- -

Modelado de series climatológicas mediante una red neuronal artificial

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Modelado de series climatológicas mediante una red neuronal artificial

Mostrar el registro sencillo del ítem

Ficheros en el ítem

Thumbnail
Nombre: Palazón;García - ...
Tamaño: 448.8Kb
Formato: PDF
Descripción: Versión editorial
Abrir
dc.contributor.author Palazón González, Jesús es_ES
dc.contributor.author García Guzmán, Adela es_ES
dc.contributor.author García Guzmán es_ES
dc.date.accessioned 2020-04-01T10:58:27Z
dc.date.available 2020-04-01T10:58:27Z
dc.date.issued 2004-03-31
dc.identifier.issn 1134-2196
dc.identifier.uri http://hdl.handle.net/10251/139967
dc.description.abstract [ES] Se ha desarrollado un modelo de red neuronal para caracterizar series meteorológicas que son difíciles de modelar con los métodos clásicos de inferencia estadística. Concretamente, se ha utilizado la red neuronal para cuantificar la relación intensidad – duración de la lluvia, variables que se encuentran interrelacionadas de una forma muy imprecisa. El modelo contiene funciones de transferencia no lineales e incluye términos de naturaleza estadística en la función de error. Para estimar los parámetros de la red neuronal se ha desarrollado un algoritmo de aprendizaje adaptado a funciones de error no derivables. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Ingeniería del agua es_ES
dc.rights Reserva de todos los derechos es_ES
dc.subject Intensidad de la lluvia es_ES
dc.subject Dependencia de la intensidad y duración de la lluvia es_ES
dc.subject Red neuronal artificial es_ES
dc.subject Términos de error en una red neuronal artificial es_ES
dc.title Modelado de series climatológicas mediante una red neuronal artificial es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/ia.2004.2521
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Palazón González, J.; García Guzmán, A.; García Guzmán (2004). Modelado de series climatológicas mediante una red neuronal artificial. Ingeniería del agua. 11(1):41-52. https://doi.org/10.4995/ia.2004.2521 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/ia.2004.2521 es_ES
dc.description.upvformatpinicio 41 es_ES
dc.description.upvformatpfin 52 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 11 es_ES
dc.description.issue 1 es_ES
dc.identifier.eissn 1886-4996
dc.relation.pasarela OJS\2521 es_ES
dc.description.references Alvarez, J., y S. Bolado (1996). Descripción de los procesos de infiltración mediante redes neuronales artificiales. Ing. Agua. 3: 39 - 46. es_ES
dc.description.references ASCE task committee on application of artificial neural networks in hydrology (2000). Artificial neural networks in hydrology, I: preliminary concepts. J. Hydrol. Engng. 5: 115 - 123. es_ES
dc.description.references Bárdossy, A. (1998). Generating precipitation time series using simulated annealing. Water Resour. Res. 34: 1737 - 1744. es_ES
dc.description.references Cancelliere, A., G. Giuliano, A. Ancarani y G. Rossi (2002). A neural networks approach for deriving irrigation reservoir operating rules. Water Resour. Mgmt. 16: 71 - 88. es_ES
dc.description.references Cybenko, G. (1989). Approximations by superpositions of a sigmoidal function. Math. Control, Signals Syst. 2: 303 - 314. es_ES
dc.description.references Dibike, Y. B., D. Solomatine y M. B. Abbott (1999). On the encapsulation of numerical hydraulic models in artificial neural network. J. Hydr. Res. 37: 147 - 161. es_ES
dc.description.references Eagleson, P. S. (1978). Climate, soil and vegetation (2): The distribution of annual precipitation derived from storm sequences. Water Resour. Res. 14: 713 - 721. es_ES
dc.description.references Entakhabi, D., I. Rodríguez Iturbe y P. S. Eagleson (1989). Representation of the temporal rainfall process by a modified Neyman Scott rectangular pulse model: Parameter estimation and validation. Water Resour. Res.25: 295 - 302. es_ES
dc.description.references Fine, T. L. (1999). Feedforward neural network methodology. Ed. Springer - Verlag es_ES
dc.description.references Freeman, J. A., y D. M. Skapura (1993). Redes neuronales: algoritmos, aplicaciones y técnicas de programación. Ed. Addison - Wesley es_ES
dc.description.references French, M. N., W. F. Krajewski y R. R. Cuykendall (1992). Rainfall forecasting in space and time using a neural network. J. Hydrol. 137: 1 - 31. es_ES
dc.description.references Funahashi, K. I. (1989). On the approximate realization of continuous mappings by neural networks. Neural Networks 2: 183 - 192. es_ES
dc.description.references Goel, N. K., R. S. Kurothe, B. S. Mathur y R. M. Vogel (2000). A derived flood frequency distribution for correlated rainfall intensity and duration. J. Hydrol.228: 56 - 67. es_ES
dc.description.references Govindaraju, R. S., y A. Ramachandra Rao (2000). Artificial neural networks in hydrology. Ed. Kluwer Academic Publishers es_ES
dc.description.references Hagan, M., y M. Menhaj (1994). Training feedforward networks with the Marquardt algorithm. IEEE Trans. On Neural Networks 5: 989 - 993. es_ES
dc.description.references Hecht - Nielsen, R. (1987). Kolmogorov's mapping neural network existence theorem. Proc. Int. Conf. on Neural Networks 3: 11 - 13, IEEE Press. es_ES
dc.description.references Hecht - Nielsen, R. (1990). Neurocomputing. Ed. Addison - Wesley es_ES
dc.description.references Hilera González, J. R., y V. J. Martínez Hernando (1995). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Ed. Ra - Ma es_ES
dc.description.references Himmelblau, D. M. (1972). Applied nonlinear programming. Ed. McGraw - Hill es_ES
dc.description.references Hornik, K., M. Stinchcombe y H. White (1990). Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks. Neural Networks 3: 551 - 560. es_ES
dc.description.references Hsu, K. L., H. V. Gupta y S. Sorooshian (1995). Artificial neural network modeling of the rainfall - runoff process. Water Resour. Res. 31: 2517 - 2530. es_ES
dc.description.references Hsu, K. L., H. V. Gupta, X. Gao y S. Sorooshian (1999). Estimation of physical variables from multichannel remotely sensed imagery using a neural network: application to rainfall estimation. Water Resour. Res. 35: 1605 - 1618. es_ES
dc.description.references Hutchinson, M. F. (1990). A point rainfall model based on a three state continuous Markov occurrence process. J. Hydrol. 114: 125 - 148. es_ES
dc.description.references Istok, J. D. y L. Boersma (1989). A stochastic cluster model for hourly precipitation data. J. Hydrol. 106: 257 - 285. es_ES
dc.description.references Johansson, E. M., F. U. Dowla y D. M. Goodman (1992). Backpropagation learning for multilayer feedforward neural networks using the conjugate gradient method. Int. J. Neural Syst. 2: 291 - 301. es_ES
dc.description.references Kao, J. J. (1996). Neural net for determining DEM based model drainage pattern. J. Irrigation and Drainage Engng. 122: 112 - 121. es_ES
dc.description.references Kolmogorov, A. N. (1957). On the representations of continuous functions of many variables by superpositions of continuous functions of one variable and addition. Dokl. Akad. Nauk USSR 114: 953 - 956. es_ES
dc.description.references Kurkova, V. (1991). Kolmogorov's theorem is relevant. Neural Computation 3: 617 - 622. es_ES
dc.description.references Leshno, M., V. Lin, A. Pinkus y S. Schocken (1993). Multilayer feedforward networks with a nonpolynomial activation function can approximate any function. Neural Networks 6: 861 - 867. es_ES
dc.description.references Maier, H. R., y G. C. Dandy (1999). Empirical comparison of various methods for training feedforward neural networks for salinity forecasting. Water Resour. Res.35: 2591 - 2596. es_ES
dc.description.references Martín del Brío, B. y A. Sanz Molina. (1997) Redes neuronales y sistemas borrosos. Ed. Ra - Ma es_ES
dc.description.references Mason, J. C., R. K. Price y A. Tem'me (1996). A neural network model of rainfall runoff using radial basis functions. J. Hydr. Res. 34: 537 - 548. es_ES
dc.description.references Morshed, J., y J. J. Kaluarachchi (1998). Parameter estimation using artificial neural network and genetic algorithm for free product migration and recovery. Water Resour. Res. 34: 1101 - 1113. es_ES
dc.description.references Rodríguez Iturbe, I., B. Febres de Powder y J. B. Valdés (1987). Rectangular pulses point processes for rainfall: Analysis of empirical data. J. Geophysical Res. 92: 9645 - 9656. es_ES
dc.description.references Rogers, L. L., y F. U. Dowla (1994). Optimization of groundwater remediation using artificial neural networks with parallel solute transport modeling. Water Resour. Res.30: 457 - 481. es_ES
dc.description.references Schaap, M.G., y W. Bouten (1996). Modeling water retention curves of sandy soils using neural networks. Water Resour. Res. 32: 3033 - 3040. es_ES
dc.description.references Swingler, K. (1996). Applying neural networks: a practical guide. Ed. Morgan Kaufman Publishers, Inc. es_ES
dc.description.references Whitley, R., y T. V. Hromadka II (1999). Approximate confidence intervals for design floods for a single site using a neural network. Water Resour. Res. 35: 203 - 209. es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem