Universidad de Oviedo

Página Web de Ignacio Díaz Blanco

Última Hora:



Ignacio Díaz Blanco

Doctor Ingeniero Industrial - Profesor Titular de Universidad (MSc'95, PhD'00, Associate Professor)

Teléfono:985.18.26.63
Dirección:Campus Universitario de Viesques (s/n)
Edificio Departamental 2
Gijón, 33204, Asturias, SPAIN
Despacho:2.2.09
Departamento:Ingeniería Eléctrica, Electrónica de Computadores y Sistemas
Área de conocimiento:Ingeniería de Sistemas y Automática
email:




Índice




Docencia


Asignaturas con página web:

Doctorado:



Investigación



Ideas Centrales

Palabras clave (en inglés)

Resumen

Mi principal interés reside en la supervisión, monitorización y análisis exploratorio de procesos complejos, utilizando técnicas de visualización basadas en reducción de la dimensionalidad. La idea de este enfoque es que las características más importantes de un proceso pueden ser representadas en un plano o "mapa del proceso", que representa todos los estados posibles de dicho proceso.

Dicho mapa (mudo, en principio) puede "cartografiarse", definiendo regiones y etiquetándolas a partir de conocimiento previo disponible en distintas formas (modelos, sistemas de inferencia borrosa, correlaciones conocidas entre variables, etc.). Una vez "cartografiado", el mapa constituye una representación muy compacta y visual, que nos facilita tanto el entendimiento del proceso como la monitorización de su estado.

Visualización de Procesos Complejos

Un proceso industrial, económico, biomédico..., es algo con estructura, no totalmente aleatorio, que genera datos que contienen información acerca de esa estructura. Dos objetivos comunes son: En procesos complejos, en los que se desconoce -o se conoce superficialmente- un modelo de esa estructura, son necesarios métodos que permitan arrojar luz sobre el proceso a partir de la información presente en los datos, permitiendo además utilizar conocimiento disponible en otras formas tales como reglas empíricas, modelos parciales del proceso, etc.

Uno de los enfoques para afrontar este problema son las técnicas de visualización de datos. Aproximadamente un 40% de la actividad cerebral está relacionada con la visión y una visualización de datos adecuada puede explotar las capacidades de que dispone el cerebro (capacidades preatentivas) para encontrar de forma automática patrones complejos en imágenes visuales.

Reducción de la Dimensionalidad.

Una forma muy eficiente de visualizar datos multidimensionales son las técnicas de reducción de la dimensionalidad. Este tipo de técnicas consiste en la definición de mapas o proyecciones del espacio de alta dimensión en un espacio visualizable (2D-3D) preservando la información significativa en relación con el problema a resolver, lo que permite "razonar visualmente" sobre imágenes.

Este enfoque, radicalmente distinto a las técnicas de clasificación y razonamiento automático, donde se le dan las cosas hechas al usuario, es particularmente útil en el análisis y exploración de datos y procesos complejos. El problema se expone en una forma -representación visual- en la que el humano tiene enormes capacidades, tanto para detección de patrones y regularidades (capacidades preatentivas) como para llevar a cabo razonamientos más abstractos.

La existencia de un mapa uno a uno con el espacio original de los datos, permite "conectar" distintas formas de conocimiento apriorístico, típicamente basadas en propiedades o modelos válidos en el espacio original, con la representación visual, con lo que el usuario puede también "visualizar" dichos conocimientos y utilizarlos en su razonamiento.

Generación y Visualización de residuos físicamente interpretables

Una idea muy reciente en la que estoy trabajando es la generación de residuos físicamente interpretables mediante el uso de modelos autoasociativos basados en el soporte de los datos. Generalmente, los residuos se definen como la diferencia entre las variables de un proceso y sus valores estimados de acuerdo con un modelo. Las técnicas de analisis de residuos se utilizan desde hace tiempo, sin embargo, requieren métodos de clasificación posteriores que a su vez requieren conocimiento apriorístico del proceso que a veces no se tiene.

Por generación de residuos "interpretables" se entiende: Si se consigue este grado de "interpretabilidad", una visualización eficiente de los residuos puede convertirlos en una herramienta extremadamente eficaz, no sólo para detectar fallos, sino también para identificarlos al permitir la aplicación de conocimiento previo sobre el proceso.

Proyectos de Investigación




Publicaciones


Tesis doctoral:
Publicaciones en Congresos (desde 2001 hasta 2006):
Publicaciones en Revistas (JCR):
Publicaciones en otras revistas internacionales (no incluidas en JCR):


Áreas de Interés


Extracción de características y Procesamiento Digital de Señal

En general, me interesan todas aquellas técnicas que permitan caracterizar las señales de forma compacta, mediante unos pocos parámetros de un modelo o mediante características (al fin y al cabo, reducción de la dimensionalidad):

Reducción de la Dimensionalidad y Visualización

Me interesan especialmente todas aquellas técnicas capaces de generar a partir de la información geométrica presente en los datos un mapa de un espacio de alta dimensión sobre un espacio de dimensión baja:

Aprendizaje de funciones. Interpolación Multidimensional

Algunos de los métodos de reducción de la dimensionalidad generan mapas discretos (puntos de R^n y puntos correspondientes de R^p). Me interesan las técnicas de interpolación multidimensional en la medida en que permiten generar mapas continuos a partir de esos puntos discretos.

Otros intereses

En general, incluyo aquí técnicas que permiten "conectar" conocimiento previo sobre un proceso con los datos (información en forma numérica) con vistas a combinarlas con las técnicas de visualización.

Enlaces