de datos
debido al gran costo de almacenamiento por la redundancia de datos, esto es, la
compactación de información, cuando hubiera sido deseable una perspectiva
más cartográfica(Balboa, 2006).
Varios autores son los que aseguran que el operador de generalización utilizado
con mayor frecuencia es la simplificación, presuponiendo que casi el mayor
porcentaje de la cartografía vectorial está compuesta por elementos lineales. La
aplicación de esta herramienta puede extenderse al tratamiento de entidades
como edificios, ya que estos pueden ser tratados a partir del contorno lineal que
los define.
Debido a lo mencionado, se ha elegido la simplificación lineal como el primer
procedimiento a tener en cuenta durante los trabajos de experimentación que se
desarrollarán en esta investigación.
El funcionamiento de este tipo de procesos se fundamenta en la eliminación de
la mayor cantidad de información irrelevante o puntos, manteniendo la forma
original del objeto en la medida de lo posible. La mayoría de las rutinas de
simplificación utilizan criterios geométricos (medidas de distancias, ángulos o
áreas) para la selección de los datos significantes o críticos, haciéndose
necesaria la determinación de un parámetro que actuará de umbral para la
selección de los puntos críticos.
![Page 35: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/35.jpg)
15
Estos parámetros son fundamentales para la obtención de una solución óptima y
no existen referencias para su correcta elección en función de la escala. No
obstante, en esta investigación se han realizado múltiples pruebas para la
búsqueda de una correcta cuantificación de estos umbrales que facilitarán la
utilización de los algoritmos presentados (García Beltrán & Arranz, 2007).
El Algoritmo de Douglas Peucker es el más clásico de generalización por
excelencia y es el único que suele ser incluido en programas comerciales de
cartografía digital y S.I.G., además de estar siendo empleado por instituciones
cartográficas para disminuir el tamaño de sus bases de datos digitales o para la
generación de nuevas cartografías a escala menor. Incluso se llega a decir que
es realmente el único algoritmo de generalización de líneas de carácter global en
uso.
Su popularidad tuvo a lugar por ser uno de los primeros algoritmos de
eliminación de puntos de carácter global, con un sentido más holístico que los
ideados hasta entonces. Se fundamenta en la búsqueda de puntos críticos, que
serán puntos que retengan la mayor cantidad de información de la geometría de
la línea.
En el funcionamiento del algoritmo, los puntos críticos, que irán constituyendo
una línea filtrada, serán los que vayan marcando la distancia perpendicular
máxima respecto a la línea base considerada.
La primera línea base entre los puntos denominados anclaje y flotante, quedará
constituida entre el primero y el último punto de la línea original. Acto seguido se
calcularán las distancias perpendiculares de todos los puntos intermedios. Si
ninguna de estas distancias es mayor a la tolerancia la simplificación habrá
finalizado y solo quedarán retenidos los puntos inicial y final de la línea.
En el caso de que si se supere la tolerancia el punto mayor distancia será
retenido como punto crítico que subdividirá la línea original en dos secciones, en
cada una de las cuales se repetirá el proceso como si de dos líneas
independientes se tratase, y así sucesivamente hasta que no haga falta ejecutar
![Page 36: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/36.jpg)
16
subdivisión alguna línea como podemos ilustrar en la siguiente gráfica (Balboa,
2006).
Gráfico 1 Funcionamiento del algoritmo Douglas Peucker
ELABORADO POR: Jorge Luis Miranda Gallegos
Fuente: (Balboa, 2006)
![Page 37: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/37.jpg)
17
FUNDAMENTACIÓN TEÓRICA
RAMER-DOUGLAS-PEUCKER
El algoritmo de Ramer-Douglas-Peucker, a veces también denominado algoritmo
y mayormente conocido como Douglas Peucker directamente, es un algoritmo
que fue desarrollado en los años 70 por Urs Ramer, David Douglas y Thomas
Peucker. Este algoritmo permite reducir la cantidad de puntos en una ruta de
segmentos rectilíneos utilizando un criterio de distancias. Es muy útil para la
simplificación de rutas sobre mapas.
Además de sus buenos resultados visuales, el algoritmo DP es muy sencillo de
programar y funciona para cualquier dimensión, una vez que sólo se basa en la
distancia entre puntos y líneas. Su regla básica es que la aproximación debe
contener un subconjunto de los puntos de datos originales y los puntos de datos
deben situarse dentro de una cierta distancia predefinida a la aproximación (Wu
& Márquez, 2003).
La idea de este algoritmo es reemplazar la trayectoria original por un segmento
de línea más cercano. Si el reemplazo no llena las expectativas, ahora se divide
el problema original en dos sub problemas seleccionando el punto de ubicación
que aporta más errores como punto de división. Este evento sigue ocurriendo
hasta que el error entre la trayectoria aproximada y la trayectoria original está por
debajo del umbral de error especificado.
Muchos cartógrafos consideran el Douglas-Algoritmo de Peucker como uno de
los algoritmos de generalización de línea más precisos disponibles Pero algunos
piensan que es demasiado costoso en términos de tiempo de procesamiento (Yu
Zheng, 2011).
![Page 38: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/38.jpg)
18
Gráfico 2 Algoritmo básico Douglas-Peucker
Fuente: (WU, 2003)
ELABORADO POR: Jorge Luis Miranda Gallegos
Dada una secuencia de vértices en el Gráfico 2 como se representa en la Figura
1.a. El algoritmo de Douglas Peucker tiene una estructura jerárquica une los
vértices primero y último de la poli línea (Figura 1.b).
![Page 39: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/39.jpg)
19
Entonces los vértices restantes son probados para la cercanía a ese borde. Si
hay vértices más allá de una tolerancia especificada lejos del borde, entonces se
le añade a la poli línea previamente simplificada. Esto crea una nueva
aproximación para la poli línea original (Figura1.c). Usando recursión, este
proceso continúa para cada (Figuras 1.d, e) hasta que todos los vértices de la
poli línea original están dentro (Figura 1.f) (Arranz Justel, 2010).
FILTRO DE KALMAN
El filtro de Kalman es un conjunto de ecuaciones matemáticas que proveen una
solución recursiva del método de mínimos cuadrados. Esta solución permite
calcular un estimador lineal, insesgado y óptimo del estado de un proceso en
cada momento del tiempo con base en la información disponible en el momento
t-1, y actualizar, con la información adicional disponible en el momento t, dichas
estimaciones.
El filtro se desempeña suponiendo que el sistema puede ser descrito a través de
un modelo estocástico lineal, en donde el error asociado tanto al sistema como a
la información adicional que se incorpora en el mismo tiene una distribución
normal con media cero y varianza determinada.
La solución es óptima por cuanto el filtro combina toda la información observada
y el conocimiento previo acerca del comportamiento del sistema para producir
una estimación del estado de tal manera que el error es minimizado
estadísticamente.
El término recursivo significa que el filtro recalcula la solución cada vez que una
nueva observación o medida es incorporada en el sistema.
El filtro de Kalman es el principal algoritmo para estimar sistemas dinámicos
representados en la forma de estado-espacio En esta representación el sistema
es descrito por un conjunto de variables denominadas de estado. El estado
contiene toda la información relativa al sistema a un cierto punto en el tiempo.
![Page 40: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/40.jpg)
20
Esta información debe permitir la inferencia del comportamiento pasado del
sistema, con el objetivo de predecir su comportamiento futuro. Lo que hace al
filtro tan interesante es precisamente su habilidad para predecir el estado de un
sistema en el pasado, presente y futuro, aun cuando la naturaleza precisa del
sistema modelado es desconocida.
En la práctica, las variables estado individuales de un sistema dinámico no
pueden ser exactamente determinadas por una medición directa. Dado lo
anterior, su medición se realiza por medio de procesos estocásticos que
involucran algún grado de incertidumbre en la medición.
Proceso a ser estimado
El filtro de Kalman tiene como objetivo resolver el problema general de estimar el
estado X ∈ℜn de un proceso controlado en tiempo discreto, el cual es dominado
por una ecuación lineal en diferencia estocástica de la siguiente forma:
X = AX t −1 + w t −1 (1)
con una medida Z ∈ℜm , que es
Z t = HX t + v t (2)
Las variables aleatorias wt y vt representan el error del proceso y de la medida
respectivamente. Se asume que son independientes entre ellas, que son ruido
blanco y con distribución de probabilidad normal:
p(w) ~ N(0,Q) (3)
p(v) ~ N(0, R) (4)
![Page 41: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/41.jpg)
21
En la práctica las matrices de covarianza de la perturbación del proceso, Q y de
la perturbación de la medida R, podrían cambiar en el tiempo, por simplicidad en
general se asumen que son constantes.
La matriz A se asume de una dimensión nxn y relaciona el estado en el periodo
previo t-1 con el estado en el momento t. La matriz H de dimensión mxn
relaciona el estado con la medición Zt.
Estas matrices pueden cambiar en el tiempo, pero en general se asumen como
constantes.
Algoritmo
El filtro de Kalman estima el proceso anterior utilizando una especie de control
de retroalimentación, esto es, estima el proceso a algún momento en el tiempo y
entonces obtiene la retroalimentación por medio de los datos observados.
Desde este punto de vista las ecuaciones que se utilizan para derivar el filtro de
Kalman se pueden dividir en dos grupos: las que actualizan el tiempo o
ecuaciones de predicción y las que actualizan los datos observados o
ecuaciones de actualización.
Las del primer grupo son responsables de la proyección del estado al momento t
tomando como referencia el estado en el momento t-1 y de la actualización
intermedia de la matriz de covarianza del estado.
El segundo grupo de ecuaciones son responsables de la retroalimentación, es
decir, incorporan nueva información dentro de la estimación anterior con lo cual
se llega a una estimación mejorada del estado.
Las ecuaciones que actualizan el tiempo pueden también ser pensadas como
ecuaciones de pronóstico, mientras que las ecuaciones que incorporan nueva
información pueden considerarse como ecuaciones de corrección.
![Page 42: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/42.jpg)
22
Efectivamente, el algoritmo de estimación final puede definirse como un
algoritmo de pronóstico-corrección para resolver numerosos problemas. Así el
filtro de Kalman funciona por medio de un mecanismo de proyección y corrección
al pronosticar el nuevo estado y su incertidumbre y corregir la proyección con la
nueva medida. Este ciclo se muestra en el Gráfico 3 (Ramírez, 2013).
Gráfico 3 El Ciclo del Filtro de Kalman
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: BANCO CENTRAL DE COSTA RICA
El primer paso consiste en generar un pronóstico del estado hacia adelante en el
tiempo tomando en cuenta toda la información disponible en ese momento y en
un segundo paso, se genera un pronóstico mejorado del estado, de tal manera
que el error es minimizado estadísticamente. Las ecuaciones específicas para el
pronóstico y la corrección del estado son detalladas en las grafico 3 y 4,
respectivamente.
![Page 43: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/43.jpg)
23
Gráfico 4 Ecuaciones de pronóstico del Filtro de Kalman discreto
ELABORADO POR: Jorge Luis Miranda Gallegos
Fuente: Investigación en S.I.G.
Note cómo las ecuaciones del gráfico 1 pronostican las estimaciones del estado
y la covarianza hacia delante desde t-1 a t. La matriz A relaciona el estado en el
momento previo t-1 con el estado al momento actual t, esta matriz podría
cambiar para los diferentes momentos en el tiempo (t). Q representa la
covarianza de la perturbación aleatoria del proceso que trata de estimar el
estado.
Gráfico 5 Ecuaciones de corrección del Filtro de Kalman discreto
ELABORADO POR: Jorge Luis Miranda Gallegos
Fuente: Investigación en S.I.G.
La primera tarea durante la corrección de la proyección del estado es el cálculo
de la ganancia de Kalman, Kt, (ecuación 7). Este factor de ponderación o
ganancia es seleccionado de tal forma que minimice la covarianza del error de la
nueva estimación del estado.
El siguiente paso es realmente medir el proceso para obtener Zt y entonces
generar una nueva estimación del estado que incorpora la nueva observación
como en la ecuación (8). El paso final es obtener una nueva estimación de la
covarianza del error mediante la ecuación (9). Después de cada par de
actualizaciones, tanto del tiempo como de la medida, el proceso es repetido
![Page 44: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/44.jpg)
24
tomando como punto de partida las nuevas estimaciones del estado y de la
covarianza del error. Esta naturaleza recursiva es una de las características
llamativas del filtro de Kalman (Ramírez, 2013).
La figura 7 ofrece un cuadro completo de la operación del filtro, combinando la
figura 1 con las ecuaciones de la figura 3 y 4.
Gráfico 6 Visión completa del Filtro de Kalman
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: (Ramírez, 2013)
![Page 45: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/45.jpg)
25
Parámetros del filtro y sintonización
“Existen dos variables de gran importancia en el comportamiento del Filtro de
Kalman. Estos son parámetros son las matrices de covarianza Q y R que
representan las perturbaciones en el proceso.
En el caso de R, éste puede ser obtenido de forma off-line, bien mediante la
toma de mediciones de nuestro sensor y calculando la varianza del ruido
presente o bien mediante ensayo y error observando la respuesta de nuestro
sistema.
Ambas formas son válidas si bien hay que tener en cuenta ciertas pautas:
Si la perturbación en el proceso es grande, entonces el parámetro R también ha
de serlo. Esto hará que la ganancia de Kalman K sea pequeña y no se dé mucho
peso a las mediciones realizadas para la estimación de Xk.
Por el contrario, si R es pequeña, la ganancia de Kalman K será mayor y se dará
mayor credibilidad a las mediciones obtenidas para el cálculo de Xk.
En cuanto al parámetro Q, su determinación es algo más complicada ya que se
necesita observar de forma directa el proceso a estimar. En procesos no muy
complejos, una suficiente incertidumbre puede arrojar buenos resultados.
Por otro lado, si los valores hallados de Q y R son correctos y se consideran
constantes a lo largo del tiempo, la matriz de ganancia de Kalman Kk y la de
covarianza del error Pk pueden estabilizarse rápidamente llegando a permanecer
constantes durante el proceso.” (Carlos & Marinero, 2014)
![Page 46: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/46.jpg)
26
LENGUAJE R
Según (Paradis, 2002) R es un lenguaje Orientado a Objetos, bajo este
complejo término se esconde la simplicidad y flexibilidad de R. El hecho que R
es un lenguaje de programación puede desaminar a muchos usuarios que
piensan que no tienen “alma de programadores”. Esto no es necesariamente
cierto por dos razones. Primero R es un lenguaje interpretado (como Java) y no
compilado (como C, C++, Fortran, Pascal, . . . ), lo cual significa que los
comandos escritos en el teclado son ejecutados directamente sin necesidad de
construir ejecutables.
Existen varios paquetes disponibles de la red completa de archivado R (CRAN)
Ofreciendo capacidades generales de filtro de Kalman, además de una serie de
funciones dispersas en otros Paquetes que atienden a modelos o problemas
especiales.
Describimos cinco de esos paquetes en Orden cronológico de primera aparición
en CRAN (Paradis & Ahumada, n.d.).
Package DSE
El paquete dse es el ofrecimiento de R incluyendo el filtrado de Kalman que ha
sido más largo en existencia. Las versiones para R en los archivos CRAN se
remontan al menos al año 2000 (inicialmente, su contenido se dividió en
paquetes dse1 y dse2). Antes, el software existía desde al menos 1996,
momento en el que corrió en S-PLUS y R. Una versión separada para R ha
estado en existencia Desde 1998.
Dse es un paquete grande, con una funcionalidad bastante extensa para
manejar series temporales multivariadas. El autor escribe, Mientras que el
software hace muchas cosas estándares de la serie de tiempo, está realmente
pensado Para hacer algunas cosas no estándar. [Paquete dse] está diseñado
![Page 47: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/47.jpg)
27
para trabajar con Series de tiempo multivariadas y para el estudio de técnicas de
estimación y Modelos.
Dse implementa tres clases de objetos: TSdata, TSmodel y TSestModel, que
Representan datos, modelo y modelo estimado (Tusell, 2011a).
Package SSPIR
La primera versión de sspir en CRAN se remonta a 2005. No contiene
documentación que no sea las páginas de manual. Sspir es un paquete R puro,
es decir, no contiene código compilado. Utiliza un enfoque orientado a objetos.
Un modelo de espacio de estado gaussiano está representado por un objeto de
clase SS.
Existe una función constructora del mismo Nombre que produce un objeto SS
cuando se invoca con la información requerida. La covarianza Las matrices Qt,
Ht (Wmat y Vmat en la notación del paquete) pueden ser matrices constantes o
funciones, mientras que las matrices de medición y de transición Zt y Tt (Fmat y
Gmat en la Notación del paquete) tienen que ser funciones de tiempo, un vector
de parámetros φ y posiblemente un Conjunto de covariables (Tusell, 2011a).
Package DLM
La versión del paquete dlm fue enviada a CRAN en agosto de 2006. Al igual que
sspir, el modelo de espacio de estados considerado es una versión simplificada,
sin interceptar Ct, dt y ninguna matriz Rt.
Se hace hincapié en el análisis bayesiano de la dinámica lineal Modelos (DLM),
pero el paquete también puede usarse para el filtro / suavizado de Kalman y el
Estimación de verosimilitud.
Los objetivos de diseño expuestos en las observaciones finales son “Flexibilidad
y estabilidad numérica del filtrado, suavizado y probabilidad. Estos dos objetivos
![Page 48: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/48.jpg)
28
están algo relacionados, ya que las implementaciones ingenuas Del filtro de
Kalman se sabe que sufren de inestabilidad numérica Para DLMs generales. Por
lo tanto, en un entorno en el que el usuario es libre de especificar prácticamente
cualquier tipo de DLM, era importante tratar de evitar lo más posible los
problemas de inestabilidad antes mencionados” (Tusell, 2011b).
Package KFAS
Paquete KFAS es la adición más reciente al filtrado de Kalman en R. Incluye
funciones para el filtrado de Kalman, suavizado, suavizado de simulación y
suavizado de perturbaciones. También incluye una función auxiliar para
pronosticar a partir de la salida del filtro de Kalman.
Las matrices del sistema que varían con el tiempo son compatibles, al igual que
los valores faltantes. Las funciones R comprueban errores y llaman a rutinas que
realizan la mayor parte del esfuerzo computacional; Se utiliza ampliamente BLAS
y LAPACK para todos los cálculos de álgebra lineal.
Como en el en el caso del paquete anterior, las matrices que varían en el tiempo
se manejan utilizando arreglos, siendo la última dimensión el tiempo.
El paquete contiene siete funciones visibles del usuario: kf, Ks, simsmoother,
distsmoother, eflik / eflik0 y pronóstico para el filtrado de Kalman, Suavizado,
suavizado de simulación, suavizado de perturbaciones, logaritmismo aproximado
Cálculo de modelos no gaussianos y pronóstico (Tusell, 2011a).
Paquete FKF
El paquete FKF apareció por primera vez en el CRAN en febrero de 2009; El
nombre del paquete significa \ Fast Kalman Filter, y el énfasis está en la
velocidad. Contiene sólo dos funciones, fkf y plot.fkf. La segunda es una función
auxiliar para trazar resultados. Fkf es un envolvente en R de una rutina C que
implementa el filtro.
![Page 49: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/49.jpg)
29
Todas las matrices del sistema pueden ser constantes o variables en el tiempo.
Este último caso requiere su definición como tramas tridimensionales, siendo la
última dimensión el tiempo.
Aparte de hacer todos los cálculos en código compilado, los autores han optado
por utilizar una covarianza en lugar de una raíz cuadrada en el filtro, en
consonancia con su búsqueda de velocidad máxima:
El cálculo es multivariable, es decir, no aprovechan el procesamiento secuencial
que para grandes dimensiones del vector de observación yt y la diagonal Ht
puede ser sustancial. Más bien, se centran en cálculos rápidos de álgebra lineal,
con un amplio recurso a BLAS y LAPACK.
No utilizar el enfoque secuencial dificulta el trato Con valores perdidos dispersos
en el vector yt, que no estaban soportados en versiones anteriores del paquete
La función fkf calcula y devuelve la probabilidad, calcula de la Probabilidad se
detiene si Ft pasa a ser singular, algo que nunca debe ser el Caso de matrices
positivas de ht. Función fkf devuelve tanto filtrado y predicción de estimaciones
del estado (Tusell, 2011a).
FUNDAMENTACIÓN LEGAL
El proyecto de investigación de “Análisis De Comparación Del Rendimiento Del
Algoritmo De Douglas-Peucker Con La Incorporación Del Filtro De Kalman.” se
apoya por el Art.350 de la Constitución de la República del Ecuador.
Art. 350.- El sistema de educación superior tiene como finalidad la formación
académica y profesional con visión científica y humanista; la investigación
científica y tecnológica; la innovación, promoción, desarrollo y difusión de los
saberes y las culturas; la construcción de soluciones para los problemas del
país, en relación con los objetivos del régimen de desarrollo.
![Page 50: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/50.jpg)
30
Este proyecto también se respalda en el Art. 1, en la Ley Orgánica de la
Educación Superior del Ecuador.
Art. 1 Forman parte del Sistema Nacional de Educación Superior ecuatoriano.
a) Las Universidades u Escuelas Politécnicas creadas por Ley y las que se
crearen de conformidad en la Constitución Política y la presente Ley. Estas
podrán ser públicas financiadas por el estado, particulares, cofinanciadas por el
estado y particulares autofinanciadas.
b) Los Institutos Superiores técnicos y tecnológicos que hayan sido autorizados
por el Ministerio de educación y que sean incorporados al sistema, así como los
que se crearen de conformidad con la presente ley. Las instituciones del Sistema
Nacional de Educación Superior ecuatoriano tienen como misión la búsqueda de
la verdad , el desarrollo de las culturas universal y ancestral ecuatoriana, de la
ciencia y la tecnología, mediante la docencia, la investigación y la vinculación
con la colectividad.
Será su deber fundamental la actualización y adecuación constantes de las
actividades docentes e investigativas, para responder con pertenencia a los
requerimientos del desarrollo del país.
En referencia a la utilización de “Código Libre”, tenemos en el Ecuador la
siguiente ley:
Decreto N° 1014 firmado el 10 de abril del 2008 por el Presidente del
Ecuador Rafael Correa Delgado decreta:
Art1. Establecer como política pública para las Entidades de la Administración
Publica Central la utilización de Software Libre en sus sistemas y equipamientos
informáticos.
![Page 51: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/51.jpg)
31
Art2. Se entiende por Software Libre, a los programas de computación que se
pueden utilizar y distribuir sin restricción alguna, que permitan su acceso a los
códigos fuentes y que sus aplicaciones puedan ser mejoradas. Las
características de estos programas de computación contienen las siguientes
libertades:
a) Pueda ser utilizado con cualquier propósito de uso común.
b) Permita la distribución de copias sin limitación alguna.
c) Permita el estudio y modificación del software (Requisito: código fuente
disponible)
d) Permita la divulgación del software si existe alguna mejora o actualización
(Requisito: código fuente disponible)
Art. 4. Se faculta la utilización de software propietario (no libre) únicamente
cuando no exista una solución de Software Libre que supla las necesidades
requeridas, o cuando esté en riesgo la seguridad nacional, o cuando el proyecto
informático se encuentre en un punto de no retorno.
CONSTITUCIÓN DE LA REPÚBLICA DEL ECUADOR, TÍTULO II, DERECHOS
Comunicación e Información (2008)
(Asamblea Constituyente) “Art. 16.- Todas las personas, en forma individual o
colectiva, tienen derecho a”:
a) Una comunicación libre, intercultural, incluyente, diversa y participativa,
en todos los ámbitos de la interacción social, por cualquier medio y forma,
en su propia lengua y con sus propios símbolos (Asamblea Constituyente).
b) (Asamblea Constituyente) “El acceso universal a las tecnologías de
información y comunicación”.
![Page 52: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/52.jpg)
32
c) La creación de medios de comunicación social, y al acceso en igualdad
de condiciones al uso de las frecuencias del espectro radioeléctrico para la
gestión de estaciones de radio y televisión públicas, privadas y
comunitarias, y a bandas libres para la explotación de redes inalámbricas
(Asamblea Constituyente).
d) (Asamblea Constituyente)” El acceso y uso de todas las formas de
comunicación visual, auditiva, sensorial y a otras que permitan la inclusión de
personas con discapacidad”.
e) (Asamblea Constituyente) “Integrar los espacios de participación previstos en
la Constitución en el campo de la comunicación”.
(Asamblea Constituyente) “Art. 17.- EI Estado fomentará la pluralidad y la
diversidad en la comunicación, y al efecto”:
a) Garantizará la asignación, a través de métodos transparentes y en
igualdad de condiciones, de las frecuencias del espectro radioeléctrico,
para la gestión de estaciones de radio y televisión públicas, privadas y
comunitarias, así como el acceso a bandas libres para la explotación de
redes inalámbricas, y precautelará que en su utilización prevalezca el
interés colectivo (Asamblea Constituyente).
b) Facilitará la creación y el fortalecimiento de medios de comunicación
públicos, privados y comunitarios, así como el acceso universal a las
tecnologías de información y comunicación en especial para las personas
y colectividades que carezcan de dicho acceso o lo tengan de forma
limitada (Asamblea Constituyente).
c) (Asamblea Constituyente) “No permitirá el oligopolio o monopolio, directo ni
indirecto, de la propiedad de los medios de comunicación y del uso de las
frecuencias”.
![Page 53: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/53.jpg)
33
PREGUNTA CIENTÍFICA A CONTESTARSE
¿Cómo mejorar el rendimiento del algoritmo de Douglas Peucker a través de la
reducción del ruido que realiza el filtro de Kalman.?
DEFINICIONES CONCEPTUALES
Ruido
Partiendo de que el ruido se lo define como una perturbación no deseada, que
corrompe o altera el contenido de información de la señal que está en uso. Se
puede dividir el ruido en dos, el ruido intrínseco y el ruido extrínseco.
El ruido intrínseco es aquel que la fuente de ruido se encuentra dentro del
sistema. El ruido extrínseco es aquel que es generado por fuentes que son
externas a nuestro sistema (Vasilescu, 2005).
Procesos Aleatorios
“Un enfoque intuitivo, que facilita la descripción de los procesos aleatorios (RPs),
se logra desde la diferenciación de estos con los procesos determinísticos.
En este contexto se entiende por proceso a toda regla que asigna una cantidad a
una variable indeterminada en un instante de tiempo dado. Sin embargo, por
razones de nomenclatura se conviene en llamar proceso a toda variable cuyos
valores son asignados mediante la ejecución de dicha regla en el tiempo.
En los procesos determinísticos, su valor es determinado directamente por una
regla de asignación y una o más variables no aleatorias. Un ejemplo de proceso
determinístico es:
X(t) = sin (2πt)
![Page 54: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/54.jpg)
34
En este caso en particular, el proceso x varía con el tiempo. Otro ejemplo en el
cual la evolución del proceso es independiente con respecto al tiempo es:
x(t) = 17
Por otro lado en los RPs (o estocásticos), su valor es determinado mediante una
regla de asignación y una o más variables aleatorias. Debido a esto solo se
conocen de manera determinística las propiedades estadísticas del proceso
aleatorio. Un ejemplo de un RP en el que su estadística varía con el tiempo es:
x(t) = A sin(2 πt) + B
Donde tanto A como B son variables aleatorias con densidades de probabilidad
conocidas. Esta regla establece que para un instante de tiempo dado, tanto la
fase como la amplitud del proceso x están gobernadas por los valores de A y B
resultantes del experimento estadístico realizado en ese instante.
Un ejemplo de RP que evoluciona de manera independiente del tiempo es:
X(t) = A
Notar que esto no implica que el valor de x sea constante con el tiempo pues,
para cada instante se debe ejecutar un experimento distinto por lo que la
variable aleatoria (RV) A puede tomar valores distintos.”(Dematties & Iglesias,
2012).
Variables Aleatorias
Una variable aleatoria es una función que mapea todos los puntos en el espacio
de muestra a los números reales. Las variables aleatorias pueden ser de dos
tipos: discretas o continuas.
![Page 55: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/55.jpg)
35
La variable aleatoria discreta es cuando se pueden contar un conjunto de
resultados a darse. La variable aleatoria continua es cuando toma valores en
una escala continua.
Media y Varianza
La media y la varianza son estadísticos que se estiman a partir de una o varias
muestras obtenidas de una población (Sharon, 1999). La media es clasificada
como medida de posición central y la varianza es definida como una medida de
dispersión.
Desviación Estándar
“La desviación estándar o desviación típica (σ) es una medida de centralización
o dispersión para variables de razón (ratio o cociente) y de intervalo, de gran
utilidad en la estadística descriptiva.
Se define como la raíz cuadrada de la varianza. Junto con este valor, la
desviación típica es una medida (cuadrática) que informa de la media de
distancias que tienen los datos respecto de su media aritmética, expresada en
las mismas unidades que la variable.
Se caracteriza por ser el estadígrafo de mayor uso en la actualidad. Se obtiene
mediante la aplicación de la siguiente fórmula:
![Page 56: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/56.jpg)
36
Gráfico Desviación Estándar
Fuente: Universidad Nacional del Callao
Elaborado por: Jorge Luis Miranda Gallegos
La desviación Standard o desviación típica se aplica solo para datos
agrupados.”(Otoya, n.d.).
Orientado a Objetos
Significa que las variables, datos, funciones, resultados, etc., se guardan
![Page 57: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/57.jpg)
37
en la memoria activa del computador en forma de objetos con un nombre
específico. El usuario puede modificar o manipular estos objetos con operadores
(aritméticos, lógicos, y comparativos) y funciones (que a su vez son objetos)
(Paradis, 2002).
“La programación orientada a objetos establece un equilibrio entre la importancia
de los procesos y los datos, mostrando un enfoque más cercano al pensamiento
del ser humano. Se introduce un aspecto novedoso respecto al anterior
paradigma: la herencia, facilitando el crecimiento y la mantenibilidad.
Las bases de la programación orientada a objetos son: abstracción,
encapsulación, modularidad y jerarquización.
La abstracción es un proceso mental de extracción de las características
esenciales, ignorando los detalles superfluos. Resulta ser muy subjetiva
dependiendo del interés del observador, permitiendo abstracciones muy
diferentes de la misma realidad.
La encapsulación es ocultar los detalles que dan soporte a un conjunto de
características esenciales de una abstracción. Existirán dos partes, una visible
que todos tienen acceso y se aporta la funcionalidad, y una oculta que
implementa los detalles internos.
La modularidad es descomponer un sistema en un conjunto de partes. Aparecen
dos conceptos muy importantes: acoplamiento y cohesión.
El acoplamiento entre dos módulos mide el nivel de asociación entre ellos; nos
interesa buscar módulos poco acoplados.
La cohesión de un módulo mide el grado de conectividad entre los elementos
que los forman; nos interesa buscar una cohesión alta.
La jerarquía es un proceso de estructuración de varios elementos por niveles.
![Page 58: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/58.jpg)
38
La programación orientada a objetos implementa estos cuatro conceptos con los
siguientes elementos: clases y objetos, atributos y estado, métodos y mensajes,
herencia y polimorfismo.”(García Beltrán & Arranz, 2007)
Tolerancia
Se relaciona a la habilidad de un sistema de almacenamiento para obtener
una entrada a la información o seguir funcionando normalmente aun en
caso de producirse algún fallo. El sistema de almacenamiento debe almacenar
la misma información en más de un componente de hardware o dispositivo
externos a modo de respaldo. Es decir, si se produce algún fallo con una
representativa pérdida de datos, el sistema debe ser capaz de dar facilidad de
entrada a toda la información, recuperando los datos faltantes desde algún
respaldo.
Postgres
PostgreSQL es un Sistema de Gestión de Base de datos orientada a objetos, el
desarrollo de Postgres no es manejado por personas ni por empresas, sino por
un grupo de desarrolladores que trabajaron de manera desinteresada, libre y
apoyada por organizaciones comerciales.
Según (Cameron, 2003) Impulsores y protectores de PostgreSQL se notaron
una victoria significativa para la base de datos de código abierto después de la
transición exitosa de este mes del registro de dominios .ORG al sistema de
gestión relacional de objetos.
R Studio
![Page 59: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/59.jpg)
39
RStudio es un entorno de desarrollo integrado (IDE) para R. Incluye una consola,
editor de sintaxis que ayuda la compilación de código, así como herramientas
para el trazado, estadística y la gestión del espacio de trabajo.
RStudio podemos utilizarlo en diversas plataformas, están disponibles para
Windows, Mac y Linux o para navegadores conectados a RStudio Server o
RStudio Server Pro (Debian / Ubuntu, RedHat / CentOS, y SUSE Linux)
(RStudio).
Hardware
Es todo lo tangible de un computador, es decir, componentes físicos.
Datos
Es considerada como un conjunto de información que pueden ser números,
letras o símbolos que describen objetos, condiciones o situaciones.
Ruido Intrínseco
El ruido intrínseco es aquel que la fuente de ruido se encuentra dentro del
sistema. En circuitos eléctricos el ruido intrínseco se origina por el movimiento
caótico de los electrones el cual causa fluctuaciones en la corriente y el voltaje.
En estos casos no podemos determinar de manera absoluta la amplitud, solo
podemos describir la señal por medio de sus características de naturaleza
probabilística. Algunos ejemplos de ruido intrínseco son el ruido térmico, el ruido
de disparo, el ruido de parpadeo (Vasilescu, 2005).
Ruido Extrínseco
![Page 60: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/60.jpg)
40
El ruido extrínseco es aquel que es generado por fuentes que son
externas a nuestro sistema.
Por ejemplo se pueden mencionar el ruido atmosférico causado por
tormentas eléctricas, el ruido generado por motores eléctricos, radio,
celulares, acoplamientos indeseados o interferencias (Vasilescu, 2005).
Filtro de Kalman Extendido
El filtro de Kalman extendido consiste en una variaci´on del filtro de Kalman para
abordar el problema de estimación del estado cuando el modelo es posiblemente
no-lineal (Pascual, 2006).
![Page 61: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/61.jpg)
41
CAPÍTULO III
METODOLOGÍA DE LA INVESTIGACIÓN
DISEÑO DE LA INVESTIGACIÓN
El desarrollo científico e investigativo de este proyecto implica el uso de una
base de datos de trayectorias vehiculares en Postgres que posibilitan la
recolección de información o datos, para las experimentaciones del suavizado y
simplificación de trayectorias dentro de la CISC & CINT.
TIPO DE INVESTIGACIÓN
En este proyecto de titulación se ha empleado la Investigación Experimental,
porque se apoya en teorías específicas, bibliográficas para obtener resultados
en base a lo que se aplica en las experimentaciones.
La investigación experimental está orientada a la utilización del conocimiento
básico y aplicado en la introducción de productos y servicios del mercado, previo
control de los resultados mediante el diseño, construcción y prueba de modelos,
prototipos e instalaciones experimentales.
La eficacia de la presente investigación nos indica porcentualmente la posibilidad
de la ejecución del proyecto, donde mayormente son consideradas las
necesidades, requerimientos, recursos, beneficios, donde se procederá a definir
los puntos más relevantes para constatar el nivel de aceptación de la presente
investigación.
![Page 62: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/62.jpg)
42
Tabla 1 Tipo de Investigación
CRITERIOS PROYECTO PROYECTO
FACTIBLE
Finalidad Identificar la necesidad
de la investigación
Lograr el objetivo
deseado.
Objetivos Definición de los
objetivos
Objetivos de acción
procesos y actividades.
Metodología Basado en la
investigación
bibliográfica de paper,
libros y datos en sql.
Análisis y recolección de
la información basada en
la investigación.
Contenido Planteamiento del
problema.
Detallar distintas de
recomendaciones
durante la ejecución del
proyecto.
Fuente: Trabajo de Investigación
Autor: Jorge Luis Miranda Gallegos
POBLACIÓN Y MUESTRA
POBLACIÓN
Para nuestro proyecto de investigación y experimentación se seleccionó el total
de datos de la base de trayectorias vehiculares California, que está ubicada en
nuestro motor de base de datos de Postgres.
Características de la población:
![Page 63: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/63.jpg)
43
Se usa como universo a todos los datos de latitud y longitud que se encuentran
en una base de datos de trayectorias vehiculares llamada California, que
contiende un total de datos de 914684.
POBLACIÓN Cantidad
Total de datos de trayectorias vehiculares 914684
TOTAL 914684
Fuente: Universidad de Guayaquil, Carrera de Ingeniería en Sistemas y Computacionales.
Autor: Jorge Luis Miranda Gallegos.
MUESTRA
Representada por un porcentaje de la población, la siguiente experimentación se
realizará con una muestra de 100 datos de trayectorias vehiculares de puntos de
la base de datos de California. Una muestra nos puede proporcionar una
precisión suficiente para los fines buscados sin tener la necesidad de indagar a
toda la población.
Tabla 2 Muestra
MUESTRA Cantidad
100 datos de latitud y longitud de
puntos de trayectorias
100
TOTAL 100
Fuente: Universidad de Guayaquil, Carrera de Ingeniería en Sistemas Computacionales
Autor: Jorge Luis Miranda Gallegos
Al contar con el número de la muestra se procederá a realizar la simplificación y
suavizado de la ruta de trayectorias vehiculares a la cual se le aplicara en primer
lugar en filtro de Kalman para disminuir el ruido de las trayectorias y luego se
procederá a realizar la simplificación de trayectorias de Douglas Peucker para
así obtener una compresión de datos.
![Page 64: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/64.jpg)
44
En esta tabla se procederá la experimentación de la reducción de puntos de los
datos recibidos de la base de datos de California que tiene una data total de
914684 puntos, de los cuales utilizaremos la muestra de 100 puntos de
trayectorias, donde se procederá a realizar la experimentación sólo con el
algoritmo de simplificación Douglas Peucker, luego se realizará la incorporación
del filtro de Kalman. Se procederá a realizar una segunda experimentación para
la obtención del tiempo de ejecución de estos algoritmos y el ratio de
Compresión representada en porcentaje (%) para los 100 puntos de trayectorias
que tomaremos como muestra.
Tabla 3 Experimentación de 100 datos
PORCENTAJE DATOS
California General 100
Simplificado Douglas Peucker 13
Filtro de Kalman + Douglas Peucker 3
Tiempos de Ejecución 2 seg
Ratio de Compresión (%) 3%
Fuente: Trabajo de Investigación Experimental
Autor: Jorge Luis Miranda Gallegos
![Page 65: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/65.jpg)
45
OPERACIONALIZACIÓN DE VARIABLES.
Tabla 4 Operacionalización de Variables
Variables Dimensiones Indicadores Técnicas y/o Instrumentos
Variable
Independiente.
Rendimiento del
algoritmo de
Douglas
Peucker con la
incorporación
del filtro de
Kalman.
Rendimiento del
algoritmo de
Douglas Peucker
Trayectoria real
Reducción de puntos irrelevantes
Herramientas de
software para
realizar
experimentos
sobre el algoritmo
de Douglas
Peucker
incorporando el
filtro de Kalman.
Incorporación del
filtro de Kalman.
Cálculos del error
Reducción de ruido del filtro de Kalman
Ganancia de Kalman
Artículos sobre
experimentos
realizados por
medio del filtro de
Kalman
Variable
Dependiente.
Compresión de
trayectorias
Compresión de
trayectorias
Comprimir puntos de
la trayectoria total
Foros en la web,
revistas
científicas,
artículos y libros.
Fuente: Universidad de Guayaquil, Carrera de Ingeniería en Sistemas y
Computacionales Autor: Jorge Luis Miranda Gallegos.
![Page 66: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/66.jpg)
46
TÉCNICAS E INSTRUMENTOS PARA LA RECOLECCIÓN DE DATOS
Para el presente trabajo de proyecto investigativo en la recolección de datos se
debe utilizar una serie de técnicas y desarrollos para el análisis del
comportamiento de datos geo referenciales que estarán en el repositorio de base
de datos en Postgres con los que se van a realizar experimentos por medio del
algoritmo de Douglas Peucker incorporando el filtro de Kalman, para poder lograr
este propósito, la información será recolectada de fuentes ubicadas en
repositorios en la web, libros los cuales están disponibles libremente para la
comunidad, estos permitirán realizar la incorporación del filtro de Kalman al
algoritmo de Douglas Peucker para realizar una compresión de puntos de una
trayectoria real.
Para la presente experimentación en mención, se utilizó un muestreo de 100
datos donde se introduce un error GGT = -6.650689e-08 dado por los cálculos
de la varianza del error, al evaluar el cálculo se observa que el valor del cálculo
del error GGT es muy aceptable, lo que significa que el pronóstico se realiza con
buena aproximación al reflejar valores cercanos a cero.
Se introduce una varianza de transición HHT = 1.883227e-10 donde se puede
interpretar que el resultado de la varianza de transición es aceptable debido a
que los valores reflejados son cercanos a cero y debido a esto no hay perdida en
la integridad de los datos.
Al proponer una reducción de puntos solo con el algoritmo de Douglas Peucker
tenemos una simplificación de 13 puntos, al proponer otra experimentación con
la reducción de puntos de Douglas Peucker con filtro de Kalman podemos
concluir que el método consigue un buen filtrado de ruido a 3 puntos, donde una
tercera experimentación podemos ver que el tiempo de ejecución de este
algoritmo es de 2 segundos. Podemos decir el algoritmo se repite de manera
recursiva para todos los puntos a filtrar de nuestra señal ruidosa y asi es que
obtuvimos el resultado del filtro de Kalman, obteniendo un ratio de compresión
del 3%.
![Page 67: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/67.jpg)
47
Gráfico 7 Experimentación con 100 datos
Fuente: Experimentación en RStudio Autor: Jorge Luis Miranda Gallegos.
![Page 68: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/68.jpg)
48
En la integración de los dos algoritmos se obtuvo una reducción de puntos
y existe un suavizado en la trayectoria vehicular gracias a la eliminación
de ruido por el Filtrado de Kalman.
![Page 69: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/69.jpg)
49
CAPÍTULO IV
RESULTADOS Y CONCLUSIONES
En la presente investigación se propone un suavizado de ruta por medio de un
filtrado de ruido mejorado, el ratio de compresión de la misma, los experimentos
demuestran que la combinación de los dos filtrados consigue una simplificación
de ruta y un buen filtrado por lo que reduce enormemente el número de datos
provocando que pueda existir un menor consumo en recursos en la base de
datos lógica.
La siguiente experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 10% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se unificó la incorporación del filtro de Kalman. En una segunda
experimentación se obtuvo el tiempo de ejecución de estos algoritmos y el ratio
de Compresión representada en porcentaje (%) de cada una de estas
iteraciones.
![Page 70: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/70.jpg)
50
Tabla 5 Experimentación de trayectorias (California) 10%
Porcentaje 10%
California General 91468
Simplificado Douglas Peucker 7680
Filfro de Kalman + Douglas Peucker 1905
Tiempos de Ejecución 1`09seg
Ratio de Compresión (%) 2.08
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 71: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/71.jpg)
51
Gráfico 8 Experimentación de trayectorias (California) 10%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
Para nuestra experimentación se utilizó un muestreo del 10% de datos. Donde
se introduce un error GGT dado por los cálculos de la varianza del error, al
![Page 72: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/72.jpg)
52
evaluar el cálculo se observa que el valor del cálculo del error GGT es muy
aceptable, lo que significa que el pronóstico se realiza con buena aproximación
al reflejar valores cercanos a cero y debido a esto podemos decir que no hay
perdida en la integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 2.08% con una reducción de puntos al
combinar estos algoritmos de1905 puntos.
La segunda experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 20% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se realizó la incorporación del filtro de Kalman. Se procedió a realizar una
segunda experimentación para la obtención del tiempo de ejecución de estos
algoritmos y el ratio de Compresión representada en porcentaje (%) de cada una
de estas iteraciones.
![Page 73: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/73.jpg)
53
Tabla 6 Experimentación de trayectorias (California) 20%
Porcentaje 20%
California General 182937
Simplificado Douglas Peucker 19567
Filfro de Kalman + Douglas Peucker 2267
Tiempos de Ejecución 2`12seg
Ratio de Compresión (%) 1.24
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 74: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/74.jpg)
54
Gráfico 9 Experimentación de trayectorias (California) 20%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 75: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/75.jpg)
55
Para nuestra experimentación se utilizó un muestreo del 20% de datos, donde se
introduce un error GGT dado por los cálculos de la varianza del error, al evaluar
el cálculo se observa que el valor del cálculo del error GGT es muy aceptable, lo
que significa que el pronóstico se realiza con buena aproximación al reflejar
valores cercanos a cero y debido a esto podemos decir que no hay perdida en la
integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 1.24% con una reducción de puntos al
combinar estos algoritmos de2267 puntos.
La tercera experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 30% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se incorporará el filtro de Kalman. Se realizó una segunda experimentación para
la obtención del tiempo de ejecución de estos algoritmos y el ratio de
Compresión representada en porcentaje (%) de cada una de estas iteraciones.
![Page 76: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/76.jpg)
56
Tabla 7 Experimentación de trayectorias (California) 30%
Porcentaje 30%
California General 274405
Simplificado Douglas Peucker 19913
Filfro de Kalman + Douglas Peucker 3957
Tiempos de Ejecución 3`21seg
Ratio de Compresión (%) 1.44
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 77: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/77.jpg)
57
Gráfico 10 Experimentación de trayectorias (California) 30%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 78: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/78.jpg)
58
Para nuestra tercera experimentación se utilizó un muestreo del 30% de datos.
Donde se introduce un error GGT dado por los cálculos de la varianza del error,
al evaluar el cálculo se observa que el valor del cálculo del error GGT es muy
aceptable, lo que significa que el pronóstico se realiza con buena aproximación
al reflejar valores cercanos a cero y debido a esto podemos decir que no hay
perdida en la integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 1.44% con una reducción de puntos al
combinar estos algoritmos de 3957 puntos.
La cuarta experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 50% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se incorporó del filtro de Kalman. Se realizó una segunda experimentación para
la obtención del tiempo de ejecución de estos algoritmos y el ratio de
Compresión representada en porcentaje (%) de cada una de estas iteraciones.
![Page 79: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/79.jpg)
59
Tabla 8 Experimentación de trayectorias (California) 50%
Porcentaje 50%
California General 457342
Simplificado Douglas Peucker 41067
Filfro de Kalman + Douglas Peucker 6922
Tiempos de Ejecución 8’02seg
Ratio de Compresión (%) 1.51
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 80: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/80.jpg)
60
Gráfico 11 Experimentación de trayectorias 50%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 81: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/81.jpg)
61
Para nuestra cuarta experimentación se utilizó un muestreo del 50% de datos.
Donde se introduce un error GGT dado por los cálculos de la varianza del error,
al evaluar el cálculo se observa que el valor del cálculo del error GGT es muy
aceptable, lo que significa que el pronóstico se realiza con buena aproximación
al reflejar valores cercanos a cero y debido a esto podemos decir que no hay
perdida en la integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 1.51% con una reducción de puntos al
combinar estos algoritmos de 6922puntos.
La quinta experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 70% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se incorporó del filtro de Kalman. Se realizó una segunda experimentación para
la obtención del tiempo de ejecución de estos algoritmos y el ratio de
Compresión representada en porcentaje (%) de cada una de estas iteraciones.
![Page 82: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/82.jpg)
62
Tabla 9 Experimentación de trayectorias (California) 70%
Porcentaje 70%
California General 457342
Simplificado Douglas Peucker 41067
Filfro de Kalman + Douglas Peucker 6922
Tiempos de Ejecución 8’02seg
Ratio de Compresión (%) 1.51
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 83: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/83.jpg)
63
Gráfico 12 Experimentación de trayectorias (California) 70%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 84: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/84.jpg)
64
Para nuestra quinta experimentación se utilizó un muestreo del 70% de datos.
Donde se introduce un error GGT dado por los cálculos de la varianza del error,
al evaluar el cálculo se observa que el valor del cálculo del error GGT es muy
aceptable, lo que significa que el pronóstico se realiza con buena aproximación
al reflejar valores cercanos a cero y debido a esto podemos decir que no hay
perdida en la integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 1.66% con una reducción de puntos al
combinar estos algoritmos de 10646 puntos.
La sexta experimentación se realizó con datos de trayectorias vehiculares de
puntos de California, en la cual se procederá a realizar experimentaciones con
datos del 100% de los datos totales. En esta tabla se procedió a la
experimentación de la reducción de puntos de los datos recibidos de la base de
datos de California que tiene una data total de 914684 puntos, se realizó la
experimentación solo con el algoritmo de simplificación Douglas Peucker, luego
se incorporó del filtro de Kalman. Se realizó una segunda experimentación para
la obtención del tiempo de ejecución de estos algoritmos y el ratio de
Compresión representada en porcentaje (%) de cada una de estas iteraciones.
![Page 85: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/85.jpg)
65
Tabla 10 Experimentación de trayectorias (California) 100%
Porcentaje 100%
California General 914684
Simplificado Douglas Peucker 77166
Filfro de Kalman + Douglas Peucker 14634
Tiempos de Ejecución 12`40seg
Ratio de Compresión (%) 1.60
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 86: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/86.jpg)
66
Gráfico 13 Experimentación de trayectorias (California) 100%
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
![Page 87: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/87.jpg)
67
Para la sexta experimentación se utilizó un muestreo del 100% de datos donde
se introduce un error GGT dado por los cálculos de la varianza del error, al
evaluar el cálculo se observa que el valor del cálculo del error GGT es muy
aceptable, lo que significa que el pronóstico se realiza con buena aproximación
al reflejar valores cercanos a cero y debido a esto podemos decir que no hay
perdida en la integridad de los datos.
Se introduce una varianza de transición HHT donde se puede interpretar que el
resultado de la varianza de transición es aceptable debido a que los valores
reflejados son cercanos a cero y debido a esto no hay perdida en la integridad
de los datos.
Al proponer una reducción de puntos de Douglas Peucker con filtro de Kalman
podemos concluir que el método consigue un buen filtrado de ruido, el algoritmo
se repite de manera recursiva para todos los puntos a filtrar de nuestra señal
ruidosa con un ratio de compresión del 1.60% con una reducción de puntos al
combinar estos algoritmos de 14,634 puntos.
![Page 88: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/88.jpg)
68
Gráfico 14 Experimentación de trayectorias (California)
0
10000
20000
30000
40000
50000
60000
70000
80000
Simplificada DP Filtro de Kalman + DP
10%
20%
30%
50%
70%
100%
ELABORADO POR: Jorge Luis Miranda Gallegos FUENTE: Experimentación con tabla “California”
Al visualizar el gráfico 14, podemos decir que la compresión de la trayectoria es
muy notable y confiable justificada anteriormente, partiendo de que el ruido se
lo define como una perturbación no deseada, que corrompe o altera el
contenido de información de la señal que está en uso. Se puede dividir el
ruido en dos, el ruido intrínseco y el ruido extrínseco optimizando los
puntos de la data original.
![Page 89: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/89.jpg)
69
Gráfico 15 Experimentación del ruido (California)
ELABORADO POR: Jorge Luis Miranda Gallegos
FUENTE: Experimentación con tabla “California”
Las ventajas de la unificación de estos dos filtros es que es compacto, no
necesita de mucha memoria porque solo usa el paso anterior para estimar
su punto actual, el algoritmo es rápido.
![Page 90: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/90.jpg)
70
BIBLIOGRAFÍA
Arranz Justel, T. S. (2010). ESTUDIO DE PROCESOS Y HERRAMIENTAS
APLICABLES A LA GENERALIZACIÓN VECTORIAL DE ENTIDADES
LINEALES. Secretariado de publicaciones de la Universidad de Sevilla,
33.
Balboa, J. L. (2006). Automatización de los procesos de segmentación y
clasificación de vías de comunicación en generalización cartográfica.
España: Universidad de Jaén.
Bishop, G. &. (2006). An Introduccion to the Kalman Filter. North Carolina:
Department of Computer Science Chapel Hill.
Carlos, J., & Marinero, F. (2014). Sistemas para determinar la posición y
orientación de herramientas quirúrgicas en operaciones de cirugía
laparoscópica.
Cameron, N. (2003). PostgreSQL affiliates .ORG domain. computerworld.
Dematties, D. J., & Iglesias, F. A. (2012). Implementación de filtro de Kalman en
FPGA.
Fernández Quesada, I. (2002). Aplicación del Filtro de Kalman al Análisis y
Predicción de Entornos Productivos Empresariales. II Conferencia de
Ingeniería de Organización, 725–731.
García Beltrán, A., & Arranz, J. M. (2007). Programación Orientada a Objetos
con Java, 71–77.
Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction
Problems. Journal of Basic Engineering Vol. 82, pag. 35-45.
Luaces, M. R., Paramá, J. R., & Pérez-Urria Lage, I. (n.d.). Entorno para la
generalización cartográfica en Sistemas de Información Geográfica.
![Page 91: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/91.jpg)
71
Otoya, C. (n.d.). Desviación Estandar, 229–271. Retrieved from
http://www.unac.edu.pe/documentos/organizacion/vri/cdcitra/Informes_Final
es_Investigacion/IF_JUNIO_2012/IF_CALDERON OTOYA_FCA/capitulo 6
y 7.pdf
Paradis, E., & Ahumada, J. A. (n.d.). R para Principiantes.
Paradis, E. (2002). R para principiantes. France: Instituto de ciencias de la
evolución.
Pascual, A. (2006). EKF y UKF: dos extensiones del filtro de Kalman para
sistemas no lineales aplicadas al control de un péndulo invertido, 35.
Quesada, I. F. (2002). Aplicación del Filtro de Kalman al Análisis y Predicción de
Entornos Productivos Empresariales. II Conferencia de Ingeniería de
Organización, 6.
Ramírez, Á. S. (2013). EL FILTRO DE KALMAN. COSTA RICA: BANCO
CENTRAL DE COSTA RICA.
Rodríguez, V. (2014). Sistemas para determinar la posición y orientación de
herramientas quirúrgicas en operaciones de cirugía laparoscópicA.
Valladolit: Departamento de Ingeniería de Sistemas y Automática.
Sharon. (1999). Muestreo, diseño y análisis. Mexico: International Thomson
Editores.
Soriano, R. M. (2002). Bases del filtro de Kalman. Dpto Ciencias de la
Computación e IA, 19.
Tusell, F. (2011a). Journal of Statistical Software. España: University of the
Basque Country.
![Page 92: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/92.jpg)
72
Tusell, F. (2011b). Kalman Filtering in R. statsoft.
Vasilescu, G. (2005). Electronic Noise and Interfering Signals Principles and
Application. Berlin: Springer.
Velez. (2001). Investigación Experimental. Medellin: En apuntes de Metodologia
de la Investigación.
Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. In Practice,
7(1), 1–16. https://doi.org/10.1.1.117.6808
Wu, S. T., & Márquez, M. R. G. (2003). A non-self-intersection Douglas-Peucker
algorithm. Brazilian Symposium of Computer Graphic and Image
Processing, 2003–Janua, 60–66.
https://doi.org/10.1109/SIBGRA.2003.1240992
Yu Zheng, X. Z. (2011). Computing with Spatial Trajectories. New York - USA:
Springer.
![Page 93: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/93.jpg)
73
ANEXOS
ANEXO 1. BASE DE DATOS UTILIZADA
![Page 94: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/94.jpg)
74
ANEXO 2. PLATAFORMA R-STUDIO
![Page 95: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/95.jpg)
75
ANEXO 3. Paquetes
![Page 96: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/96.jpg)
76
ANEXO 4. Paper
![Page 97: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/97.jpg)
77
![Page 98: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/98.jpg)
78
![Page 99: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/99.jpg)
79
![Page 100: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/100.jpg)
80
![Page 101: UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19578/1/B-CISC-PTG... · 2019. 5. 31. · ii repositorio nacional en ciencias y tecnologÍa ficha de registro de tesis](https://reader035.fdocuments.mx/reader035/viewer/2022062508/5feae14b5de988710b60d1f2/html5/thumbnails/101.jpg)
81