Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/1704
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorMarco Antonio Aceves Fernandezes_ES
dc.creatorJosue Becerra Ricoes_ES
dc.date2020-02-05-
dc.date.accessioned2019-11-14T19:05:17Z-
dc.date.available2019-11-14T19:05:17Z-
dc.date.issued2020-02-05-
dc.identifierDeep Learninges_ES
dc.identifierRedes Neuronales Recurrenteses_ES
dc.identifierSeries de Tiempoes_ES
dc.identifierModelación Computacionales_ES
dc.identifierContaminación Ambientales_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/1704-
dc.descriptionLos 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.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.subjectANÁLISIS NUMÉRICOes_ES
dc.titleDEEP LEARNING-BASED MODELLING FOR TIME SERIESes_ES
dc.typeTesis de licenciaturaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorBERJ960205HQTCCS00es_ES
dc.contributor.identificadorAEFM780704HMCCRR09es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameIngeniería Físicaes_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelLicenciaturaes_ES
Aparece en las colecciones: Ingeniería Física

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI004770.pdf25.58 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


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