Guía en formato PDF
Logo

Sistemas de Instrumentación Inteligentes

Código: 102724
Créditos: 6
2026/2027
Titulación Tipo Curso
Ingeniería Electrónica de Telecomunicación OP 4

Profesor/a de contacto

Nombre :
Javier Martin Martinez
Correo electrónico :
javier.martin.martinez@uab.cat

Equipo docente

Javier Martin Martinez

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Se recomienda haber cursado las asignaturas de Instrumentación I y II.

Objetivos


El objetivo principal de la asignatura es entender cómo el uso de la inteligencia artificial puede mejorar los sistemas de instrumentación que el alumno ya conoce de las asignaturas de instrumentación I y II

Resultados de aprendizaje

  1. Identificar la normativa y la regulación de las telecomunicaciones en los ámbitos nacional, europeo e internacional en el ámbito de la compatibilidad electromagnética.
  2. Aplicar de manera autónoma nuevos conocimientos y técnicas adecuadas para la concepción, el desarrollo o la explotación de sistemas electrónicos.
  3. Analizar y especificar los parámetros fundamentales de un sistema de comunicaciones, des del punto de vista de la instrumentación.
  4. Evaluar las ventajas e inconvenientes de diferentes alternativas tecnológicas de despliegue o implementación de sistemas electrónicos, desde el punto de vista de las perturbaciones y el ruido.
  5. Realizar la especificación, implementación, documentación y puesta a punto de equipos y sistemas, electrónicos, de instrumentación y de control, considerando tanto los aspectos técnicos como las normativas reguladoras correspondientes.
  6. Documentar los sistemas de instrumentación diseñados, en base a las normativas vigentes.
  7. Analizar y solucionar los problemas de interferencias y compatibilidad electromagnética.
  8. Desarrollar un pensamiento y un razonamiento crítico.
  9. Desarrollar la capacidad de análisis y de síntesis.
  10. Trabajar de forma autónoma.
  11. Desarrollar estrategias de aprendizaje autónomo.
  12. Prevenir y solucionar problemas.
  13. Trabajar cooperativamente.
  14. Comunicar eficientemente de forma oral y/o escrita conocimientos, resultados y habilidades, tanto en entornos profesionales como ante públicos no expertos.
  15. Respetar la diversidad y pluralidad de ideas, personas y situaciones.
  16. Desarrollar la curiosidad y la creatividad.

Contenidos


1) Modelado se sensores no lineales.


2) Introducción a las redes neuronales aritficiales.       


2.1) El perceptrón.       


2.2) Redes multicapa       


2.3) Entrenamiento de redes neuronales.       


2.4) Aplicaciones generales.


3) Optimización de sistemas de instrumentación mediante el uso de redes neuronales.

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Clases 30 1,2 1, 2, 3, 4, 7, 8, 9
Discusiones de los problemas propuestos. 15 0,6 1, 2, 5, 6, 7, 10, 11, 12, 13
Trabajo orientado al aprendizaje basada en problemas 35 1,4 1, 2, 3, 4, 5, 7, 8, 9, 16
Estudio 20 0,8 1, 2, 4, 7
Seminarios de problemas y casos 10 0,4 1, 2, 3, 4, 8, 9, 10, 11, 12, 13, 14, 16
Redacción de Informes 20 0,8 14
Tutorias 7 0,28 1, 2, 3, 4, 5, 6, 7

La metodología docente combinará, además del trabajo autónomo, actividades dirigidas y supervisadas. En las actividades dirigidas se combinarán clases magistrales, resoluciones de casos prácticos y sesiones de laboratorio. 

A través del Campus Virtual se tendrá acceso al material docente que complementa los conceptos trabajado en el aula. El Campus Virtual también será el método utilizado para realizar las entregas de las actividades evaluables.  

Se recomienda que los alumnos asistan a clase con un ordenador portatil.
Durante el curso las clases magistrales se irán alternando con casos prácticos que los estudiantes deberán resolver en clase mediante el uso de matlab. El uso de la IA está restringido a la resolución de los casos prácticos. El estudiante deberá explicar el propósito del uso de la IA y obtener la aprobación del profesor.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Resolución de problemas en clase 40% 10 0,4 1, 2, 3, 4, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16
Memoria del trabajo final 30% 2 0,08 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14
Breves exámenes orales 30% 1 0,04 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16

Durante el curso se irán proponiendo problemas que los alumnos deberán resolver durante la clase y fuera de ella.

La resolución de estos problemas corresponderá al 40% total de la nota.

A lo largo del curso se irán realizando varias evaluaciones orales sobre a los ejercicios que se estén realizando en aquel momento. Estas evaluaciones suponen el 30% de la nota.

Finálmente el alumno deberá entregar una memoria de un trabajo de temática libre, pero relacionada con los contenidos de la asignatura, que supondrá el 30% de la nota.

En caso de no superar la asignatura el alumno tendrá derecho a un examen de recuperación según el calendario fijado por la Escuela.

Se obtendrá la calificación de No Evaluable en caso de no entregar la memoria del trabjo de temática libre y entregar menos de un 15% de los trabajos propuestos. 

La clasificación de MH se obtendrá de acuerdo con los criterios establecidos en la normativa vigente de la UAB. 

Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, se calificarán con un cero las irreegularidades cometidas por el estudiante que puedan conducir a una variación de la calificación de un acto de evaluación. 



Bibliografía

J.C. Alvarez et al., “Instrumentación electrónica”, Thomson-Paraninfo, 2006

P.H. Sydenham, N.H. Hancok and R. Thorn, “Introduction to Measurement Science and Engineering”, John Wiley & Sons, 1989.

Ripley, Brian D. (1996) Pattern Recognition and Neural Networks, Cambridge

Bishop, C.M. (1995) Neural Networks for Pattern Recognition, Oxford: Oxford University Press.

Software

Matlab

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 320 Español segundo cuatrimestre tarde
(PAUL) Prácticas de aula 321 Español segundo cuatrimestre tarde
(PLAB) Prácticas de laboratorio 321 Español segundo cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 322 Catalán/Español segundo cuatrimestre manaña-mixto