Redes neuronales evolutivas de funciones de base radial generalizadas en clasificaciónaplicaciones

  1. Castaño Méndez, Adiel
Dirigida por:
  1. César Hervás Martínez Director/a

Universidad de defensa: Universidad de Granada

Fecha de defensa: 25 de enero de 2013

Tribunal:
  1. María Teresa Lamata Jiménez Presidenta
  2. Raúl Pérez Rodríguez Secretario
  3. José Cristobal Riquelme Santos Vocal
  4. Sebastián Ventura Soto Vocal
  5. Rafael Medina Carnicer Vocal

Tipo: Tesis

Resumen

Dentro de los modelos más utilizados para la Clasificación de Patrones se encuentran las Redes Neuronales Artificiales quienes de forma resumida se conceptualizan como: una aplicación sobre el espacio de variables de entrada que produce como resultado un valor o etiqueta perteneciente al espacio de salida caracterizado por la codificación de la clase a predecir. De la utilización de los AEs para la optimización de RNAs surgen las denominadas Redes Neuronales Artificiales Evolutivas Yao1999. Esta área de investigación ha atraído mucha atención en la última década, proporcionando una herramienta muy adecuada para la optimización tanto de la topología como de los coeficientes de los modelos de RNAs Angeline1994. Si tenemos en cuenta la dificultad que implica el establecimiento de una arquitectura adecuada junto con los correspondientes coeficientes de la RNA, la aplicación de AEs para el diseño de la estructura y la optimización de los coeficientes de una RNA está ampliamente justificada. Para la transformación del espacio de entrada las RNAs presentan las llamadas funciones de base quienes representan la transformación de los datos de entrada. La presente investigación propone la utilización de las Funciones de Base Radial Generalizada GRBF en modelos de RNA para ser entrenadas mediante Algoritmos Híbridos combinando el poder de exploración de los Algoritmos Evolutivos junto a la capacidad explotadora de los Algoritmos de Búsqueda Local con el fin de lograr la convergencia del algoritmo a una solución factible. La utilización de las Funciones de Base Radial Generalizada se justifica debido a su capacidad de ajuste a los datos que se encuentran en el límite de dos o más GRBFs. Este comportamiento se debe a la presencia de un parámetro que contrae o relaja la curvatura de la GRBF. Con el fin de aumentar la rapidez y la precisión del entrenamiento de las Redes Neuronales de Base Radial Generalizada GRBFNN la presente tesis propone la reformulación de la GRBF permitiendo tanto al Algoritmo de Búsqueda Local (ABL) como al Algoritmo Evolutivo presentes en el Algoritmo Híbrido propuesto en la tesis, una convergencia más rápida. Este Algoritmo Híbrido para el Entrenamiento de Redes Neuronales de Base Radial Generalizada constituye un resultado de la investigación. La eficacia del algoritmo ha sido probada sobre bases de datos internacionalmente conocidas, pertenecientes a la UCI Machine Learning Repository UCI. Tras la obtención de este resultado se procedió a hibridar las GRBFNNs con la Regresión Logística. Dentro de los modelos que combinan las RNAs con otros modelos bien conocidos se encuentran los Modelos Neuro-Logísticos quienes crean modelos logísticos sobre las variables generadas por las funciones de base de las RNAs. Este enfoque permite crear modelos que representan la interacción de las variables de entrada más allá de la simple combinación lineal descrita por el modelo de Regresión Logística, RL. La introducción de transformaciones más complejas en la RL dificulta el entrenamiento mediante el método de máxima verosimilitud. Por ello, el modelado de la estructura y de los coeficientes de las transformaciones no lineales inducidas por las funciones de base constituye un área donde la utilización de Algoritmos Evolutivos, se justifica. La presente tesis propone un Algoritmo Evolutivo para la creación de Modelos Neuro-Logísticos el cual realiza una Regresión Logística sobre las salidas de las Funciones de Base Radial Generalizadas modeladas por un AE. El Algoritmo Evolutivo maneja conceptos como la perfecta multicolinealidad presente en las covariables que surgen gracias a las GRBFs con baja cobertura; dicha propiedad provoca que la precisión de la RLs caiga abruptamente. Por ello el AE trata las GRBF durante el transcurso de la evolución. La precisión de los modelos Neuro-Logísticos elaborados por el AE son validados en el cuerpo de la tesis sobre datos de clasificación de incapacidad laboral y de clasificación de microarrays, preprocesados los últimos con técnicas de selección de características.