Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/20723
Title: Análisis comparativo entre aprendizaje supervisado y aprendizaje semi-supervisado para la clasificación de señales sísmicas vulcanológicas del volcán Cotopaxi
Authors: Brusil Cruz, Carlos Andrés
Keywords: TECNOLOGÍA
APRENDIZAJE
MICROSISMOS
Issue Date: 7-Jan-2020
Publisher: Quito, 2020.
Citation: Brusil Cruz, C. A. (2020). Análisis comparativo entre aprendizaje supervisado y aprendizaje semi-supervisado para la clasificación de señales sísmicas vulcanológicas del volcán Cotopaxi. 55 hojas. Quito : EPN.
Abstract: Inside of Cotopaxi volcano certain events called vulcanological microseisms occur, it is essential to identify these events to know what we are facing in the face of a possible eruption. However, tagging events is a difficult task that is time consuming and requires expert volcanologists to do this job. To alleviate the need to require abundant tagged data to train a supervised classification algorithm, we propose a semi-supervised approach using a self-training algorithm. First, we extract several relevant characteristics of the microseisms contained in the records of the database provided by the Geophysical Institute. Then we apply principal component analysis to reduce the redundancy present in the characteristics and finally classify the microseisms using an SVM algorithm, in turn, we perform the optimization of SVM hyperparameters to train the algorithm with optimal learning values according to the basis of data available. As a result of this methodology, we show that although the accuracy of the use of a supervised scheme is still better than a semi-supervised one, if we allow a 10% false positive rate, our approach achieves a performance similar to that of supervised techniques. This demonstrates the potential of semi-supervised schemes.
Description: En el interior del volcán Cotopaxi ocurren ciertos eventos denominados microsismos vulcanológicos, es primordial identificar estos eventos para saber a que nos enfrentamos ante una posible erupción. Sin embargo, etiquetar eventos es una tarea difícil que consume mucho tiempo ya requiere de vulcanólogos expertos para hacer este trabajo. Para aliviar la necesidad de requerir abundantes datos etiquetados para entrenar un algoritmo de clasificación supervisado, proponemos un enfoque semi-supervisado utilizando un algoritmo de auto-entrenamiento. Primero, extraemos varias características relevantes de los microsismos contenidos en los registros de la base de datos proporcionada por el Instituto Geofísico. Luego aplicamos análisis de componentes principales para reducir la redundancia presente en las características y finalmente clasificamos los microsismos usando un algoritmo SVM, a su vez, realizamos la optimización de hiperparámetros del SVM para entrenar al algoritmo con valores óptimos de aprendizaje de acuerdo a la base de datos disponible. Como resultado de esta metodología, mostramos que aunque la precisión del uso de un esquema supervisado aún es mejor que uno semi-supervisado, si permitimos un 10 % de tasa de falsos positivos, nuestro enfoque logra un rendimiento similar al de las técnicas supervisadas. Esto demuestra el potencial de los esquemas semi-supervisados.
URI: http://bibdigital.epn.edu.ec/handle/15000/20723
Appears in Collections:Tesis Electrónica y Telecomunicaciones (IET)

Files in This Item:
File Description SizeFormat 
CD 10239.pdf2,71 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.