Redes neuronales para regresión y clasificación: nuevos algoritmos y aplicaciones

• Autores: José María Matías Fernández
• Directores de la Tesis: Wenceslao González Manteiga (dir. tes.) , Antonio Vaamonde Liste (codir. tes.)
• Lectura: En la Universidade de Santiago de Compostela ( España ) en 2003
• Idioma: español
• Tribunal Calificador de la Tesis: José Manuel Prada Sánchez (presid.) , Manuel Febrero Bande (secret.) , Javier Taboada Castro (voc.) , Ricardo Cao Abad (voc.) , Domingo Morales González (voc.)
• Enlaces
  • Tesis en acceso abierto en: MINERVA
• Resumen

  • La tesis recoge una exposición sistemática del estado del arte de los modelos y algoritmos de redes neuronales en el marco de la teoría del aprendizaje estadístico, incluyendo los algoritmos Boosting. Como aportaciones relevantes destacan las siguientes:

    1,- La clarificación de las relaciones entre las redes RRBF de regularización, las Support Vector Machines y el Kringing.

    2,- La utilización del covariograma como núcleo en las arquitecturas radiales, bajo un contexto bayesiano, que permite incorporar al modelo la estructura de asociación provocada por la hipótesis de tendencia, y mejora los resultados obtenidos con núcleos estándar isotrópicos.

    3,- El Kriging Regulariado como resultado de la aplicación de la metodología de los support vectors al Kriging, obteniéndose como casos particulares el Kriging Simple y el Kriging Universal, así como la regresión bayesiana con prior gausiana para los parámetros.

    4,- Un algoritmo LS-Boost que utiliza como "weak learners" redes neuronales RBF sobre proyecciones en el esapcio de centrada.

    5,- Una batería de algoritmos para series de tiempo heterocedásticas:

    A,- Modelos de redes neuronales para tendencia-varianza entrenadas simultáneamente mediante verosimilitud gausiana.

    B,- La generalización del algoritmo Gradient-Boost para varias hipótesis, específicamente para tendencia-varianza simultáneas, utilizando como "weak learners" redes neuronales RBF y MLP, y técnicas ARMA-GARCH, éstas últimas con el fin de modelizar la posible heterocedasticidad de la serie del gradiente heredada de la serie original.

    C,- Algoritmo WildBoostGarch como resultado de aplicar sucesivamente modelos GARCH a la discrepancia entre resíduos al cuadrado y varianza recogida en las iteraciones anteriores.

    6,- Aplicación de los algoritmos anteriores a un problema de predicción en Mercados Financieros tanto sobre conjuntos artificiales de datos como una serie de datos reales del ín