Mostrar el registro sencillo del ítem
dc.contributor | Rodríguez Agurto, José Nibaldo | ||
dc.creator | Sepúlveda Pinto, Pamela Isabel | ||
Fecha Tésis | dc.date | 2011 | |
Fecha Ingreso | dc.date.accessioned | 2021-10-20T01:13:54Z | |
Fecha Disponible | dc.date.available | 2021-10-20T01:13:54Z | |
Fecha en Repositorio | dc.date.issued | 2021-10-19 | |
Resumen | dc.description | 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 | |
Resumen | dc.description | ||
Resumen | dc.description | 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 | |
Resumen | dc.description | Magíster en Ingeniería Informática | |
Lenguaje | dc.language | spa | |
Editor | dc.publisher | Valparaíso, Chile Pontificia Universidad Católica de Valparaíso | |
dc.source | http://opac.pucv.cl/pucv_txt/txt-3000/UCF3405_01.pdf | ||
Materia | dc.subject | Algoritmos | |
Materia | dc.subject | Ecosistemas marinos | |
Title | dc.title | Redes neuronales recurrentes con algoritmo de optimización por enjambre de partículas para pronóstico multivariado de captura de anchovetas en el norte de Chile | |
Tipo | dc.type | texto |
Archivos | Tamaño | Formato | Ver |
---|---|---|---|
No hay archivos asociados a este ítem. |