{"id":{"repo_id":"sevilla","oai_identifier":"oai:idus.us.es:11441/186145"},"canonical_url":"https://search.dev.ndltd.org/etd/sevilla/oai:idus.us.es:11441/186145","repository":{"repo_id":"sevilla","name":"Universidad de Sevilla","base_url":"https://idus.us.es/server/oai/request"},"display":{"title":"Identificación eficiente en tiempo real de isótopos en FPGAs SoC","abstract":"Esta tesis doctoral aborda el desafío crítico de la identificación en tiempo real de isótopos con firmas energéticas similares, un problema recurrente en física nuclear, vigilancia radiológica y aplicaciones industriales, donde las técnicas clásicas, como el análisis de forma de pulso (PSA) o el tiempo de vuelo (ToF), presentan limitaciones notables. El objetivo principal ha sido desarrollar un sistema híbrido de clasificación basado en plataformas SoC FPGA, integrando algoritmos de reducción de dimensionalidad y aprendizaje automático sobre señales reales adquiridas experimentalmente. La metodología se fundamenta en la aplicación del Análisis de Componentes Principales (PCA) para la extracción de características relevantes y reducción de la dimensionalidad de las señales digitales adquiridas por detectores de silicio. Posteriormente, se implementaron y evaluaron dos algoritmos supervisados de clasificación: Support Vector Machines (SVM) y Random Forest (RF), analizando su rendimiento en términos de precisión, exactitud, coste computacional y capacidad de clasificación ante señales altamente solapadas. Una contribución destacada de esta tesis es la implementación física del sistema en una plataforma SoC FPGA, donde el PCA fue acelerado en hardware (lógica programable), y el clasificador RF ejecutado en el procesador embebido ARM, permitiendo inferencia en tiempo real con bajo consumo de recursos y alta eficiencia energética. Se llevó a cabo un exhaustivo análisis de cuantización de los coeficientes PCA para su integración eficiente en lógica digital, garantizando la viabilidad de la solución en entornos embebidos. El sistema propuesto fue validado con señales experimentales reales correspondientes a pares isotópicos como 12C–13C, 36Ar–40Ar y 80Kr–84Kr, logrando tasas de acierto superiores al 97%, incluso en escenarios de alta similitud morfológica y energética. En comparación con soluciones del estado del arte basadas en redes neuronales implementadas en FPGA, la arquitectura híbrida propuesta demuestra una reducción superior al 98% en recursos lógicos (LUTs, FFs) y una mejora significativa en latencia y modularidad. Esta investigación presenta una solución eficiente, escalable y de bajo coste computacional para la discriminación de isótopos en tiempo real, con alto potencial de aplicación en instrumentación nuclear avanzada, seguridad radiológica y sistemas multicanal embebidos.","abstract_html":"Esta tesis doctoral aborda el desafío crítico de la identificación en tiempo real de isótopos con firmas energéticas similares, un problema recurrente en física nuclear, vigilancia radiológica y aplicaciones industriales, donde las técnicas clásicas, como el análisis de forma de pulso (PSA) o el tiempo de vuelo (ToF), presentan limitaciones notables. El objetivo principal ha sido desarrollar un sistema híbrido de clasificación basado en plataformas SoC FPGA, integrando algoritmos de reducción de dimensionalidad y aprendizaje automático sobre señales reales adquiridas experimentalmente. La metodología se fundamenta en la aplicación del Análisis de Componentes Principales (PCA) para la extracción de características relevantes y reducción de la dimensionalidad de las señales digitales adquiridas por detectores de silicio. Posteriormente, se implementaron y evaluaron dos algoritmos supervisados de clasificación: Support Vector Machines (SVM) y Random Forest (RF), analizando su rendimiento en términos de precisión, exactitud, coste computacional y capacidad de clasificación ante señales altamente solapadas. Una contribución destacada de esta tesis es la implementación física del sistema en una plataforma SoC FPGA, donde el PCA fue acelerado en hardware (lógica programable), y el clasificador RF ejecutado en el procesador embebido ARM, permitiendo inferencia en tiempo real con bajo consumo de recursos y alta eficiencia energética. Se llevó a cabo un exhaustivo análisis de cuantización de los coeficientes PCA para su integración eficiente en lógica digital, garantizando la viabilidad de la solución en entornos embebidos. El sistema propuesto fue validado con señales experimentales reales correspondientes a pares isotópicos como 12C–13C, 36Ar–40Ar y 80Kr–84Kr, logrando tasas de acierto superiores al 97%, incluso en escenarios de alta similitud morfológica y energética. En comparación con soluciones del estado del arte basadas en redes neuronales implementadas en FPGA, la arquitectura híbrida propuesta demuestra una reducción superior al 98% en recursos lógicos (LUTs, FFs) y una mejora significativa en latencia y modularidad. Esta investigación presenta una solución eficiente, escalable y de bajo coste computacional para la discriminación de isótopos en tiempo real, con alto potencial de aplicación en instrumentación nuclear avanzada, seguridad radiológica y sistemas multicanal embebidos.","abstract_has_math":false,"creators":["Guerrero Morejón, Katherine Alexandra"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Hinojo Montero, José María","Muñoz Chavero, Fernando"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-03-06","date_published":"2026-03-06","updated_at":"2026-07-24T04:29:25Z","subjects":[],"languages":["spa"],"rights":["Attribution-NonCommercial-ShareAlike 4.0 International"],"rights_urls":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/11441/186145","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Hinojo Montero, José María","Muñoz Chavero, Fernando"]},{"key":"dc:creator","label":"Author","values":["Guerrero Morejón, Katherine Alexandra"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-05-18T07:20:14Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-05-18T07:20:14Z"]},{"key":"dc:date.issued","label":"Date","values":["2026-03-06"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-ShareAlike 4.0 International"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-sa/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/11441/186145"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Esta tesis doctoral aborda el desafío crítico de la identificación en tiempo real de isótopos con firmas energéticas similares, un problema recurrente en física nuclear, vigilancia radiológica y aplicaciones industriales, donde las técnicas clásicas, como el análisis de forma de pulso (PSA) o el tiempo de vuelo (ToF), presentan limitaciones notables. El objetivo principal ha sido desarrollar un sistema híbrido de clasificación basado en plataformas SoC FPGA, integrando algoritmos de reducción de dimensionalidad y aprendizaje automático sobre señales reales adquiridas experimentalmente. La metodología se fundamenta en la aplicación del Análisis de Componentes Principales (PCA) para la extracción de características relevantes y reducción de la dimensionalidad de las señales digitales adquiridas por detectores de silicio. Posteriormente, se implementaron y evaluaron dos algoritmos supervisados de clasificación: Support Vector Machines (SVM) y Random Forest (RF), analizando su rendimiento en términos de precisión, exactitud, coste computacional y capacidad de clasificación ante señales altamente solapadas. Una contribución destacada de esta tesis es la implementación física del sistema en una plataforma SoC FPGA, donde el PCA fue acelerado en hardware (lógica programable), y el clasificador RF ejecutado en el procesador embebido ARM, permitiendo inferencia en tiempo real con bajo consumo de recursos y alta eficiencia energética. Se llevó a cabo un exhaustivo análisis de cuantización de los coeficientes PCA para su integración eficiente en lógica digital, garantizando la viabilidad de la solución en entornos embebidos. El sistema propuesto fue validado con señales experimentales reales correspondientes a pares isotópicos como 12C–13C, 36Ar–40Ar y 80Kr–84Kr, logrando tasas de acierto superiores al 97%, incluso en escenarios de alta similitud morfológica y energética. En comparación con soluciones del estado del arte basadas en redes neuronales implementadas en FPGA, la arquitectura híbrida propuesta demuestra una reducción superior al 98% en recursos lógicos (LUTs, FFs) y una mejora significativa en latencia y modularidad. Esta investigación presenta una solución eficiente, escalable y de bajo coste computacional para la discriminación de isótopos en tiempo real, con alto potencial de aplicación en instrumentación nuclear avanzada, seguridad radiológica y sistemas multicanal embebidos."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Identificación eficiente en tiempo real de isótopos en FPGAs SoC"]}]}],"canonical_facts":{"dc:contributor.advisor":["Hinojo Montero, José María","Muñoz Chavero, Fernando"],"dc:creator":["Guerrero Morejón, Katherine Alexandra"],"dc:date.accessioned":["2026-05-18T07:20:14Z"],"dc:date.available":["2026-05-18T07:20:14Z"],"dc:date.issued":["2026-03-06"],"dc:description.abstract":["Esta tesis doctoral aborda el desafío crítico de la identificación en tiempo real de isótopos con firmas energéticas similares, un problema recurrente en física nuclear, vigilancia radiológica y aplicaciones industriales, donde las técnicas clásicas, como el análisis de forma de pulso (PSA) o el tiempo de vuelo (ToF), presentan limitaciones notables. El objetivo principal ha sido desarrollar un sistema híbrido de clasificación basado en plataformas SoC FPGA, integrando algoritmos de reducción de dimensionalidad y aprendizaje automático sobre señales reales adquiridas experimentalmente. La metodología se fundamenta en la aplicación del Análisis de Componentes Principales (PCA) para la extracción de características relevantes y reducción de la dimensionalidad de las señales digitales adquiridas por detectores de silicio. Posteriormente, se implementaron y evaluaron dos algoritmos supervisados de clasificación: Support Vector Machines (SVM) y Random Forest (RF), analizando su rendimiento en términos de precisión, exactitud, coste computacional y capacidad de clasificación ante señales altamente solapadas. Una contribución destacada de esta tesis es la implementación física del sistema en una plataforma SoC FPGA, donde el PCA fue acelerado en hardware (lógica programable), y el clasificador RF ejecutado en el procesador embebido ARM, permitiendo inferencia en tiempo real con bajo consumo de recursos y alta eficiencia energética. Se llevó a cabo un exhaustivo análisis de cuantización de los coeficientes PCA para su integración eficiente en lógica digital, garantizando la viabilidad de la solución en entornos embebidos. El sistema propuesto fue validado con señales experimentales reales correspondientes a pares isotópicos como 12C–13C, 36Ar–40Ar y 80Kr–84Kr, logrando tasas de acierto superiores al 97%, incluso en escenarios de alta similitud morfológica y energética. En comparación con soluciones del estado del arte basadas en redes neuronales implementadas en FPGA, la arquitectura híbrida propuesta demuestra una reducción superior al 98% en recursos lógicos (LUTs, FFs) y una mejora significativa en latencia y modularidad. Esta investigación presenta una solución eficiente, escalable y de bajo coste computacional para la discriminación de isótopos en tiempo real, con alto potencial de aplicación en instrumentación nuclear avanzada, seguridad radiológica y sistemas multicanal embebidos."],"dc:format":["application/pdf"],"dc:identifier.uri":["https://hdl.handle.net/11441/186145"],"dc:language.iso":["spa"],"dc:rights":["Attribution-NonCommercial-ShareAlike 4.0 International"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"dc:title":["Identificación eficiente en tiempo real de isótopos en FPGAs SoC"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T04:29:25Z"}