Título :	DEEP LEARNING-BASED MODELLING FOR TIME SERIES
Sustentante:	Josue Becerra Rico
Palabras clave :	INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS ANÁLISIS NUMÉRICO
Fecha de publicación:	5-feb-2020
metadata.dc.degree.department:	Facultad de Ingeniería
metadata.dc.degree.name:	Ingeniería Física
Descripción :	Los desarrollos en aprendizaje profundo para problemas de series de tiempo se han mostrado prometedores para modelar datos estáticos. En este trabajo se presentará la comparación entre dos algoritmos de redes neuronales recurrentes (RNN) capaces de modelar series de tiempo no lineales con técnicas de aprendizaje profundo, utilizando el algoritmo Long Short-Term Memory (LSTM) que es una estructura para el aprendizaje de dependencias a corto y largo plazo. En contraste con Gated Recurrent Unit (GRU) (que es una variación de las redes RNN y Long Short-Term Memory ) en comparación con la Long Short-Term Memory (LSTM) tradicional, requiere menos parámetros y menos tiempo de cálculo en el procesamiento. En este trabajo, las estructuras GRU y LSTM se utilizan para abordar partículas PM10, debido a su comportamiento no lineal, se puede generar un modelo de predicción con el uso de técnicas de inteligencia artificial.
URI :	http://ri-ng.uaq.mx/handle/123456789/1704
Otros identificadores :	Deep Learning Redes Neuronales Recurrentes Series de Tiempo Modelación Computacional Contaminación Ambiental
Aparece en las colecciones:	Ingeniería Física

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