Robustez en redes neuronales feedforward
Tipo de material:
TextoDetalles de publicación: Valparaíso : UTFSM, 2003Descripción: xiii, 74 h. : ilTema(s): ANALISIS DE SERIES CRONOLOGICAS | SISTEMAS DE CONTROL FEEDFORWARD | REDES NEURONALES (ciencia de la computación) | BC / MEM (memorias UTFSM con resúmenes)Clasificación CDD: M 006.32 Nota de disertación: Tesis (MBA. Magíster en Ingeniería Informática)-- ( Ing. Civil en Informática)-- Prof. guía: Héctor Allende Olivares ; prof. corref.: Luis Salinas Carrasco, Claudio Moraga R. Tema: [Resumen del autor]Tema: La robustez de la red neuronal artificial de tipo "feedforward" es una propiedad impor<U+00AD>tante en una gran gama de aplicaciones en las cuales el objetivo primordial es obtener buenas estimaciones en presencia de observaciones aberrantes o valores atípicos (outliers). Las redes neuronales artificiales (ANN) han sido usadas para modelar series cronológicas como alternativa a los modelos ARIMA cuando prevalecen comportamientos altamente no lineales. En este trabajo, las redes neuronales artificiales no realimentadas, conocidas como "feedforward artificial neural networks" (FANN) en la literatura inglesa, son utilizadas como modelos no-lineales autoregresivos (NAR). Es bien sabido que el algoritmo de entrenamiento utilizado para la estimación de los parámetros en la construcción de modelos NAR y que está basado en el método de mínimos cuadrados, carece de robustez en presencia de "outliers" innovativos y aditivos. Es decir, un único outlier puede afectar fuertemente el ajuste de los pesos de una red neuronal generando resultados no deseados. Se propone un algoritmo robusto para ajustar los pesos de una red neuronal de forma tal que sea insensible frente a la presencia de outliers en la muestra. Este algoritmo está basado en una generalización del estimador máximo verosímil (M y GM), el que muestra tener un mejor desempeño que el método de estimación de mínimos cuadrados. La sensibilidad de los algoritmos robustos frente a los outliers es medida por medio de un análisis de robustez cualitativa local en un punto de la muestra del conjunto de datos sintéticos. Un estudio de simulación de los ajuste de parámetros de las FANN sobre conjuntos de datos sintéticos y reales, es realizado para demostrar la insensibilidad del algoritmo de entrenamiento frente a la presencia de outliers en la muestra, con respecto al estimador de mínimos cuadrados.
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 006.32 S161 (Navegar estantería(Abre debajo)) | 1 | Disponible | 35609000961455 |
[Resumen del autor]
La robustez de la red neuronal artificial de tipo "feedforward" es una propiedad impor<U+00AD>tante en una gran gama de aplicaciones en las cuales el objetivo primordial es obtener buenas estimaciones en presencia de observaciones aberrantes o valores atípicos (outliers). Las redes neuronales artificiales (ANN) han sido usadas para modelar series cronológicas como alternativa a los modelos ARIMA cuando prevalecen comportamientos altamente no lineales. En este trabajo, las redes neuronales artificiales no realimentadas, conocidas como "feedforward artificial neural networks" (FANN) en la literatura inglesa, son utilizadas como modelos no-lineales autoregresivos (NAR). Es bien sabido que el algoritmo de entrenamiento utilizado para la estimación de los parámetros en la construcción de modelos NAR y que está basado en el método de mínimos cuadrados, carece de robustez en presencia de "outliers" innovativos y aditivos. Es decir, un único outlier puede afectar fuertemente el ajuste de los pesos de una red neuronal generando resultados no deseados. Se propone un algoritmo robusto para ajustar los pesos de una red neuronal de forma tal que sea insensible frente a la presencia de outliers en la muestra. Este algoritmo está basado en una generalización del estimador máximo verosímil (M y GM), el que muestra tener un mejor desempeño que el método de estimación de mínimos cuadrados. La sensibilidad de los algoritmos robustos frente a los outliers es medida por medio de un análisis de robustez cualitativa local en un punto de la muestra del conjunto de datos sintéticos. Un estudio de simulación de los ajuste de parámetros de las FANN sobre conjuntos de datos sintéticos y reales, es realizado para demostrar la insensibilidad del algoritmo de entrenamiento frente a la presencia de outliers en la muestra, con respecto al estimador de mínimos cuadrados.
CONSULTE EN LINEA A TRAVES DE REPOSITORIO INSTITUCIONAL
CONSULTE EN LINEA A TRAVES DE REPOSITORIO INSTITUCIONAL
Tesis (MBA. Magíster en Ingeniería Informática)-- ( Ing. Civil en Informática)-- Prof. guía: Héctor Allende Olivares ; prof. corref.: Luis Salinas Carrasco, Claudio Moraga R.
h. 70-74
2