Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Marco Antonio Aceves Fernandez es_ES
dc.creator Josue Becerra Rico es_ES
dc.date 2020-02-05
dc.date.accessioned 2019-11-14T19:05:17Z
dc.date.available 2019-11-14T19:05:17Z
dc.date.issued 2020-02-05
dc.identifier.uri http://ri-ng.uaq.mx/handle/123456789/1704
dc.description 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. es_ES
dc.format Adobe PDF es_ES
dc.language.iso Español es_ES
dc.relation.requires No es_ES
dc.rights En Embargo es_ES
dc.subject Deep Learning es_ES
dc.subject Redes Neuronales Recurrentes es_ES
dc.subject Series de Tiempo es_ES
dc.subject Modelación Computacional es_ES
dc.subject Contaminación Ambiental es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title DEEP LEARNING-BASED MODELLING FOR TIME SERIES es_ES
dc.type Tesis de licenciatura es_ES
dc.creator.tid curp es_ES
dc.contributor.tid curp es_ES
dc.creator.identificador BERJ960205HQTCCS00 es_ES
dc.contributor.identificador AEFM780704HMCCRR09 es_ES
dc.contributor.role Director es_ES
dc.degree.name Ingeniería Física es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Licenciatura es_ES


Ficheros en el ítem

Thumbnail
Nombre: RI004770.pdf
Tamaño: 24.98Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem