Clasificación ordinal basada en aprendizaje profundo y neuro-evolución (ORCA-DEEP)

Accesos: 8362
Estado:
No iniciado
Líderes del proyecto:
Colaboradores:
Inicio propuesto:
2021-07-01
Límite propuesto:
2024-07-31

Descripción:

Organismo: Ministerio de ciencia e innovacion

Periodo: 2021-2024

 

Resumen en español:

El proyecto ORCA-DEEP es una propuesta de investigación conjunta entre los grupos de investigación GHEODE (Universidad de Alcalá de Henares) y AYRNA (Universidad de Córdoba). Este proyecto tiene como principal objetivo el desarrollo de nuevos algoritmos para clasificación ordinal, basados en aprendizaje profundo y neuroevolución, y la aplicación de estas técnicas a diferentes problemas en meteorología/clima, energías renovables y medio ambiente. El proyecto se estructura en varias tareas, que incluyen el desarrollo de nuevos algoritmos de aprendizaje profundo para clasificación ordinal, nuevas funciones de activación para arquitecturas de aprendizaje profundo, nuevas técnicas de representación para clasificación ordinal de series temporales, nuevos algoritmos neuroevolutivos para aprendizaje profundo y nuevos meta- heurísticas para mejorar las estructuras neuronales de aprendizaje profundo. La parte de aplicación del proyecto se centra en problemas de clasificación ordinal en meteorología y clima, como la predicción de olas de calor y frío o sequías, problemas de energía renovable, como la predicción de recursos renovables, y problemas ambientales, como la predicción de la temperatura atmosférica. concentración de contaminantes, entre muchos otros.

 

Resumen en inglés:

ORCA-DEEP Project is a joint research proposal between the research groups GHEODE (Universidad de Alcalá de Henares) and AYRNA (Universidad de Córdoba). This project has as main objective the development of new algorithms for ordinal classification, based on deep learning and neuro-evolution, and the application of these techniques to different problems in meteorology/climate, renewable energy and environment. The project is structured in several tasks, which include the development of new deep learning algorithms for ordinal classification, new activation functions for deep learning architectures, new representation techniques for time series ordinal classification, new neuro-evolutionary algorithms for deep learning and new meta-heuristics for improving deep learning neural structures. The application part of the project is focused on ordinal classification problems in meteorology and climate, such as prediction of heat and cold waves or droughts, problems in renewable energy, such as renewable resource prediction, and problems in environment, such as the prediction of atmospheric pollutants concentration, among many others.