|
Abstract:
|
El propósito de esta Tesis Doctoral es proponer una alternativa viable a la aproximación demodelos y procesos en el ámbito científico y, más concretamente, en aplicaciones complejas debioingeniería, en las cuales es imposible o muy costoso encontrar una relación directa entrelas señales de entrada y de salida mediante modelos matemáticos sencillos o aproximacionesestadísticas.Del mismo modo, es interesante lograr una compactación de los datos que necesita unmodelo para conseguir una predicción o clasificación en un tiempo y con un coste de implementaciónmínimos. Un modelo puede ser simplificado en gran medida al reducir el númerode entradas o realizar operaciones matemáticas sobre éstas para transformarlas en nuevasvariables.En muchos problemas de regresión (aproximación de funciones), clasificación y optimización,en general se hace uso de las nuevas metodologías basadas en la inteligencia artificial. La inteligenciaartificial es una rama de las ciencias de la computación que busca automatizar lacapacidad de un sistema para responder a los estímulos que recibe y proponer salidas adecuadasy racionales. Esto se produce gracias a un proceso de aprendizaje, mediante el cualse presentan ciertas muestras o �ejemplos� al modelo y sus correspondientes salidas y ésteaprende a proponer las salidas correspondientes a nuevos estímulos que no ha visto previamente.Esto se denomina aprendizaje supervisado. También puede darse el caso de que talmodelo asocie las entradas con características similares entre sí para obtener una clasificaciónde las muestras de entrada sin necesidad de un patrón de salida. Este modelo de aprendizajese denomina no supervisado.El principal exponente de la aplicación de la inteligencia artificial para aproximación defunciones y clasificación son las redes neuronales artificiales. Se trata de modelos que handemostrado sobradamente sus ventajas en el ámbito del modelado estadístico y de la predicciónfrente a otros métodos clásicos.N |
