Redes neuronales para estimación de probabilidades a posterioriestructuras y algoritmos

Resumen

RESUMEN: Esta Tesis pretende estudiar el problema de la estimación de probabilidades a posteriori empleando para ello las Redes Neuronales empezando desde un punto de partida teórico, Se demuestran una serie de teoremas en los que se imponen ciertas condiciones necesarias y suficientes, las cuales garantizan la existencia de funciones de coste que se minimizan hacia una probabilidad a posteriori, aplicables tanto en problemas de Estimación de la Probabilidad como en Estimación de Densidad, y que pueden ser utilizadas en la etapa de aprendizaje de las redes. Se diseñan estructuras neuronales normalizadas para obtener las estimas de las probabilidades en caso de múltiples hipótesis y se propone un algoritmo basado en la previa estimación de probabilidades para calcular la complejidad o el tamaño de red óptima. Se dan ejemplos de los resultados obtenidos con tales redes y algoritmos tanto visuales como numéricos, comparándose con otras técnicas bien conocidas. Palabras clave: Redes Neuronales, Función de Coste, Función Objetivo, Estimación de Probabilidad, Estimación de Densidad, Probabilidad a Posteriori, Selección de la Complejidad, Optimización.