@prefix config: . @prefix meta: . @prefix rdf: . @prefix rdfs: . @prefix xsd: . @prefix owl: . @prefix dc: . @prefix dcmitype: . @prefix dcterms: . @prefix foaf: . @prefix geo: . @prefix om: . @prefix locn: . @prefix schema: . @prefix skos: . @prefix dbpedia: . @prefix p: . @prefix yago: . @prefix units: . @prefix geonames: . @prefix prv: . @prefix prvTypes: . @prefix doap: . @prefix void: . @prefix ir: . @prefix ou: . @prefix teach: . @prefix time: . @prefix datex: . @prefix aiiso: . @prefix vivo: . @prefix bibo: . @prefix fabio: . @prefix vcard: . @prefix swrcfe: . @prefix frapo: . @prefix org: . @prefix ei2a: . @prefix pto: . dcterms:creator "Peguero Chamizo, Juan Carlos"; vcard:url ; dcterms:identifier "2003-11"; ou:programaDoctorado "Electronica Y Control"; dcterms:dateSubmited "2003-11-21T00:00:00"^^xsd:dateTime; a bibo:Thesis; dcterms:director "Jaramillo Morán, Miguel Ángel (Director)", "García Del Valle Alfageme Montserrat (Codirector)"; dcterms:title "Control De Una Planta De Tratamiento De Aguas Residuales Mediante Redes Neuronales"; dcterms:description "En esta Tesis se ha simulado el reactor biológico de una estación depuradora de aguas residuales (EDAR). Su dinámica ha sido controlada mediante una red neuronal que ha aprendido las acciones del técnico de control que gobierna una planta real. Esta red actúa sobre la constante de recirculación de biolados del reactor. Para optimizar la respuesta se ha diseñado un procedimiento iterativo de ajuste de esa constante que lleva la dinámica de la planta a una zona de trabajo óptima. Los valores de ajuste son aprendidos por una segunda red neuronal que es capaz de predecir un valor óptimo dela recirculación las dos redes neuronales utilizadas son convinadas mediante una tercera diseñada con parámetros fijos que ocasiona los efectos de los dos anteriores."; ou:autorTesis .