Modelación matemática neuro-difusa para simular el caudal y nivel del flujo de agua en los ríos

• Autor: Morante Morán, Ángello
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/18678
• Enlace del recurso: http://hdl.handle.net/20.500.14076/18678
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales; Algoritmo de aprendizaje; Inferencia difusa; https://purl.org/pe-repo/ocde/ford#1.01.02

Las Redes Neuronales Artificiales, constituyen una herramienta que se ha aplica¬do en las últimas décadas a distintos campos del conocimiento (desde la Robótica a la Psicología), con buenos resultados. A partir de 1991 aparece unas de las primeras aplicaciones en Hidrología; como predicción de lluvia, consumo de agua, estimación y predicción de caudales. En esta tesis, se ha incorporado herramientas de inferencia difusa a una red neuronal artificial recurrente, lo que origina el concepto de Red Neuronal Difusa Recurrente. Este tipo de red tiene la ventaja de ser más adaptable que una red neuronal usual para el estu¬dio de sistemas caóticos. En primer lugar, porque escogiendo funciones de pertenencia triangular y trabajando sin capas ocultas, la función de error es cuadrática respecto a los pesos sinápticos; lo cual facilita el hallazgo de un valor mínimo global mediante el método de la pendiente máxima. En segundo lugar, porque para encontrar su funciona¬miento óptimo; en lugar de cambiar el número de capas ocultas, como se hace en una red neuronal usual; se puede trabajar sin capas ocultas y cambiar solo el número de fun¬ciones de pertenencia involucradas, reduciendo el costo computacional. Como aplicación de la metodología mencionada en el párrafo anterior; al considerar el caudal y nivel del flujo de agua de un río como variables almacenadas en registros hidrométricos históricos, que funcionan como una serie de tiempo con un orden de re¬traso finito; se podrá modelar el comportamiento de dichas variables para su monitoreo a corto plazo.