Esta tesis de grado está; asociada al pronóstico de captura de Anchovetas en la Zona Norte de Chile basado en modelos de Redes Neuronales Recurrentes con aprendizaje PSO (Optimizado por Enjambre de Partículas) y variantes IPSO y DAPSO, disponiendo de variables ambientales como entrada. Las variables externas corresponden a la Temperatura de la superficie del mar (TSM) y Temperatura del mar Región Niño 3.4 (N34). Junto con la variable interna, Captura (CA), forman la entrada multivariada. El proceso de selección de variables aplica algoritmo ánima Redundancia-Máxima Relevancia (mRMR) basado en Correlación de Pearson e Información Mutua. La metodología consistió; en comenzar con la implementación univariada, para luego incorporar la entrada multivariada logrando complementar estudios anteriores de solución univariada. El mejor pronóstico resultó; con = 0.86 correspondiente al modelo con entrada multivariada (CAt-1 a t-6) y aprendizaje PSO. El segundo mejor es el modelo univariado (CAt-1 a t-6) de = 0.85 con similar aprendizaje. Las variantes IPSO y DAPSO no alteraron el aprendizaje, poseen rendimientos cercanos al algoritmo PSO en ambas mejores soluciones
Esta tesis de grado está; asociada al pronóstico de captura de Anchovetas en la Zona Norte de Chile basado en modelos de Redes Neuronales Recurrentes con aprendizaje PSO (Optimizado por Enjambre de Partículas) y variantes IPSO y DAPSO, disponiendo de variables ambientales como entrada. Las variables externas corresponden a la Temperatura de la superficie del mar (TSM) y Temperatura del mar Región Niño 3.4 (N34). Junto con la variable interna, Captura (CA), forman la entrada multivariada. El proceso de selección de variables aplica algoritmo ánima Redundancia-Máxima Relevancia (mRMR) basado en Correlación de Pearson e Información Mutua. La metodología consistió; en comenzar con la implementación univariada, para luego incorporar la entrada multivariada logrando complementar estudios anteriores de solución univariada. El mejor pronóstico resultó; con = 0.86 correspondiente al modelo con entrada multivariada (CAt-1 a t-6) y aprendizaje PSO. El segundo mejor es el modelo univariado (CAt-1 a t-6) de = 0.85 con similar aprendizaje. Las variantes IPSO y DAPSO no alteraron el aprendizaje, poseen rendimientos cercanos al algoritmo PSO en ambas mejores soluciones
Magíster en Ingeniería Informática
