<p>Esta memoria de título representa un modelo de pronóstico de Redes Neuronales Artificiales -RNA- basado en el algoritmo evolutivo Optimización por Enjambre de Partículas -PSO-, para pronosticar el nivel de captura mensual de sardinas en la zona norte de Chile, que comprende el periodo entre Enero 1976 a Diciembre de 2007.</p><p>Este pez es una de las especies pelágicas más importantes de nuestro país, es por esto que debido a la caída que sufrió en la población esta especie en 1983, la extracción de la sardina está sujeta a regulaciones. A consecuencia de esto es que el pronóstico de capturas toma un rol muy importante en el nivel de stocks, previo a la toma de decisiones. El modelo que se utilizó para dar solución a la problemática consistió en una Red Neuronal Wavelet -RNW- con función de activación Derivada de la Gaussiana, y una configuración de parámetros internos mediante la utilización del algoritmo PSO. Finalmente, los resultados indican que el modelo RNW con PSO, ajustado con peso dinámico, y con una topología de red configurada en cuatro nodos de entrada, tres nodos ocultos y un nodo de salida, presenta el mejor desempeño logrando un 97,56% de la varianza explicada y un 18,85% de SMAPE</p>
<p>This thesis represents a forecast model of Artificial Neural Networks -ANN- based onthe evolutionary algorithm: Particle Swarm Optimization -PSO-, to forecast the monthly catch level of sardines in the northern Chile that covers the period from January 1976 to December 2007. This fish is one of the most important pelagic species of our country, which is why due to the fall in the population that suffered this species in 1983; the extraction of sardine is subject to regulations.</p><p>A consequence of this is that the forecast catches plays an important role in the stocks level, previous to making decisions. The model was used to solve the problem consisted of a Wavelet Neural Network (WNN) with Derivative of Gaussian activation function, and a internal parameters configuration using PSO algorithm.</p><p>Finally, results indicate that RNW model with PSO, dynamic weight adjusted, and a network topology configured in four inputs nodes, three hidden nodes and one output node, presents the best performance achieving a 97.56% of the explained variance and 18.85% of SMAPE</p>
last modification
Licenciado en Ciencias de la Ingeniería
Ingeniero Civil en Informáticatítulo
INGENIERIA CIVIL INFORMATICA
<p>Esta memoria de título representa un modelo de pronóstico de Redes Neuronales Artificiales -RNA- basado en el algoritmo evolutivo Optimización por Enjambre de Partículas -PSO-, para pronosticar el nivel de captura mensual de sardinas en la zona norte de Chile, que comprende el periodo entre Enero 1976 a Diciembre de 2007.</p><p>Este pez es una de las especies pelágicas más importantes de nuestro país, es por esto que debido a la caída que sufrió en la población esta especie en 1983, la extracción de la sardina está sujeta a regulaciones. A consecuencia de esto es que el pronóstico de capturas toma un rol muy importante en el nivel de stocks, previo a la toma de decisiones. El modelo que se utilizó para dar solución a la problemática consistió en una Red Neuronal Wavelet -RNW- con función de activación Derivada de la Gaussiana, y una configuración de parámetros internos mediante la utilización del algoritmo PSO. Finalmente, los resultados indican que el modelo RNW con PSO, ajustado con peso dinámico, y con una topología de red configurada en cuatro nodos de entrada, tres nodos ocultos y un nodo de salida, presenta el mejor desempeño logrando un 97,56% de la varianza explicada y un 18,85% de SMAPE</p>
<p>This thesis represents a forecast model of Artificial Neural Networks -ANN- based onthe evolutionary algorithm: Particle Swarm Optimization -PSO-, to forecast the monthly catch level of sardines in the northern Chile that covers the period from January 1976 to December 2007. This fish is one of the most important pelagic species of our country, which is why due to the fall in the population that suffered this species in 1983; the extraction of sardine is subject to regulations.</p><p>A consequence of this is that the forecast catches plays an important role in the stocks level, previous to making decisions. The model was used to solve the problem consisted of a Wavelet Neural Network (WNN) with Derivative of Gaussian activation function, and a internal parameters configuration using PSO algorithm.</p><p>Finally, results indicate that RNW model with PSO, dynamic weight adjusted, and a network topology configured in four inputs nodes, three hidden nodes and one output node, presents the best performance achieving a 97.56% of the explained variance and 18.85% of SMAPE</p>