Algoritmos de Retropropagación con restricciones para la estimación de parámetros de curvas de titulación
Resumen
En este artículo se propone el diseño y programación en Matlab de los algoritmos de aprendizaje de Retropropagación: Gradiente Conjugado, Quasi-Newton DFP (Davidon, Fletcher y Powell) y BFGS (Broyden, Fletcher, Goldfard y Shanno) , con restricciones de no negatividad, con la finalidad de estimar pesos de una red neuronal de tres capas, tipo “caja gris”, correspondiente a la ecuación de balance de un proceso de titulación de ácidos y bases. La entrada es el pH de la mezcla, la salida (r) es la razón entre el flujo del reagente (titulante) y el del influente (titulado), mientras que los pesos a estimar son las concentraciones de las sustancias presentes en el influente; debido a esto último es precisamente que los pesos no pueden ser negativos. El conjunto de datos (pH,r), son generados computacionalmente. Los algoritmos mencionados se comparan entre sí y también con la función predefinida de Matlab lsqnonneg. Los resultados obtenidos muestran que lsqnonneg es el más rápido en la estimación de los referidos pesos o parámetros. En cuanto a la calidad en la precisión, se puede decir que los algoritmos propuestos toman mayor preponderancia respecto a lsqnonneg a medida que algunas características de los datos suministrados tienden a ser más complejas, tales como escasa muestra de datos para el entrenamiento o alta presencia de ruido