Desarrollo de modelos predictivos de contaminantes ambientales
Autor: | Enriqueta Salazar Ruiz |
---|---|
Přispěvatelé: | ORDIERES MERE, JOAQUIN BIENVENIDO, Capuz Rizo, Salvador Fernando, Universitat Politècnica de València. Departamento de Proyectos de Ingeniería - Departament de Projectes d'Enginyeria |
Jazyk: | Spanish; Castilian |
Rok vydání: | 2008 |
Předmět: |
630502 - Elaboración de modelos
Redes neuronales Calidad del aire Máquina de vectores soporte (svm) Minería de datos PM2 5 Frontera EEUU-México 120304 - Inteligencia artificial 6305 02 2509 02 Material particulado - partículas en suspensión - pm 2 Función de base radial (rbf) Frontera us - méxico PROYECTOS DE INGENIERIA 250902 - Contaminación atmosférica Perceptrón multicapa cuadrática (smlp) 3308 01 1203 04 Partículas en suspensión 330801 - Control de la contaminación atmosférica Modelización de la contaminación atmosférica Perceptrón multicapa (mlp) |
Zdroj: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia instname Riunet |
DOI: | 10.4995/Thesis/10251/2504 |
Popis: | El desarrollo de modelos matemáticos predictivos de distinto tipos de fenómenos son aplicaciones fundamentales y útiles de las técnicas de Minería de Datos. Un buen modelo se convierte en una excelente herramienta científica que requiere de la existencia y disposición de grandes volúmenes de datos, además de habilidad y considerable tiempo aplicado del investigador para integrar los conocimientos más relevantes y característicos del fenómeno en estudio.En el caso concreto de ésta tesis, los modelos de predicción desarrollados se enfocaron en la predicción contaminantes ambientales como el valor medio de Partículas Finas (PM2.5) presentes en el aire respirable con un tiempo de anticipación de 8 horas y del Ozono Troposférico Máximo (O3) con 24 horas de anticipación. Se trabajó con un interesante conjunto de técnicas de predicción partiendo con herramientas de naturaleza paramétrica tan sencillas como Persistencia, Modelación Lineal Multivariante, así como la técnica semi-paramétrica: Regresión Ridge además de herramientas de naturaleza no paramétrica como Redes Neuronales Artificiales (ANN) como Perceptron Multicapa (MLP), Perceptrón Multi Capa Cuadrática (SMLP), Función de Base Radial (RBF) y Redes Elman, así como Máquinas de Vectores Soporte (SVM), siendo las técnicas no paramétricas las que generalizaron mejor los fenómenos modelizados. Salazar Ruiz, E. (2008). Desarrollo de modelos predictivos de contaminantes ambientales [Tesis doctoral no publicada]. Universitat Politècnica de València. doi:10.4995/Thesis/10251/2504. |
Databáze: | OpenAIRE |
Externí odkaz: |