Show simple item record

La multivariabilidad de la inversa de la red neuronal artificial aplicada a procesos

dc.rights.licensehttp://creativecommons.org/licenses/by-nc/4.0 - Atribución-NoComerciales_MX
dc.contributorJOSE ALFREDO HERNANDEZ PEREZes_MX
dc.contributor.authorULISES CRUZ JACOBOes_MX
dc.contributor.otherdirector - Directores_MX
dc.coverage.spatialMEX - Méxicoes_MX
dc.date2022-06-03
dc.date.accessioned2022-12-02T14:41:43Z
dc.date.available2022-12-02T14:41:43Z
dc.identifier.urihttp://riaa.uaem.mx/handle/20.500.12055/2852
dc.descriptionEl 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.formatpdf - Adobe PDFes_MX
dc.languagespa - Españoles_MX
dc.publisherEl autores_MX
dc.rightsopenAccess - Acceso Abiertoes_MX
dc.subject7 - INGENIERÍA Y TECNOLOGÍAes_MX
dc.subject.other33 - CIENCIAS TECNOLÓGICASes_MX
dc.titleLa multivariabilidad de la inversa de la red neuronal artificial aplicada a procesoses_MX
dc.typedoctoralThesis - Tesis de doctoradoes_MX
uaem.unidadCentro 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.programaDoctorado en Ingeniería y Ciencias Aplicadas - Doctorado en Ingeniería y Ciencias Aplicadases_MX
dc.type.publicationacceptedVersiones_MX
dc.audienceresearchers - Investigadoreses_MX
dc.date.received2022-11-15


Files in this item

Thumbnail

This item appears in the following Collection(s)

  • Colección Tesis Posgrado [2680]
    Se trata de tesis realizadas por estudiantes egresados de programas de posgrado de nuestra institución.

Show simple item record