000108647 001__ 108647
000108647 005__ 20211216104750.0
000108647 037__ $$aTAZ-TFM-2021-565
000108647 041__ $$aspa
000108647 1001_ $$aAlmudévar Atienza, Antonio
000108647 24200 $$aImplementation of different Deep Generative Models techniques for event detection in distributed acoustic sensors
000108647 24500 $$aImplementación de diferentes técnicas de Deep Generative Models para detección de eventos en Sensores Acústicos Distribuidos
000108647 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2021
000108647 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000108647 520__ $$aEn este trabajo se presentan cuatro soluciones que permiten detectar eventos en señales procedentes de sistemas de sensado acústico distribuido (DAS) haciendo uso de técnicas de aprendizaje profundo. La idea del DAS es innovadora y tiene variedad de aplicaciones, algo que motiva el desarrollo de trabajos como el presente. Las señales procedentes de estos sensores son ruidosas y requieren un tratamiento para detectar eventos. Por lo tanto, se proponen varias alternativas para llevar a cabo este tratamiento y es la continuación del trabajo desarrollado en el Trabajo de fin de grado. La idea principal es abordar el problema desde una perspectiva de detección de anomalías, el cual es un problema ampliamente estudiado y para el que existen multitud de soluciones según el escenario.<br />En concreto, en los últimos años, se han utilizado técnicas de aprendizaje profundo para resolver el problema de la detección de anomalías debido al buen rendimiento y flexibilidad que ofrecen. En este texto se dan cuatro propuestas basadas en conceptos como capas convolucionales y recurrentes, Autoencoders, Variational Autoencoders o Generative Adversarial Networks para procesar las señales procedentes de sensores<br />DAS. El rendimiento de estas propuestas se compara en términos de área bajo la<br />curva ROC.<br />El texto se divide en cinco capítulos. El primero es una introducción y sirve para presentar el problema y establecer objetivos. En el segundo se presentan los conceptos teóricos que permiten desarrollar el trabajo. En el tercero se explica la metodología de trabajo y las cuatro propuestas desarrolladas. En el cuarto se presentan el escenario de trabajo, las pruebas realizadas y los resultados obtenidos. Por último, el quinto sirve para evaluar todo el trabajo desarrollado y proponer líneas futuras de investigación.<br /><br />
000108647 521__ $$aMáster Universitario en Modelización e Investigación Matemática, Estadística y Computación
000108647 540__ $$aDerechos regulados por licencia Creative Commons
000108647 700__ $$aOrtega Giménez, Alfonso$$edir.
000108647 7102_ $$aUniversidad de Zaragoza$$b $$c
000108647 8560_ $$f736107@unizar.es
000108647 8564_ $$s16663717$$uhttps://zaguan.unizar.es/record/108647/files/TAZ-TFM-2021-565.pdf$$yMemoria (spa)
000108647 909CO $$ooai:zaguan.unizar.es:108647$$pdriver$$ptrabajos-fin-master
000108647 950__ $$a
000108647 951__ $$adeposita:2021-12-16
000108647 980__ $$aTAZ$$bTFM$$cCIEN
000108647 999__ $$a20210628163320.CREATION_DATE