Teoría de precios de arbitraje. Evidencia empírica para Colombia a través de redes neuronales

Esta investigación utiliza una red neuronal multicapa para relacionar el Índice General de Bolsa de Valores de Colombia (IGBC) con fundamentales macroeconómicos y variables financieras. Proponemos dos modelos: un modelo APT (fundamentales macroeconómicos) y un modelo APT modificado (fundamentales macroeconómicos + indicador de las bolsas del mundo); de acuerdo a nuestro análisis el APT tradicional se ajusta mejor para predecir el mercado de valores Colombiano. Los resultados confirman que las redes neuronales artificiales (ANN) son más efectivas que los modelos estadísticos tradicionales por su capacidad explicativa y precisión.

Eficiencia técnica y redes neuronales : un modelo para el cálculo del valor añadido en educación.

Se propone un modelo para la mejora de los centros docentes no universitarios que aporte nueva luz en torno a la función de producción educativa y la medición de la eficiencia escolar a partir del análisis no lineal de la realidad educativa y se propone su utilización para la medición de la eficiencia técnica en cualquier sector productivo. 3855 alumnos de 8õ de Educación General Básica(EGB). Primeramente se realiza una revisión de la técnica de las redes neuronales artificiales(RNAs).Para superar las limitaciones de las estimaciones econométricas tradicionales en el proceso productivo de las escuelas se propone un modelo en dos etapas en valor añadido.En la primera etapa, se utilizan RNAs para predecir el rendimiento académico de los alumnos a partir de sus características individuales. A partir de estas predicciones se calculan distintos outputs escolares en valor añadido que van a permitir estimar, en una segunda etapa, la importancia de cada factor productivo escolar sobre diferentes tipos de alumno. Modelo basado en redes neuronales artificiales(RNAs). La política más eficiente en la asignación de recursos educativos no universitarios para la mejora de la escuela debería poner más y distintos recursos sobre aquellos alumnos más desfavorecidos o con mayor probabilidad de fracaso escolar a priori, puesto que el componente socioeconómico marca diferencias anteriores al proceso educativo. Un modelo no lineal basado en RNAs son una opción muy válida a la hora de evaluar la eficiencia técnica al conseguir aproximar los datos a nivel de alumno con mayor acierto que los de un modelo lineal.

Arquitecturas Flexibles, Crecientes y Jerárquicas para Sistemas Neuronales Autoorganizados

La autoorganización es un proceso de aprendizaje no supervisado mediante el cual se descubren características, relaciones, patrones significativos o prototipos en los datos. Entre los sistemas neuronales autoorganizados más usados destaca el el mapa autoorganizado o SOM (Self-Organizing Map), el cual ha sido aplicado en multitud de campos distintos. Sin embargo, este modelo autoorganizado tiene varias limitaciones relacionadas con su tamaño, topología, falta de representación de relaciones jerárquicas, etc. La red neuronal llamada gas neuronal creciente o GNG (Growing Neural Gas), es un ejemplo de modelo neuronal autoorganizado con mayor flexibilidad que el SOM ya que está basado en un grafo de unidades de proceso en vez de en una topología fija. A pesar de su éxito, se ha prestado poca atención a su extensión jerárquica, a diferencia de muchos otros modelos que tienen varias versiones jerárquicas. El gas neuronal jerárquico creciente o GHNG (Growing Hierarchical Neural Gas) es una extensión jerárquica del GNG en el que se aprende un árbol de grafos, donde el algoritmo original del GNG se ha mejorado distinguiendo entre una fase de crecimiento y una fase de convergencia. Los resultados experimentales demuestran las capacidades de autoorganización y aprendizaje jerárquico de esta red.

Aplicación de redes de neuronas artificiales a la protección de distancia

Tesis (Maestría en Ciencias de la Ingeniería Eléctrica con Especialidad en Potencia) UANL

Interpretación geométrica de redes neuronales recurrentes discretas mediante grafos completos

El objetivo del presente trabajo de investigación es explorar nuevas técnicas de implementación, basadas en grafos, para las Redes de Neuronas, con el fin de simplificar y optimizar las arquitecturas y la complejidad computacional de las mismas. Hemos centrado nuestra atención en una clase de Red de Neuronas: las Redes de Neuronas Recursivas (RNR), también conocidas como redes de Hopfield. El problema de obtener la matriz sináptica asociada con una RNR imponiendo un determinado número de vectores como puntos fijos, no está en absoluto resuelto, el número de vectores prototipo que pueden ser almacenados en la red, cuando se utiliza la ley de Hebb, es bastante limitado, la red se satura rápidamente cuando se pretende almacenar nuevos prototipos. La ley de Hebb necesita, por tanto, ser revisada. Algunas aproximaciones dirigidas a solventar dicho problema, han sido ya desarrolladas. Nosotros hemos desarrollado una nueva aproximación en la forma de implementar una RNR en orden a solucionar estos problemas. La matriz sináptica es obtenida mediante la superposición de las componentes de los vectores prototipo, sobre los vértices de un Grafo, lo cual puede ser también interpretado como una coloración de dicho grafo. Cuando el periodo de entrenamiento se termina, la matriz de adyacencia del Grafo Resultante o matriz de pesos, presenta ciertas propiedades por las cuales dichas matrices serán llamadas tetraédricas. La energía asociada a cualquier estado de la red es representado por un punto (a,b) de R2. Cada uno de los puntos de energía asociados a estados que disten lo mismo del vector cero está localizado sobre la misma línea de energía de R2. El espacio de vectores de estado puede, por tanto, clasificarse en n clases correspondientes a cada una de las n diferentes distancias que puede tener cualquier vector al vector cero. La matriz (n x n) de pesos puede reducirse a un n-vector; de esta forma, tanto el tiempo de computación como el espacio de memoria requerido par almacenar los pesos, son simplificados y optimizados. En la etapa de recuperación, es introducido un vector de parámetros R2, éste es utilizado para controlar la capacidad de la red: probaremos que lo mayor es la componente a¡, lo menor es el número de puntos fijos pertenecientes a la línea de energía R¡. Una vez que la capacidad de la red ha sido controlada mediante este parámetro, introducimos otro parámetro, definido como la desviación del vector de pesos relativos, este parámetro sirve para disminuir ostensiblemente el número de parásitos. A lo largo de todo el trabajo, hemos ido desarrollando un ejemplo, el cual nos ha servido para ir corroborando los resultados teóricos, los algoritmos están escritos en un pseudocódigo, aunque a su vez han sido implamentados utilizando el paquete Mathematica 2.2., mostrándolos en un volumen suplementario al texto.---ABSTRACT---The aim of the present research is intended to explore new specifícation techniques of Neural Networks based on Graphs to be used in the optimization and simplification of Network Architectures and Computational Complexhy. We have focused our attention in a, well known, class of Neural Networks: the Recursive Neural Networks, also known as Hopfield's Neural Networks. The general problem of constructing the synaptic matrix associated with a Recursive Neural Network imposing some vectors as fixed points is fer for completery solved, the number of prototype vectors (learning patterns) which can be stored by Hebb's law is rather limited and the memory will thus quickly reach saturation if new prototypes are continuously acquired in the course of time. Hebb's law needs thus to be revised in order to allow new prototypes to be stored at the expense of the older ones. Some approaches related with this problem has been developed. We have developed a new approach of implementing a Recursive Neural Network in order to sob/e these kind of problems, the synaptic matrix is obtained superposing the components of the prototype vectors over the vértices of a Graph which may be interpreted as a coloring of the Graph. When training is finished the adjacency matrix of the Resulting Graph or matrix of weights presents certain properties for which it may be called a tetrahedral matrix The energy associated to any possible state of the net is represented as a point (a,b) in R2. Every one of the energy points associated with state-vectors having the same Hamming distance to the zero vector are located over the same energy Une in R2. The state-vector space may be then classified in n classes according to the n different possible distances firom any of the state-vectors to the zero vector The (n x n) matrix of weights may also be reduced to a n-vector of weights, in this way the computational time and the memory space required for obtaining the weights is optimized and simplified. In the recall stage, a parameter vectora is introduced, this parameter is used for controlling the capacity of the net: it may be proved that the bigger is the r, component of J, the lower is the number of fixed points located in the r¡ energy line. Once the capacity of the net has been controlled by the ex parameter, we introduced other parameter, obtained as the relative weight vector deviation parameter, in order to reduce the number of spurious states. All along the present text, we have also developed an example, which serves as a prove for the theoretical results, the algorithms are shown in a pseudocode language in the text, these algorithm so as the graphics have been developed also using the Mathematica 2.2. mathematical package which are shown in a supplementary volume of the text.

Estudios de predicción en series temporales de datos meteorológicos utilizando redes neuronales recurrentes

[ES] En los últimos años, en el campo de las energías renovables, la energía eólica ha sido una de las que mas se ha desarrollado e invertido. La importancia de las predicciones de viento radica en la ayuda que aportan para planificar y anticiparse a los valores futuros que afectarán al sistema, ayudando a gestionar la adquisición de los recursos necesarios con antelación suficiente. Recientemente se han desarrollado nuevas arquitecturas de redes recurrentes que resultan muy prometedoras para realizar predicción. En este trabajo se probará y experimentará con dichas arquitecturas para realizar distintas predicciones de la velocidad del viento en un horizonte de corto y muy corto plazo a partir de datos de series temporales de viento.

Contributions to Ensemble Classifiers with Image Analysis Applications

134 p.

Diagnóstico de CVA isquémicos asistido por redes neuronales mediante la exploración por CT

La evolución tecnologica y computacional ha generado más oportunidades de mejorar la calidad de vida mediante nuevos logos médicos; en particular, con la calidad de las evaluaciones de diagnóstico. La tomografía computarizada (CT) es uno de los equipos de proyección de imagen para diagnóstico que más se han beneficiado de las mejoras tecnológicas.

Modelado de sistemas mediante redes neuronales

Tesis (Maestría en Ciencias en Ingeniería Eléctrica, con especialidad en Control) U.A.N.L.

Análisis de estabilidad de redes neuronales dinámicas

Tesis (Maestro en ciencias de la ingeniería elécrica con especialidad en control) - Universidad Autónoma de Nuevo León, 1998

Aplicación de redes neuronales en la discriminación entre fallas y oscilaciones de potencia

Tesis ( Maestro en Ciencias de la Ingeniería Eléctrica con Especialidad en Potencia) - U.A.N.L., 2002

Nuevo principio de protección diferencial de transformadores aplicando redes neuronales de base radial (RBF )

Tesis (Maestro en Ciencias de la Ingeniería Eléctrica con Especialidad en Potencia) U.A.N.L.

Aplicación de redes neuronales celulares a un problema de ingeniería.

Tesis (Maestría en Ciencias de la Ingeniería Eléctrica con Especialidad en Control) UANL, 2011.

Redes neuronales embebidas con aprendizaje en línea.

Tesis (Maestría en Ciencias de la Ingeniería Eléctrica) UANL, 2013.

Nuevo enfoque en el diseño y entrenamiento de redes neuronales para la clasificación

Tesis (Doctor en Ingeniería con Especialidad en Ingeniería de Sistemas) UANL, 2001.