El propósito de esta Tesis Doctoral es proponer una alternativa viable a la aproximación de
modelos y procesos en el ámbito científico y, más concretamente, en aplicaciones complejas de
bioingeniería, en las cuales es imposible o muy costoso encontrar una relación directa entre
las señales de entrada y de salida mediante modelos matemáticos sencillos o aproximaciones
estadísticas.
Del mismo modo, es interesante lograr una compactación de los datos que necesita un
modelo para conseguir una predicción o clasificación en un tiempo y con un coste de implementación
mínimos. Un modelo puede ser simplificado en gran medida al reducir el número
de entradas o realizar operaciones matemáticas sobre éstas para transformarlas en nuevas
variables.
En muchos problemas de regresión (aproximación de funciones), clasificación y optimización,
en general se hace uso de las nuevas metodologías basadas en la inteligencia artificial. La inteligencia
artificial es una rama de las ciencias de la computación que busca automatizar la
capacidad de un sistema para responder a los estímulos que recibe y proponer salidas adecuadas
y racionales. Esto se produce gracias a un proceso de aprendizaje, mediante el cual
se presentan ciertas muestras o �ejemplos� al modelo y sus correspondientes salidas y éste
aprende a proponer las salidas correspondientes a nuevos estímulos que no ha visto previamente.
Esto se denomina aprendizaje supervisado. También puede darse el caso de que tal
modelo asocie las entradas con características similares entre sí para obtener una clasificación
de las muestras de entrada sin necesidad de un patrón de salida. Este modelo de aprendizaje
se denomina no supervisado.
El principal exponente de la aplicación de la inteligencia artificial para aproximación de
funciones y clasificación son las redes neuronales artificiales. Se trata de modelos que han
demostrado sobradamente sus ventajas en el ámbito del modelado estadístico y de la predicción
frente a otros métodos clásicos.
N / Mateo Jiménez, F. (2012). Redes neuronales y preprocesado de variables para modelos y sensores en bioingeniería [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/16702 / Palancia
| Identifer | oai:union.ndltd.org:upv.es/oai:riunet.upv.es:10251/16702 |
| Date | 19 July 2012 |
| Creators | Mateo Jiménez, Fernando |
| Contributors | Gadea Gironés, Rafael, Martínez Pérez, Jorge Daniel, Universitat Politècnica de València. Departamento de Ingeniería Electrónica - Departament d'Enginyeria Electrònica |
| Publisher | Universitat Politècnica de València |
| Source Sets | Universitat Politècnica de València |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/acceptedVersion |
| Source | Riunet |
| Rights | http://rightsstatements.org/vocab/InC/1.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds