Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.espe.edu.ec/handle/21000/36707
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Lara Cueva, Román Alcides | - |
dc.contributor.author | Iglesias Giler, Iván Alejandro | - |
dc.contributor.author | Rosero Arciniega, Luis Alejandro | - |
dc.date.accessioned | 2023-08-07T23:44:13Z | - |
dc.date.available | 2023-08-07T23:44:13Z | - |
dc.date.issued | 2023 | - |
dc.identifier.citation | Iglesias Giler, Iván Alejandro y Rosero Arciniega, Luis Alejandro (2023). Implementación de un sistema clasificador de microterremotos del volcán Cotopaxi basado en técnicas de Deep Learning. Carrera de Ingeniería en Electrónica y Telecomunicaciones. Universidad de las Fuerzas Armadas ESPE. Matriz Sangolquí. | es_ES |
dc.identifier.other | 058092 | - |
dc.identifier.uri | http://repositorio.espe.edu.ec/handle/21000/36707 | - |
dc.description.abstract | La integración de las tecnologías de inteligencia artificial (AI, del inglés Artificial Intelligence) y aprendizaje profundo (DL, del inglés Deep Learning) tiene una importancia significativa en el monitoreo de riesgos para la seguridad pública de Ecuador. Con los riesgos potenciales asociados a las erupciones volcánicas, la adopción de estas tecnologías tiene el potencial de revolucionar los sistemas de monitoreo y permiten el modelado predictivo para la evaluación efectiva del comportamiento volcánico. El presente estudio se centra en la clasificación de microsismos volcánicos de Largo Período (LP, del inglés Long Period) y Volcano Tectónico (VT, del inglés Volcano Tectonic) como indicadores de actividad volcánica utilizando algoritmos DL: Autoencoder Apilado (SA, del inglés Stacked Autoencoder) y Red Neuronal Profunda (DNN, del inglés Deep Neural Network), mediante aprendizaje supervisado. El análisis incorpora métricas de rendimiento como la exactitud, la precisión, la sensibilidad, la especificidad y la tasa de error balanceada (BER, del inglés Balanced Error Rate). El estudio utiliza para el entrenamiento y las pruebas una base de datos original, una base de datos sintética y una base de datos mixta que combina datos originales y sintéticos. Además, los microsismos volcánicos se enriquecen al agregar los coeficientes de dos transformadas Wavelet discretas, Daubechies y Symlets, lo que da lugar a otras dos bases de datos mixtas, con un total de cinco conjuntos de datos. La investigación evalúa los algoritmos SA y DNN en la clasificación de microsismos volcánicos, teniendo en cuenta la posible influencia de las transformadas Wavelet. El estudio revela resultados superiores en la clasificación de microsismos volcánicos LP y VT del Cotopaxi a través de pruebas realizadas con los algoritmos SA y DNN, que consiguen mejorar el objetivo del IGEPN de obtener un valor de BER de 0.01. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad de las Fuerzas Armadas ESPE. Carrera de Ingeniería en Electrónica y Telecomunicaciones | es_ES |
dc.rights | openAccess | es_ES |
dc.subject | CLASIFICACIÓN | es_ES |
dc.subject | COTOPAXI | es_ES |
dc.subject | APRENDIZAJE PROFUNDO | es_ES |
dc.subject | APRENDIZAJE SUPERVISADO | es_ES |
dc.subject | MICROSISMOS VOLCÁNICOS | es_ES |
dc.title | Implementación de un sistema clasificador de microterremotos del volcán Cotopaxi basado en técnicas de Deep Learning | es_ES |
dc.type | bachelorThesis | es_ES |
Aparece en las colecciones: | Tesis - Carrera de Ingeniería en Electrónica y Telecomunicaciones |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
T-ESPE-058092.pdf | TRABAJO DE TITULACIÓN | 5,26 MB | Adobe PDF | Visualizar/Abrir |
T-ESPE-058092-R.pdf | RESUMEN | 13,3 kB | Adobe PDF | Visualizar/Abrir |
T-ESPE-08092-D.pdf | DEFENSA | 3,16 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.