Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/8725| Tipo de material: | bachelorThesis |
| Título : | Deep-learning for volcanic seismic events classification |
| Autor : | Arroyo, Rodrigo José |
| Director de Tesis : | Pérez, Noel, dir. |
| Descriptores : | Redes neuronales (Computadores) - Sismología - Tesis y disertaciones académicas.;Aprendizaje automático (Inteligencia artificial) |
| Fecha de publicación : | 2020 |
| Editorial : | Quito |
| Citación : | Tesis (Ingeniero en Sistemas), Universidad San Francisco de Quito, Colegio de Ciencias e Ingenierías; Quito, Ecuador, 2020 |
| Páginas : | 32 h. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | En este trabajo, proponemos un nuevo método para clasificar entre spectrograms Long-Period y Volcano-Tectonic utilizando seis diferentes arquitecturas de conocimiento profundo. El método desarrollado utiliza tres redes neuronales convolucionales llamadas: DCNN1, DCNN2 y DCNN3. De igual manera tres redes neuronales convolucionales son combinadas con redes neuronales recurrentes llamadas: DCNN-RNN1, DCNN-RNN2, y DCNN-RNN3 para maximizar el valor del area bajo la curva (ROCAUC) en un datases de espectrogramas de eventos sísmicos volcánicos. Los modelos DCNN-RNN1, DCNN-RNN2, y DCNN-RNN3 alcanzaron los desempeños más bajos debido a que presentaron overfitting, y esto puede ser a causa de la pequeña cantidad de muestras por clase utilizadas para entrenar estos modelos ta complejos... |
| Descripción : | In this work, we proposed a new method to classify long-period and volcano-tectonic spectrogram images using six different deep learning architectures. The developed method used three deep convolutional neural networks named: DCNN1, DCNN2, and DCNN3. Also, three deep convolutional neural networks combined with deep recurrent neural networks named DCNN-RNN1, DCNN-RNN2, and DCNN-RNN3 to maximize the area under the curve of the receiver operating characteristic scores on a dataset of volcano seismic spectrogram images. The DCNN-RNN1, DCNN-RNN2, and DCNN-RNN3 models reached the worst results due to the overfitting, and this happened due to the small number of samples per class employed to train these complex models... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/8725 |
| Aparece en las colecciones: | Tesis - Ingeniería en Ciencias de la Computación |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 146068.pdf | TESIS TEXTO COMPLETO | 1.09 MB | Adobe PDF |  Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
