Resumen de Redes de neuronas: aportaciones teóricas y prácticas a su diseño e implementación
Las Redes Neuronales (RN) se han ido desarrollando dentro del campo de la Inteligencia Artificial (IA) como una herramienta para la modelización de procesos a partir de datos históricos, Los métodos estadísticos tradicionales de regresión y series temporales tanto lineales como no lineales tienen este mismo objetivo y de hecho muchos autores tratan de combinar estos dos puntos de vistas para lograr mejores resultados y a su vez is desarrollando la teoría de las Redes Neuronales.
En este trabajo abordamos una metodología para la construcción de un nuevo tipo de red neuronal recurrente para la modelización de series temporales no lineales a partir de un tipo de neurona que denominamos delta.
Uno de los objetivos del trabajo ha sido encontrar una forma de detener el proceso de aprendizaje automáticamente en el momento más adecuado y encontrar una evaluación de la estructura de red encontrada. Esta evaluación es importante para comparar varias estructuras de redes y seleccionar la mejor.
Los tipos de casos a modelar pueden ser de series temporales univariante y de función de transferencia, tanto lineales como no lineales. Una vez el modelo ha sido encontrado se puede utilizar para realizar predicciones.
En el caso de las series univariantes para encontrar la mejor estructura de red se utiliza un método que hemos denominado Cross Validation Total (CVT) que está basado en Cross Validation (CV) y en un método que utilizamos desde hace varios años con buenos resultados, denominado Error Total (Et) que realiza la función de detener el proceso de aprendizaje en el momento más oportuno evaluando el modelo a partir de un estadístico que denominamos Et.
El método CVT brinda una lista con los modelos más probables (ordenados ascendentemente), un intervalo de confianza de los parámetros del mejor modelo y un intervalo de confianza de las previsiones.
Cuando el objetivo es encontrar la función
