Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/2155
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.creatorRicardo Dominguez Guevaraes_ES
dc.date2020-03-17-
dc.date.accessioned2020-03-17T21:02:49Z-
dc.date.available2020-03-17T21:02:49Z-
dc.date.issued2020-03-17-
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/2155-
dc.descriptionLas partículas con un diámetro inferior a 10 micrómetros (PM10) son hoy en día un tema de estudio importante, principalmente por el aumento de su concentración y su impacto en el medio ambiente y la salud pública. Este trabajo de investigación resume el uso de redes neuronales convolucionales (CNN) para pronosticar las concentraciones de PM10 basadas en variables atmosféricas. En este estudio en particular, se exploró el uso de redes neurales convolucionales profundas (tanto 1D como 2D) para probar la viabilidad de estas técnicas en las tareas de predicción. Además, en este trabajo de investigación se utiliza un método de ensamble llamado bagging (BEM) para mejorar la precisión del modelo de predicción. Por último, se utiliza una técnica de predicción de PM10 bien conocida, llamada perceptrón multicapa (MLP), como comparación para mostrar la viabilidad, precisión y robustez del modelo propuesto. Como parte de los resultados de este trabajo, se encontró que las CNNs superan a las MLP, especialmente cuando se ejecutan usando modelos de ensamble.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectPM10es_ES
dc.subjectRedes neuronales convolucionaleses_ES
dc.subjectAprendizaje profundoes_ES
dc.subjectPredicciónes_ES
dc.subjectMétodo de ensamble bagginges_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleModelado y Predicción de Partículas Contaminantes PM10 Mediante Redes Profundas Convolucionaleses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorDOGR921014HGTMVC03es_ES
dc.contributor.identificadorAEFM780704HMCCRR09es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI005216.pdf4.74 MBAdobe PDFPortada
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.