Por favor, use este identificador para citar o enlazar este ítem:
http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5286
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Várelo Silgado, Andrés Alfonso. | - |
dc.date.accessioned | 2022-12-12T20:03:27Z | - |
dc.date.available | 2020-09-19 | - |
dc.date.available | 2022-12-12T20:03:27Z | - |
dc.date.issued | 2020 | - |
dc.identifier.citation | Várelo Silgado, A. A. (2020). Modelo matemático para predicción del clima usando Compressive sensing y Deep learning [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5286 | es_CO |
dc.identifier.uri | http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5286 | - |
dc.description | La predicción del estado del tiempo es un aspecto importante en todos los sectores industriales desde la extracción de materias primas, su procesamiento hasta la obtención del producto final. Por este motivo, es necesario tener control del estado del tiempo conociendo la tendencia. Este documento describe el desarrollo de un modelo matemático usando Compressive Sensing para la predicción del clima tomando el promedio diario de variables como Temperatura, Humedad Relativa, Velocidad del viento, Precipitación e insolación desde 2015 hasta 2020 de la base de datos POWER NASA , la técnica implementada fue capaz de reducir la longitud de series de tiempo de 130 puntos hasta 26, 39 y 52 comprimiendo a un 80%, 70%, 60 % respectivamente mediante el uso de las matrices identidad unitaria y la transformada inversa discreta del coseno de un arreglo diagonal para la compresión de los datos, el aprendizaje fue implementando haciendo uso de las librerías Keras y Tensorflow del entorno de desarrollo Python mediante una red neuronal multicapa con optimizador Adam para una mayor velocidad en la extracción de patrones. A nivel general se obtuvieron porcentajes de precisión mejores para la temperatura, humedad relativa, velocidad del tiempo e insolación, pero la precipitación presentó las estadísticas más bajas, se afirma que la técnica cumple las expectativas porque el tener solo 4 años de histórico es muy poco para los métodos tradicionales, pero Compressive Sensing los potencializa para una adecuada predicción de los parámetros. | es_CO |
dc.description.abstract | The weather forecast is an important item in all industry, from extract the raw matery, its processing to get the final product. Thus, it's necessary control the weather knowing its trend. This document describe development a mathematic model using Compressive Sensing to predict the weather with the daily mean of variables like Temperature, Relative Humidity Wind Speed, Precipitation and Insolation from 2015 to 2020 employing POWER NASA data base, this technique was able to reduce time series length with 130 points until 26, 39 and 52 compressing 80%, 70% and 60% respectively utilizing a Identity matrix and its Discrete Cosine Transform to compact the information, the learning was development with Keras and Tensorflow in Python environment through a Multilayer Neural Network with Adam optimizer to faster extract features. Generally, the best accuracy was to Temperature, Relative Humidity, Wind Speed and Insolation but the precipitation got the worst statistics. It affirmed this model comply with expectative because 4 historic years is very low for the traditional methods, but Compressive Sensing strengthened to good forecast. | es_CO |
dc.format.extent | 99 | es_CO |
dc.format.mimetype | application/pdf | es_CO |
dc.language.iso | es | es_CO |
dc.publisher | Universidad de Pamplona- Facultad de Ingenierías y Arquitectura. | es_CO |
dc.subject | El autor no proporciona la información sobre este ítem. | es_CO |
dc.title | Modelo matemático para predicción del clima usando Compressive sensing y Deep learning. | es_CO |
dc.type | http://purl.org/coar/resource_type/c_7a1f | es_CO |
dc.date.accepted | 2020-06-19 | - |
dc.relation.references | M. Jiménez-Carrión, «Modelado y Predicción del Fenómeno El Niño en Piura, Perú mediante Redes Neuronales Artificiales usando Matlab,» SciELO, vol. 29, nº 4, 2018. | es_CO |
dc.relation.references | M. P. G. Villegas, «Sistema multiagente para la predicción de clima para usos agrícolas,» Revista I+D Tecnológico, vol. 13, nº 1, 2017. | es_CO |
dc.relation.references | F. Mercado, «Sistema de inteligencia artificial para la predicción temprana de heladas meteorológicas,» vol. 7, nº 4, 2016. | es_CO |
dc.relation.references | I. Maqsood, «An ensemble of neural networks for weather forecasting, Neural Comput & Applic,» vol. 13, 2004. | es_CO |
dc.relation.references | S. Mathur, «A Feature Based Neural Network Model for,» Engineering and Technology, vol. 34, 2007. | es_CO |
dc.relation.references | M. Hayati, «Application of Artificial Neural Networks for Temperature Forecasting,» Engineering and Technology , vol. 28, 2007. | es_CO |
dc.relation.references | S. Baboo, «An eficient weather forecasting system using Altificial neural network,» International Journal of Environmental Science and Development, vol. 2, 2010. | es_CO |
dc.relation.references | S. Caltagirone, «Air temperature prediction using evolutionary atfi cial neural networks,» vol. 12, 2001. | es_CO |
dc.relation.references | «IDEAM,» [En línea]. Available: http://www.ideam.gov.co/web/tiempo yclima/clima. [Último acceso: 11 mayo 2020 | es_CO |
dc.relation.references | «Blogs.hoy.es,» 11 mayo 2020. [En línea]. Available: http://blogs.hoy.es/ciencia-facil/2013/02/11/que-es-y-como-funciona-el sistema-climatico/?ref=https%3A%2F%2Fwww.goo | es_CO |
dc.relation.references | [En línea]. Available: http://www.ideam.gov.co/web/tiempo-y clima/variabilidad-climatica. [Último acceso: 11 mayo 20 | es_CO |
dc.relation.references | J. Malpica, Departamento de Matemáticas de la UAH, [En línea]. Available: http://www3.uah.es/benito_fraile/ponencias/inteligencia-artificial.pdf. | es_CO |
dc.relation.references | S. D. Warden P., Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, 1 ed., M. Loukides, Ed., Sebastopol, California: O'Reilly Media, 2019 | es_CO |
dc.relation.references | «mc.ai,» 5 Diciembre 2019. [En línea]. Available: https://mc.ai/its-deep learning-times-a-new-frontier-of-data/. [Último acceso: 11 ma | es_CO |
dc.relation.references | «ambientech.org,» [En línea]. Available: https://ambientech.org/la-neurona. [Último acceso: 11 mayo 2020] | es_CO |
dc.relation.references | F. Ucha, «DefinicióABC,» julio 2010. [En línea]. Available: https://www.definicionabc.com/ciencia/neurona.php. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | I. Rovira, «Psicología y Mente,» [En línea]. Available: https://psicologiaymente.com/neurociencias/partes-de-neurona. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | E. Zamora, «Curso de Redes Neuronales,» Ciudad de México, 2015. | es_CO |
dc.relation.references | «bioquimicadental,» enero 2016. [En línea]. Available: https://bioquimicadental.wordpress.com/2016/01/21/potencial-de-accion/. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | S. Raschka, «http://rasbt.github.io/,» 2019. [En línea]. Available: http://rasbt.github.io/mlxtend/user_guide/general_concepts/activation functions/. [Último acceso: 11 mayo 202 | es_CO |
dc.relation.references | S. Verna, 20 junio 2019. [En línea]. Available: https://towardsdatascience.com/understanding-different-loss-functions-for neural-networks-dd1ed0274718. [Último acceso: 11 mayo 2020 | es_CO |
dc.relation.references | C. Vega, «¿Qué es una Red Neuronal? Parte 3.5 : Las Matemáticas de Backpropagation | DotCSV,» 2019 | es_CO |
dc.relation.references | S. Doshi, «medium.com,» 13 enero 2019. [En línea]. Available: https://medium.com/@sdoshi579/optimizers-for-training-neural-network 59450d71caf6. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | L. Sugar. [En línea]. Available: https://ccc.inaoep.mx/~esucar/Clases MetIA/MetIA-16.pd | es_CO |
dc.relation.references | M. Diaz. [En línea]. Available: http://bibing.us.es/proyectos/abreproy/11933/fichero/MEMORIA%252F2%29 Introducci%C3 %B3n+a+la+teor%C3%ADa+del+Compressive+Sensing.pdf. [Último acceso: 11 mayo 2020] | es_CO |
dc.relation.references | Y. Sheng, 1996 | es_CO |
dc.relation.references | D. O. N. Nieto, «EL USO DE LA TRANSFORMADA WAVELET DISCRETA EN LA RECONSTRUCCIÓN DE SEÑALES SENOSOIDALES,» Scientia et Technica Año XIV, nº 38, 2008. | es_CO |
dc.relation.references | «http://catarina.udlap.mx/,» [En línea]. Available: http://catarina.udlap.mx/u_dl_a/tales/documentos/meie/osorio_s_a/capitulo2 .pdf. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | [En línea]. Available: http://www.dmae.upct.es/~paredes/am_ti/apuntes/Tema%202.%20Series% 20y%20transformadas%20de%20Fourier.pdf. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | E. Soria. [En línea]. Available: https://www.uv.es/soriae/tema_5_pds.pdf. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | X. Grandio, 14 julio 2017. [En línea]. Available: https://marketing4ecommerce.net/tensorflow-que-es-y-sus-aplicaciones/. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | J. Torres. [En línea]. Available: https://torres.ai/deep-learning-inteligencia artificial-keras/. [Último acceso: 11 may | es_CO |
dc.relation.references | [En línea]. Available: https://www.redhat.com/es/topics/api/what-are application-programming-interfaces. [Último acceso: 11 mayo 2020 | es_CO |
dc.relation.references | J. Ordoñez. [En línea]. Available: https://www.idento.es/blog/desarrollo web/que-es-una-api-rest/. [Último acceso: 11 mayo | es_CO |
dc.relation.references | P. Stackhousw, 11 febrero 2020. [En línea]. Available: https://power.larc.nasa.gov/docs/services/api/v1/. [Último acceso: 11 mayo 2020]. | es_CO |
dc.relation.references | G. Moreno. [En línea]. Available: http://documentacion.ideam.gov.co/openbiblio/bvirtual/009375/009375.pdf. [Último acceso: 11 mayo 2020]. | es_CO |
dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | es_CO |
dc.type.coarversion | http://purl.org/coar/resource_type/c_2df8fbb1 | es_CO |
Aparece en las colecciones: | Ingeniería Electrónica |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Várelo_2020_TG.pdf | Várelo_2020_TG | 3,08 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.