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 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


Ficheros en el ítem

Thumbnail
Nombre: RI005216.pdf
Tamaño: 4.629Mb
Formato: PDF
Ver/

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

Mostrar el registro sencillo del ítem