| dc.rights.license | http://creativecommons.org/licenses/by-nc/4.0 - Atribución-NoComercial | es_MX |
| dc.contributor | JOSE ALFREDO HERNANDEZ PEREZ | es_MX |
| dc.contributor.author | ULISES CRUZ JACOBO | es_MX |
| dc.contributor.other | director - Director | es_MX |
| dc.coverage.spatial | MEX - México | es_MX |
| dc.date | 2022-06-03 | |
| dc.date.accessioned | 2022-12-02T14:41:43Z | |
| dc.date.available | 2022-12-02T14:41:43Z | |
| dc.identifier.uri | http://riaa.uaem.mx/handle/20.500.12055/2852 | |
| dc.description | El objetivo primordial de esta Tesis Doctoral es proponer una metodología computación que permita realizar la optimización de diferentes sistemas experimentales generando modelos de procesos, en aplicaciones complejas del área de ingeniería, para las cuales muy costoso o tomaría mucho tiempo realizar los cálculos matemáticos para encontrar la relación directa que existe entre las variables de entrada y las variables de salida mediante modelos matemáticos sencillos o aproximaciones estadísticas.
Aunado a la creación del modelo del sistema experimental estudiado, resulta ser de gran interés el hecho de aplicar métodos metaheurísticos con los que se han de resolver las funciones objetivo con las que se realzará la optimización buscando tener además un costo computacional mínimos. Estos metaheurísticos pueden obtener valores óptimos para múltiples variables incógnitas al mismo tiempo. En la actualidad para muchos de los problemas de clasificación, regresión, clasificación y optimización, se hace uso de metodologías computacionales nuevas, basadas en inteligencia artificial. La inteligencia artificial es parte de las ciencias computacionales que busca hacer automática la respuesta de un sistema a los estímulos que recibe y aportar una salida valida de manera física. Esta clase de respuesta se produce a una fase de entrenamiento en la que de forma literal se realiza un proceso de aprendizaje, en este entrenamiento se presentan muestras o registros históricos válidos, con sus correspondientes salidas, de esta forma se
logra llevar a cabo este proceso de aprendizaje y a partir de esto propone los valores de salida correspondientes a nuevos estímulos que no fueron utilizados en la fase de entrenamiento previamente.
Esto tipo de entrenamiento se llama aprendizaje supervisado. Aunque también se puede dar el caso de que el modelo se genere a partir de la asociación de las variables de entrada con características similares entre sí para obtener una clasificación de las muestras de entrada sin necesidad de un patrón de salida. Este modelo de aprendizaje se llama no supervisado. Una de las herramientas de la inteligencia artificial para la clasificación y simulación son las redes neuronales artificiales ANN. Estas ANN son modelos que han demostrado sus ventajas en el ámbito del modelado y de la simulación o predicción frente a otros métodos clásicos. No podemos dejar de mencionar el preprocesamiento de las variables para optimizar la
respuesta de un sistema de predicción basado en redes neuronales. Tan importante es la adecuación de las variables de entrada como el correcto diseño del sistema predictivo. Por ello, se ha dedicado especial atención al análisis de la selección de variables de entrada de un sistema y su transformación (escalado, proyección, etc.) para optimizar su respuesta. En concreto, se ha hecho uso de un criterio que se utiliza cada vez más para decidir qué variables son verdaderamente importantes para una predicción. Dicho criterio de denomina Test Delta, y es un estimador no paramétrico que se basa en la aproximación de la varianza del ruido a la salida de una función. La combinación de variables de entrada que suponga la
minimización de dicho criterio conseguirá un óptimo comportamiento predictivo de la red neuronal bajo estudio. Este método se evaluará sobre conjuntos de datos reales para comprobar su utilidad práctica. | es_MX |
| dc.format | pdf - Adobe PDF | es_MX |
| dc.language | spa - Español | es_MX |
| dc.publisher | El autor | es_MX |
| dc.rights | openAccess - Acceso Abierto | es_MX |
| dc.subject | 7 - INGENIERÍA Y TECNOLOGÍA | es_MX |
| dc.subject.other | 33 - CIENCIAS TECNOLÓGICAS | es_MX |
| dc.title | La multivariabilidad de la inversa de la red neuronal artificial aplicada a procesos | es_MX |
| dc.type | doctoralThesis - Tesis de doctorado | es_MX |
| uaem.unidad | Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAp)- Instituto de Investigación en Ciencias Básicas y Aplicadas (IICBA) - Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAp)- Instituto de Investigación en Ciencias Básicas y Aplicadas (IICBA) | es_MX |
| uaem.programa | Doctorado en Ingeniería y Ciencias Aplicadas - Doctorado en Ingeniería y Ciencias Aplicadas | es_MX |
| dc.type.publication | acceptedVersion | es_MX |
| dc.audience | researchers - Investigadores | es_MX |
| dc.date.received | 2022-11-15 | |
