Modelo ondulatorio local aplicando modelos matemáticos con redes neuronales artificiales, regresión lineal múltiple en la urbanización Totorani Puno

• Autores: Vilca Atencio, Joel Nexon, Ccopa Gutierrez, Jhon Walter
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/17968
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/17968
• Nivel de acceso: acceso abierto
• Materia: GNSS; Modelo geoidal; Nivelación; Red neuronal artificial; Regresión; https://purl.org/pe-repo/ocde/ford#1.05.05

La presente investigación titulada “Modelo ondulatorio local aplicando modelos matemáticos con redes neuronales artificiales, regresión lineal múltiple en la Urbanización Totorani Puno”, Distrito, Provincia y Departamento de Puno. El objetivo general fue, determinar el modelo geoidal local aplicando modelos matemáticos con redes neuronales artificiales, regresión lineal múltiple (GNSS/nivelación) y los objetivos específicos fueron: determinar la malla ondulatoria mediante los modelos matemáticos y comparar las aproximaciones ondulatorias obtenidas mediante los mismos con respecto a las altitudes conocidas respectivamente. El método utilizado para generar la malla ondulatoria es a través de las predicciones empleando coordenadas Este y Norte. El tratamiento estadístico de la presente investigación fue t Student, el resultado de la prueba estadística para la regresión lineal múltiple, se obtuvo un valor de t=-0.428, quedando menor al valor critico t_0.05=2.31, por lo que se acepta la hipótesis nula, de igual forma para las redes neuronales artificiales, se obtuvo un valor de t=-0.267, quedando menor al valor critico t_0.05=2.31, por lo que acepta la hipótesis nula. En conclusión, del análisis comparativo estadístico, concluye que el modelo matemático de regresión lineal múltiple es el más próximo a las alturas obtenidas por método GNNS/nivelación, que alcanza una precisión de 0.012m y las redes neuronales artificiales llega a una precisión de 0.020m.