<p>En el presente proyecto se presentan los objetivos, estado de arte y modelos de red desarrollados para pronosticar el nivel de captura mensual de sardina en la zona norte de Chile, este pez es una de las especies pelágicas más importantes de nuestro país, en 1983 debido a la caída en la población de esta especie, la extracción de la sardina está sujeta a regulaciones.</p><p>Es por ello que el pronóstico de capturas toma un rol muy importante en el nivel de stocks, previo a la toma de decisiones. El modelo usado para resolver este problema, es una Red Neuronal Artificial junto a la técnica Extreme Learning Machine, la cual está basada en la Pseudoinversa de Moore-Penrose.</p><p>La mejor topología de la red que presenta el mejor desempeño fue con 12 nodos deentrada y 100 iteraciones, para la calibración del modelo.<br />Finalmente, los resultados indican que el modelo basado en ELM presenta un desempeño de un 98,62% de la varianza explicada y un 14,61% de MAPE, con tiempos de ejecución notoriamente más bajos en comparación a otras técnicas utilizadas con anterioridad como la Inteligencia de Enjambres o Máquina de Soporte Vectorial</p><div id=""""__if72ru4ruh7fewui_once""""></div><div id="""__if72ru4ruh7fewui_once"""></div>
<p>On this project the objectives, state of the art and developed network model are presented to forecast the monthly capture level of sardine in the north area of Chile, this fish is one of the most important pelagic species of our country, in 1983 due to the fall in the population of this species, the extraction of sardine is subject to regulations.</p><p>That is why the forecast of catches taken a very important role in the level of stocks, before to the decision making. The model used to solve this problem, is an Artificial Neural Network with Extreme Learning Machine technique, based on Moore-Penrose Pseudoinverse.</p><p>The best topology that presents the best performance was 12 input nodes and 100 iterations, for model calibration.</p><p>Finally, the results indicate that model based on ELM presents a performance of 98,62% of the explained variance and 14,61% of MAPE, with lower runtime than others techniques previously used like Swarm Intelligence or Support Vector Machine</p><div id=""""__if72ru4ruh7fewui_once""""></div><div id="""__if72ru4ruh7fewui_once"""></div>
last modification
Licenciado en Ciencias de la Ingeniería
Ingeniero Civil en Informáticatítulo
INGENIERIA CIVIL INFORMATICA
<p>En el presente proyecto se presentan los objetivos, estado de arte y modelos de red desarrollados para pronosticar el nivel de captura mensual de sardina en la zona norte de Chile, este pez es una de las especies pelágicas más importantes de nuestro país, en 1983 debido a la caída en la población de esta especie, la extracción de la sardina está sujeta a regulaciones.</p><p>Es por ello que el pronóstico de capturas toma un rol muy importante en el nivel de stocks, previo a la toma de decisiones. El modelo usado para resolver este problema, es una Red Neuronal Artificial junto a la técnica Extreme Learning Machine, la cual está basada en la Pseudoinversa de Moore-Penrose.</p><p>La mejor topología de la red que presenta el mejor desempeño fue con 12 nodos deentrada y 100 iteraciones, para la calibración del modelo.<br />Finalmente, los resultados indican que el modelo basado en ELM presenta un desempeño de un 98,62% de la varianza explicada y un 14,61% de MAPE, con tiempos de ejecución notoriamente más bajos en comparación a otras técnicas utilizadas con anterioridad como la Inteligencia de Enjambres o Máquina de Soporte Vectorial</p><div id=""""__if72ru4ruh7fewui_once""""></div><div id="""__if72ru4ruh7fewui_once"""></div>
<p>On this project the objectives, state of the art and developed network model are presented to forecast the monthly capture level of sardine in the north area of Chile, this fish is one of the most important pelagic species of our country, in 1983 due to the fall in the population of this species, the extraction of sardine is subject to regulations.</p><p>That is why the forecast of catches taken a very important role in the level of stocks, before to the decision making. The model used to solve this problem, is an Artificial Neural Network with Extreme Learning Machine technique, based on Moore-Penrose Pseudoinverse.</p><p>The best topology that presents the best performance was 12 input nodes and 100 iterations, for model calibration.</p><p>Finally, the results indicate that model based on ELM presents a performance of 98,62% of the explained variance and 14,61% of MAPE, with lower runtime than others techniques previously used like Swarm Intelligence or Support Vector Machine</p><div id=""""__if72ru4ruh7fewui_once""""></div><div id="""__if72ru4ruh7fewui_once"""></div>
