Estado del arte de algoritmos de Machine Learning para la detección de rupturas súbitas

• Autores: Jaime Ernesto Chiang Cruz, Iliover Vega Gonzalez, Jorge Ramírez Beltrán
• Localización: Ingeniería Hidráulica y Ambiental, ISSN-e 1680-0338, ISSN 2788-6050, Vol. 45, Nº. 2, 2024, págs. 78-89
• Idioma: español
• Títulos paralelos:
  • State of the art of Machine Learning algorithms for burst detection
• Enlaces
  • Texto completo
• Resumen
  • español

    RESUMEN En este trabajo se realiza una revisión de los paradigmas existentes y las técnicas más usadas en la detección de rupturas súbitas, profundizando en las que emplean Machine Learning como herramienta principal para la interpretación de datos. Se comparan la relación entre la efectividad de la detección y los parámetros de cada algoritmo, así como el nivel de procesamiento requerido. Para la Máquina de Soporte Vectorial la efectividad en la detección de ruptura súbita está relacionada de forma exponencial con la cantidad de combinaciones de C y . El árbol de decisión expuesto aumenta su precisión mientras más información del estado de la red tenga. La red neuronal analizada demuestra una efectividad en la detección al nivel del resto de algoritmos tratados manteniendo el compromiso con el nivel de procesamiento.

  • English

    ABSTRACT In this work, a review of the existing paradigms and the most used techniques in the burst detection is carried out, delving into those that use Machine Learning as the main tool for data interpretation. The relationship between detection effectiveness and the parameters of each algorithm, as well as the level of processing required, are compared. For Support Vector Machine, the effectiveness in burst detection is exponentially related to the number of combinations of C and γ. The exposed decision tree increases its precision the more information about the state of the network it has. The artificial neural network demonstrates a detection effectiveness at the level of the rest of the algorithms treated, maintaining the commitment to the processing level.