Sistemas inteligentes adaptativos para aproximación y predicción utilizando arquitecturas avanzadas

Resumen

Este escrito, lejos de intentar establecer criterios o comparar diferentes técnicas para el problema planteado, presenta un conjunto de trabajos que pretenden dar solución a distintos problemas específicos, dentro de la amplísima problemática del modelado de funciones, utilizando diversas técnicas de modelado continuo. Primeramente, el grueso de este escrito trata el problema de la maldición en complejidad en los sistemas neuro-difusos, así como el problema de la pérdida de la interpretabilidad en esos sistemas, que ocurre durante el entrenamiento para problemas de modelado a partir de datos de entrada y salida. Se presentan en sucesivos capítulos varias alternativas a los modelos neuro-difusos tradicionales de Takagi-Sugeno-Kang (TSK) (Takagi and Sugeno, 1985) y de redes de Funciones de Base Radial (RBF) (Jang and Sun, 1993) para tratar estas problemáticas. Posteriormente se trata el problema de predicción de series temporales utilizando modelos recursivos de diferentes paradigmas, y se presenta una técnica general para mejorar este tipo de predicción, comparándose también el rendimiento entre ejemplos de métodos de kernel y modelos difusos. Finalmente se trata el problema de la selección de variables, ofreciendo una metodología robusta basada en la medida de la información mutua de la Teoría de la Información de Shannon para problemas reales de aproximación funcional, como predicción de series temporales (Weigend and Gershenfeld, 1993) y problemas espectrométricos (Rossi et al., 2006), donde en general existe una fuerte interrelación entre las variables de entrada, y es muy difícil establecer qué variables son más convenientes conservar y cuáles y cuántas variables eliminar.