1. Repositorio Digital USFQ
  2. TESIS COLEGIO DE PREGRADO
  3. COLEGIO DE CIENCIAS E INGENIERÍAS (POLI)
  4. Tesis - Ingeniería en Ciencias de la Computación
Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.usfq.edu.ec/handle/23000/8725
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorPérez, Noel, dir.-
dc.contributor.authorArroyo, Rodrigo José-
dc.date.accessioned2020-05-15T22:21:14Z-
dc.date.available2020-05-15T22:21:14Z-
dc.date.issued2020-
dc.identifier.citationTesis (Ingeniero en Sistemas), Universidad San Francisco de Quito, Colegio de Ciencias e Ingenierías; Quito, Ecuador, 2020es_ES
dc.identifier.urihttp://repositorio.usfq.edu.ec/handle/23000/8725-
dc.descriptionIn 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...es_ES
dc.description.abstractEn 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...es_ES
dc.format.extent32 h.es_ES
dc.language.isoenes_ES
dc.publisherQuitoes_ES
dc.rightsopenAccesses_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 Ecuador*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ec/*
dc.subjectRedes neuronales (Computadores) - Sismología - Tesis y disertaciones académicas.es_ES
dc.subjectAprendizaje automático (Inteligencia artificial)es_ES
dc.subject.otherCienciases_ES
dc.subject.otherComputaciónes_ES
dc.titleDeep-learning for volcanic seismic events classificationes_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: Tesis - Ingeniería en Ciencias de la Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
146068.pdfTESIS TEXTO COMPLETO1.09 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons