Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/8905
Título : Red Neuronal Recurrente de Memoria a Largo y Corto Plazo Optimizada por Procesos Gaussianos para Predecir la Contaminación Atmosférica
Autor(es): Marco Antonio Olguin Sánchez
Palabras clave: Ingeniería y Tecnología
Ciencias Tecnológicas
Ciencia de los ordenadores
Fecha de publicación : 22-abr-2024
Editorial : Ingeniería
Facultad: Facultad de Ingeniería
Programa académico: Ingeniería Física
Resumen: Forecasting air pollution is a challenging problem today that requires special attention in large cities since they are home to millions of people who are at risk of respiratory diseases every day. At the same time, there has been exponential growth in the research and application of deep learning, which is useful to treat temporary data such as pollution levels, leaving aside the physical and chemical characteristics of the particles and only focusing on predicting the next levels of contamination. This work seeks to contribute to society by presenting a useful way to optimize recurrent neural networks of the short and long-term memory type through a statistical process (Gaussian processes) for the correct optimization of the processes. 
URI: https://ri-ng.uaq.mx/handle/123456789/8905
Aparece en: Ingeniería Física

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGLIN-243663.pdf2.27 MBAdobe PDFPortada
Visualizar/Abrir


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