Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12104/80572
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.advisorAlanís García, Alma Yolanda
dc.contributor.advisorHernández Vargas, Esteban Abelardo
dc.contributor.authorTorres Cerna, Carlos Emilio
dc.date.accessioned2020-04-05T19:02:57Z-
dc.date.available2020-04-05T19:02:57Z-
dc.date.issued2015
dc.identifier.urihttps://hdl.handle.net/20.500.12104/80572-
dc.identifier.urihttp://wdg.biblio.udg.mx
dc.description.abstractLos plásticos son uno de los materiales más usados en el mundo y por ello su producción aumenta cada año. Debido a su alta durabilidad, los plásticos derivados del petroleo producen grandes cantidades de basura cada año. Es por eso que nuevas lineas de investigación se han enfocado en la producción de plásticos con propiedades de biodegradabilidad. Uno de los principales métodos usados para la producción de bioplásticos es por medio de cultivos bacterianos. Sin embargo, uno de los principales problemas para la comercialización de los plásticos biodegradables es el costo de producción. La producción de bioplásticos es aún costosa debido al alto costo de los sustratos necesarios para alimentar a las bacterias, las cuales producen los bioplásticos a través de la fermentación. Nuevas investigaciones han encontrado que existen bacterias capaces de producir bioplásticos con sustratos más económicos. Esto es un paso importante para la comercialización de los bioplásticos.
dc.description.tableofcontentsÍndice general Índice general Índice de figuras Índice de tablas l. Introducción 1.1. Biología sistémica . 1.2. Identificación de sistemas . 1.3. Optimización . . . . . . . 1.4. Algoritmos de optimización bioinspirados 1.5. Planteamiento del problema 1.6. Objetivos . . 1. 7. Antecedentes 1.8. Organización de la tesis V IX XIII 1 1 2 3 5 5 7 7 g VI 2. Identificación de sistemas 2.1. Modelado matemático . 2.1.1. Principios de modelado . 2.2. Estimación paramétrica 2.2.1. Minimización del error 2.3. Intervalos de confianza 2.4. Identificabilidad . . . . 3. Algoritmos de optimización 3.1. Clasificación de los algoritmos de optimización 3.2. Algoritmos bioinspirados . . 3.2.1. Evolución diferencial 3.2.2. Optimización por enjambre de partículas 4. Resultados 4.1. Biopolímeros 4.2. Modelo para la producción de PHAs 4.3. Función de costo a minimizar . . . . 4.4. Selección del algoritmo de optimización 4.5. Metodología . . . . . . . . . . . . . . . ÍNDICE GENERAL 10 12 12 16 17 19 21 25 26 28 29 35 45 45 47 49 50 52 ÍNDICE GENERAL 4.6. Estimaciones del procedimiento global . . 4. 7. Estimaciones de procedimiento iterativo 4.8. Estimaciones del procedimiento iterativo-global . 4.9. Refinamiento del ajuste del modelo 4.10. Discusión ............. . 5. Conclusiones y trabajo futuro 5.1. Trabajo futuro A. Identificación neuronal A.1. Redes neuronales recurrentes de alto orden A.2. Algoritmo de entrenamiento del filtro de Kalman extendido . A.3. Identificación A.4. Resultados . . B. Articulos Bibliografía VII 55 56 60 66 68 74 75 77 78 80 81 82 84 87
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://wdg.biblio.udg.mx/politicasdepublicacion.php
dc.titleAlgoritmos de optimización bioninspirados y sus aplicaciones en biología sistémica
dc.typeTesis de Maestria
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderTorres Cerna, Carlos Emilio
dc.coverageGuadalajara, Jalisco
dc.type.conacytmasterThesis-
dc.degree.nameMAESTRIA EN CIENCIAS EN INGENIERÍA EN ELECTRÓNICA Y COMPUTACIÓN-
dc.degree.departmentCUCEI-
dc.degree.grantorUniversidad de Guadalajara-
dc.degree.creatorMAESTRO EN CIENCIAS EN INGENIERÍA EN ELECTRÓNICA Y COMPUTACIÓN-
Aparece en las colecciones:CUCEI

Ficheros en este ítem:
Fichero TamañoFormato 
MCUCEI01142FT.pdf1.54 MBAdobe PDFVisualizar/Abrir


Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.