Zobrazit v EDS

Estudio de métodos de fusión incorporando aprendizaje profundo en aplicaciones de clasificación de datos ; A study of fusion methods incorporating deep learning for data classification applications ; Estudi de mètodes de fusió incorporant aprenentatge profund en aplicacions de classificació de dades

Uloženo v:
Podrobná bibliografie
Název: Estudio de métodos de fusión incorporando aprendizaje profundo en aplicaciones de clasificación de datos ; A study of fusion methods incorporating deep learning for data classification applications ; Estudi de mètodes de fusió incorporant aprenentatge profund en aplicacions de classificació de dades
Autoři: Su, Shuai
Přispěvatelé: Vergara Domínguez, Luís, Salazar Afanador, Addisson, Escuela Técnica Superior de Ingeniería de Telecomunicación, Departamento de Comunicaciones, Instituto Universitario de Telecomunicación y Aplicaciones Multimedia
Informace o vydavateli: Universitat Politècnica de València
Rok vydání: 2024
Sbírka: Universitat Politécnica de Valencia: RiuNet / Politechnical University of Valencia
Témata: Clasificación, Aprendizaje profundo, Fusión de datos, Classification, Deep learning, Data fusion, TEORÍA DE LA SEÑAL Y COMUNICACIONES, Máster Universitario en Tecnologías, Sistemas y Redes de Comunicaciones-Màster Universitari en Tecnologies, Sistemes i Xarxes de Comunicacions
Popis: [ES] Este proyecto estudiará diversas aplicaciones de clasificación de datos incorporando técnicas de aprendizaje profundo en las etapas de clasificación y/o fusión de datos. Se realizará un análisis comparativo de los resultados obtenidos por los métodos implementados: los que incluyen aprendizaje profundo con métodos convencionales de clasificación y/o fusión de datos. Entre los métodos que se considerarán se encuentran los siguientes: redes neuronales convolucionales (CNN), análisis discriminante lineal y cuadrático (LDA y QDA), máquinas de vectores de soporte (SVM), y bosques de árboles (Random Forest). La calidad de los resultados se evaluará mediante índices tales como la precisión, precisión balanceada, matriz de confusión, etc. En los casos de clasificación en dos clases se estimará la curva Característica Operativa del Receptor (ROC) para evaluar las prestaciones de los detectores implementados en diferentes regímenes de falsa alarma. Además se analizará el coste computacional de los diferentes métodos, así como la varianza de los resultados. ; [EN] This project will study several applications of data classification incorporating deep learning techniques in the data classification and/or fusion stages. It will be performed a comparative analysis of the results of the implemented methods: the ones that include deep learning with conventional classification and/or fusion methods. The methods considered would include the following: convolutional neural network (CNN), linear and quadratic discriminant analysis (LDA and QDA), support vector machine (SVM), and random forest (RF). The quality of classification results will be evaluated using indices such as accuracy, balanced accuracy, confusion matrix, In the cases of two-class classification, the receiver operating characteristic (ROC) curve will be estimated and discussed for different levels of false alarm, as well as the variance of the results. ; Su, S. (2024). Estudio de métodos de fusión incorporando aprendizaje profundo en aplicaciones de ...
Druh dokumentu: master thesis
Popis souboru: application/pdf
Jazyk: Spanish; Castilian
Relation: https://riunet.upv.es/handle/10251/209662
Dostupnost: https://riunet.upv.es/handle/10251/209662
Rights: http://rightsstatements.org/vocab/InC/1.0/ ; info:eu-repo/semantics/openAccess
Přístupové číslo: edsbas.E52E6FB2
Databáze: BASE
Popis
Abstrakt:[ES] Este proyecto estudiará diversas aplicaciones de clasificación de datos incorporando técnicas de aprendizaje profundo en las etapas de clasificación y/o fusión de datos. Se realizará un análisis comparativo de los resultados obtenidos por los métodos implementados: los que incluyen aprendizaje profundo con métodos convencionales de clasificación y/o fusión de datos. Entre los métodos que se considerarán se encuentran los siguientes: redes neuronales convolucionales (CNN), análisis discriminante lineal y cuadrático (LDA y QDA), máquinas de vectores de soporte (SVM), y bosques de árboles (Random Forest). La calidad de los resultados se evaluará mediante índices tales como la precisión, precisión balanceada, matriz de confusión, etc. En los casos de clasificación en dos clases se estimará la curva Característica Operativa del Receptor (ROC) para evaluar las prestaciones de los detectores implementados en diferentes regímenes de falsa alarma. Además se analizará el coste computacional de los diferentes métodos, así como la varianza de los resultados. ; [EN] This project will study several applications of data classification incorporating deep learning techniques in the data classification and/or fusion stages. It will be performed a comparative analysis of the results of the implemented methods: the ones that include deep learning with conventional classification and/or fusion methods. The methods considered would include the following: convolutional neural network (CNN), linear and quadratic discriminant analysis (LDA and QDA), support vector machine (SVM), and random forest (RF). The quality of classification results will be evaluated using indices such as accuracy, balanced accuracy, confusion matrix, In the cases of two-class classification, the receiver operating characteristic (ROC) curve will be estimated and discussed for different levels of false alarm, as well as the variance of the results. ; Su, S. (2024). Estudio de métodos de fusión incorporando aprendizaje profundo en aplicaciones de ...