<p>El sector pesquero entrega una importante contribución a las exportaciones nacionales, siendo una de las actividades más trascendentes dentro de la economía del país. Sin embargo, su relevancia se debe principalmente a la disponibilidad de los recursos pesqueros en el tiempo, siendo éste uno de los principales factores que generan incertidumbre dentro de la actividad y que a su vez, pueden entorpecer y restringir el desarrollo sustentable del sector. Con el objetivo de la conservación de estos recursos, las entidades gubernamentales del país han establecido regulaciones en la captura de estas especies.</p><p>Este proyecto tiene como nalidad servir de apoyo en la jación de las cuotas mensuales de anchovetapara la zona Norte de Chile. Esta investigación ha desarrollado una Red Neuronal Sigmoidal que utiliza la Optimización de Enjambre de Partículas -PSO-, modelo que analiza los datos de alta y baja frecuencia de captura mensual de la anchoveta, con objetivo pronosticar los desembarques de la Anchoveta mensualmente.</p><p>En función de los resultados, se ha observa que el modelo propuesto al ser aplicado a los datosde Alta Frecuencia, arroja una varianza explicada de un 93,13 %, mientras que al ser aplicado a los datos de baja frecuencia, arroja una varianza explicada de un 98,76 %. Finalmente, sumando los datos analizados por el modelo propuesto -datos analizados de alta frecuencia datos analizados de baja frecuencia-, se obtiene una varianza explicada de un 96,46 %, superando los mejores resultados obtenidos en estudios anteriores que obtuvieron un 94% de varianza explicada aproximadamente</p><div id="""""__if72ru4ruh7fewui_once"""""></div><div id=""""__if72ru4ruh7fewui_once""""></div>
<p>The shing sector has an important contribution to exports -nationally-, being a very important activity for the economy of Chile. However, this importance is due to the availability of shery resources, becoming one of the main factors causing uncertainty in this activity, in turn, can hinder and restrict sustainable development of the sector. In order to conserve these resources, government agencies have set catch regulations for these species around the country.</p><p>This project aims to provide support in setting monthly catch quotas for the anchovy in the North Zone of Chile. This research has developed a Sigmoid Neural Network using Swarm Particles Optimizations Algorithms. This model can predict the monthly landings of this resource analyzing the High Frequency data and Low Frequency Data of the anchovy monthly catch quota.</p><p>According to the results, it is observed that proposed model applied to High Frequency Data, achieves an explained variance of 93.13 %, while with the Low Frequency Data, achieves an explained variance of 98.76 %. Finally, adding the data analyzed by the proposed model High Frequency Data Analyzed Low Frequency Data Analyzed, achieves an explained variance of 96,46 %, beating the best results obtained in previous studies reporting 94% of explained variance</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>El sector pesquero entrega una importante contribución a las exportaciones nacionales, siendo una de las actividades más trascendentes dentro de la economía del país. Sin embargo, su relevancia se debe principalmente a la disponibilidad de los recursos pesqueros en el tiempo, siendo éste uno de los principales factores que generan incertidumbre dentro de la actividad y que a su vez, pueden entorpecer y restringir el desarrollo sustentable del sector. Con el objetivo de la conservación de estos recursos, las entidades gubernamentales del país han establecido regulaciones en la captura de estas especies.</p><p>Este proyecto tiene como nalidad servir de apoyo en la jación de las cuotas mensuales de anchovetapara la zona Norte de Chile. Esta investigación ha desarrollado una Red Neuronal Sigmoidal que utiliza la Optimización de Enjambre de Partículas -PSO-, modelo que analiza los datos de alta y baja frecuencia de captura mensual de la anchoveta, con objetivo pronosticar los desembarques de la Anchoveta mensualmente.</p><p>En función de los resultados, se ha observa que el modelo propuesto al ser aplicado a los datosde Alta Frecuencia, arroja una varianza explicada de un 93,13 %, mientras que al ser aplicado a los datos de baja frecuencia, arroja una varianza explicada de un 98,76 %. Finalmente, sumando los datos analizados por el modelo propuesto -datos analizados de alta frecuencia datos analizados de baja frecuencia-, se obtiene una varianza explicada de un 96,46 %, superando los mejores resultados obtenidos en estudios anteriores que obtuvieron un 94% de varianza explicada aproximadamente</p><div id="""""__if72ru4ruh7fewui_once"""""></div><div id=""""__if72ru4ruh7fewui_once""""></div>
<p>The shing sector has an important contribution to exports -nationally-, being a very important activity for the economy of Chile. However, this importance is due to the availability of shery resources, becoming one of the main factors causing uncertainty in this activity, in turn, can hinder and restrict sustainable development of the sector. In order to conserve these resources, government agencies have set catch regulations for these species around the country.</p><p>This project aims to provide support in setting monthly catch quotas for the anchovy in the North Zone of Chile. This research has developed a Sigmoid Neural Network using Swarm Particles Optimizations Algorithms. This model can predict the monthly landings of this resource analyzing the High Frequency data and Low Frequency Data of the anchovy monthly catch quota.</p><p>According to the results, it is observed that proposed model applied to High Frequency Data, achieves an explained variance of 93.13 %, while with the Low Frequency Data, achieves an explained variance of 98.76 %. Finally, adding the data analyzed by the proposed model High Frequency Data Analyzed Low Frequency Data Analyzed, achieves an explained variance of 96,46 %, beating the best results obtained in previous studies reporting 94% of explained variance</p><div id="""""__if72ru4ruh7fewui_once"""""></div><div id=""""__if72ru4ruh7fewui_once""""></div>