Modelado y Predicción de Partículas Contaminantes PM10 Mediante Redes Profundas Convolucionales

Ricardo Dominguez Guevara

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Marco Antonio Aceves Fernandez	es_ES
dc.creator	Ricardo Dominguez Guevara	es_ES
dc.date	2020-03-17
dc.date.accessioned	2020-03-17T21:02:49Z
dc.date.available	2020-03-17T21:02:49Z
dc.date.issued	2020-03-17
dc.identifier.uri	http://ri-ng.uaq.mx/handle/123456789/2155
dc.description	Las 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.format	Adobe PDF	es_ES
dc.language.iso	spa	es_ES
dc.relation.requires	Si	es_ES
dc.rights	Acceso Abierto	es_ES
dc.subject	PM10	es_ES
dc.subject	Redes neuronales convolucionales	es_ES
dc.subject	Aprendizaje profundo	es_ES
dc.subject	Predicción	es_ES
dc.subject	Método de ensamble bagging	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Modelado y Predicción de Partículas Contaminantes PM10 Mediante Redes Profundas Convolucionales	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	curp	es_ES
dc.contributor.tid	curp	es_ES
dc.creator.identificador	DOGR921014HGTMVC03	es_ES
dc.contributor.identificador	AEFM780704HMCCRR09	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES