Examinando por Autor "Rosas, Harvey"

Mostrando 1 - 5 de 5
  • Miniatura
    Ítem
    A self-identification Neuro-Fuzzy inference framework for modeling rainfall-runoff in a Chilean watershed
    (Elsevier, 2021) Morales, Yerel; Querales, Marvin; Rosas, Harvey; Allende-Cid, Hector; Salas, Rodrigo
    Modeling the relationship between rainfall and runoff is an important issue in hydrology, but it is a complicated task because both the high levels of complexity in which both processes are embedded and the associated uncertainty, affect the forecasting. Neuro-fuzzy models have emerged as a useful approach, given the ability of neural networks to optimize parameters in a fuzzy system. In this work a Self-Identification Neuro-Fuzzy Inference Model (SINFIM) for modeling the relationship between rainfall and runoff on a Chilean watershed is proposed to reduce the uncertainty of selecting both the rainfall and runoff lags and the number of membership functions required in a fuzzy system. The data comes from the Diguillín river located in Ñuble region and average daily runoff and average daily rainfall recorded from years 2000 to 2018, according to the Chilean directorate of water resources (DGA). In addition, we worked with the Colorado River basin, located in the Maule region, to validate the method developed. The experimental results showed a good adjustment using the last 3 years as validation set, further improvement was achieved using only the last year was used as validation test, obtaining 84% of and Kling Gupta Efficiency, higher than other forecasting models such as Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial neural networks (ANN), and Long Short-Term Memory (LSTM) approach. In addition, Nash-Sutcliffe efficiency and percent BIAS indicate the method is a promising model. On the other hand, even better results were obtained in the validation basin, whose adjustment was 94% and an efficiency of 97%. Therefore, the proposed model is a solid alternative to forecast the runoff in a given watershed, obtaining good performance measurements, managing to predict both the low and peak runoff values from rainfall events, avoiding the requirement to determine a priori the lags of time series and the number of fuzzy rules.
  • Miniatura
    Ítem
    Biological knowledge-slanted random forest approach for the classification of calcified aortic valve stenosis
    (Bmc, 2021) Cantor, Erika; Salas, Rodrigo; Rosas, Harvey; Guauque-Olarte, Sandra
    Background. Calcific aortic valve stenosis (CAVS) is a fatal disease and there is no pharmacological treatment to prevent the progression of CAVS. This study aims to identify genes potentially implicated with CAVS in patients with congenital bicuspid aortic valve (BAV) and tricuspid aortic valve (TAV) in comparison with patients having normal valves, using a knowledge-slanted random forest (RF). Results. This study implemented a knowledge-slanted random forest (RF) using information extracted from a protein-protein interactions network to rank genes in order to modify their selection probability to draw the candidate split-variables. A total of 15,191 genes were assessed in 19 valves with CAVS (BAV, n = 10; TAV, n = 9) and 8 normal valves. The performance of the model was evaluated using accuracy, sensitivity, and specificity to discriminate cases with CAVS. A comparison with conventional RF was also performed. The performance of this proposed approach reported improved accuracy in comparison with conventional RF to classify cases separately with BAV and TAV (Slanted RF: 59.3% versus 40.7%). When patients with BAV and TAV were grouped against patients with normal valves, the addition of prior biological information was not relevant with an accuracy of 92.6%. Conclusion. The knowledge-slanted RF approach reflected prior biological knowledge, leading to better precision in distinguishing between cases with BAV, TAV, and normal valves. The results of this study suggest that the integration of biological knowledge can be useful during difficult classification tasks.
  • Miniatura
    Ítem
    Delimitación de comunidades de marcas de productos en datos transaccionales para el negocio de venta al por menor utilizando Minería de Grafos
    (Universidad de Valparaíso, 2018-01-26) Brito Lillo, Oscar Marcel; Rosas, Harvey
    En este trabajo, se buscó determinar distintas comunidades de marcas de productos sobre las bases de datos transaccionales de una cadena de supermercados y una de tiendas por departamentos, las cuales pertenecen al negocio de venta al por menor. Los datos representan la venta diaria de cada una de estos negocios en determinados periodos de tiempo. Previo al análisis de la información, se realizó la administración de los datos con el fin de reorganizarlos de tal manera que esto permitiera encontrar los posibles conjuntos de elementos frecuentes. Luego, se calcularon los filtros utilizando el principio de los tres bordes más pesados para la construcción de los grafos y posterior detección de comunidades de marcas de productos utilizando el algoritmo de Newman y Girvan.
  • Miniatura
    Ítem
    Diseño de un marcador somático artificial para un sistema inteligente de clasificación de riesgo ocupacional en faenas mineras
    (Universidad de Valparaíso, 2021-12-15) Arraño Arraño, Javiera Ignacia; Rosas, Harvey
    La minería presenta una serie de peligros de ámbito tanto físico derivados de la posible exposición a condiciones que puedan poner en riesgo la salud de los trabajadores, la necesidad por identificarlos y evaluarlos puede generar una disminución de incidentes como de costos que logre impactar el negocio. Durante los últimos años la utilización de técnicas de machine learning ha tomado una relevancia significativa para llevar a cabo diversos estudios en distintas áreas, pero en seguridad industrial o riesgo ocupacional ha sido algo bastante reciente. El presente trabajo de titulación en conjunto de la empresa Prevsis, se propone una técnica de machine learning, que se incorpora un marcador somático artificial para la clasificación del riesgo ocupacional en el contexto de faenas mineras. Se creó una técnica de reclasificación buscando mejorar la clasificación de la técnica Bosque aleatorio de machine learning, para así realizar una comparación entre ambos casos, sin reclasificación y con reclasificación. Se obtuvieron resultados positivos al aplicar la reclasificación a cada clase del conjunto de datos, generando una disminución al conjunto de mal clasificados.
  • Miniatura
    Ítem
    Una revisión a la metodología de selección de variables utilizada en modelos de riesgos por el Banco de Crédito e Inversiones
    (Universidad de Valparaíso, 2018-12) Barría Olivares, Matías Rolando; Rosas, Harvey
    ¿Cómo identificar si un nuevo cliente que realiza una solicitud de crédito va a hacer devolución del préstamo?, ¿es posible gestionar de mejor forma las operaciones realizadas por los clientes del banco?, ¿es factible tener un sistema que permita alertar sobre un posible atraso en los compromisos crediticios de los clientes? Todas estas preguntas pueden ser aclaradas entendiendo como se aplican los modelos estadísticos en las instituciones que otorgan créditos. En este trabajo de título, se estudió la metodología que tiene actualmente el BCI para construir modelos de riesgos, analizando en base a la teoría si son adecuadas dado el contexto y transformaciones de variables aplicadas en instancias preliminares. En este trabajo de título se logró eliminar ciertas metodologías que no se estaban utilizando de forma adecuada, y se propusieron métodos análogos para reducir dimensiones de variables.