Mostrar el registro sencillo del ítem
| dc.contributor | Rodríguez Agurto, José Nibaldo | ||
| dc.creator | Pérez Galleguillos, Rodrigo Cristián | ||
| Fecha Ingreso | dc.date.accessioned | 2021-10-19T19:30:50Z | |
| Fecha Disponible | dc.date.available | 2021-10-19T19:30:50Z | |
| Fecha en Repositorio | dc.date.issued | 2021-10-19 | |
| Resumen | dc.description | <p>El problema de pronóstico de captura de anchovetas en la zona norte de Chile tradicionalmente ha sido modelado utilizando regresión lineal clásica (RLC). Sin embargo, la técnica de RLC no considera los fenómenos no lineales que puede exhibir el proceso de pronóstico. Por lo tanto, en esta memoria de título es propuesto un modelo no lineal de predicción de captura de anchovetas basado en redes neuronales sigmoidales (RNS). La arquitectura del modelo RNS está compuesta por una capa de entrada, una capa oculta no lineal y una capa de salida lineal y los pesos de la RNS son estimados utilizando el algoritmo de aprendizaje Levenberg Marquardt. La mejor topología encontrada durante la fase de evaluación ha sido una RNS con seis nodos de entrada, dieciséis nodos ocultos y un nodo de salida. Además, la varianza obtenida fue igual a un 91% con el modelo RNS propuesto.</p> | |
| Resumen | dc.description | <p>The capture forecast problem of anchovy in the northern part of Chile traditionally has been shaped utilizing classical lineal decline (RLC). Nevertheless, the technique of RLC does not consider the not lineal phenomenon that can exhibit the process of forecast. Therefore, in this memory of title is proposed a not lineal model of prediction of capture of anchovy based on networks neural sigmoidal (RNS). The architecture of the model RNS is composed by an input layer, a not lineal hidden layer and the output lineal layer and the weights of the RNS are reckoned utilizing the algorithm of learning Levenberg Marquardt. The best topology found during the phase of evaluation has been a RNS with six nodes of input, sixteen hidden nodes and one node at the output. Besides, the variance obtained was equal to a 91% with the model RNS proposed.</p> | |
| Resumen | dc.description | last modification | |
| Resumen | dc.description | Licenciado en Ciencias de la Ingeniería | |
| Resumen | dc.description | Ingeniero Civil en Informáticatítulo | |
| Resumen | dc.description | INGENIERIA CIVIL INFORMATICA | |
| Resumen | dc.description | <p>El problema de pronóstico de captura de anchovetas en la zona norte de Chile tradicionalmente ha sido modelado utilizando regresión lineal clásica (RLC). Sin embargo, la técnica de RLC no considera los fenómenos no lineales que puede exhibir el proceso de pronóstico. Por lo tanto, en esta memoria de título es propuesto un modelo no lineal de predicción de captura de anchovetas basado en redes neuronales sigmoidales (RNS). La arquitectura del modelo RNS está compuesta por una capa de entrada, una capa oculta no lineal y una capa de salida lineal y los pesos de la RNS son estimados utilizando el algoritmo de aprendizaje Levenberg Marquardt. La mejor topología encontrada durante la fase de evaluación ha sido una RNS con seis nodos de entrada, dieciséis nodos ocultos y un nodo de salida. Además, la varianza obtenida fue igual a un 91% con el modelo RNS propuesto.</p> | |
| Resumen | dc.description | <p>The capture forecast problem of anchovy in the northern part of Chile traditionally has been shaped utilizing classical lineal decline (RLC). Nevertheless, the technique of RLC does not consider the not lineal phenomenon that can exhibit the process of forecast. Therefore, in this memory of title is proposed a not lineal model of prediction of capture of anchovy based on networks neural sigmoidal (RNS). The architecture of the model RNS is composed by an input layer, a not lineal hidden layer and the output lineal layer and the weights of the RNS are reckoned utilizing the algorithm of learning Levenberg Marquardt. The best topology found during the phase of evaluation has been a RNS with six nodes of input, sixteen hidden nodes and one node at the output. Besides, the variance obtained was equal to a 91% with the model RNS proposed.</p> | |
| Formato | dc.format | ||
| Lenguaje | dc.language | spa | |
| dc.rights | sin documento | ||
| dc.source | http://opac.pucv.cl/pucv_txt/txt-8000/UCI8380_01.pdf | ||
| Materia | dc.subject | Algoritmos | |
| Materia | dc.subject | Regresión lineal | |
| Materia | dc.subject | CAPTURA | |
| Materia | dc.subject | ANCHOVETA | |
| Materia | dc.subject | Ecosistemas marinos | |
| Materia | dc.subject | REDES NEURONALES | |
| Title | dc.title | Predicción de captura de anchovetas utilizando redes neuronales | |
| Tipo | dc.type | texto |
| Archivos | Tamaño | Formato | Ver |
|---|---|---|---|
|
No hay archivos asociados a este ítem. |
|||