Modelos de regresión basados en redes neuronales de unidades producto diseñadas y entrenadas mediante algoritmos de optimización híbrida

Abstract

Este trabajo de tesis se enmarca, dentro del campo de la inteligencia artificial, en el aprendizaje automático y las redes neuronales evolutivas, Se diseña un algoritmos evolutivo para el aprendizaje y diseño de redes neuronales formadas por unidas producto. En dicho algoritmo se definen dos tipos de mutaciones para evolucionar las redes. Igualmente se diseñan varias metodologías híbridas que combinan el algoritmo evolutivo, de búsqueda global, con un algoritmo de búsqueda local, el de Levenberg-Marquardt, aplicando un proceso de agrupamiento previo para aplicar el algoritmo de búsqueda local solo a unos pocos individuos de la población, realizando dicha búsqueda local en diferentes momentos del proceso evolutivo, y al final. Igualmente, se presentan algunas características fundamentales de este tipo de redes neuronales. Las diferentes metodologías se utilizan con éxito a varios problemas de prueba, y aun problema real de microbiología predictiva relacionado con el crecimiento de la bacteria ácido láctica leuconostoc mesenteroides, presente en las carnes cocidas envasadas. Se obtienen modelos más precisos e interpretables que los anteriormente obtenidos con redes neuronales de unidades sigmoides para el caso del problema de microbiología predictiva y en los problemas de prueba resultados comparables con otros métodos de regresión.