Modelos avanzados de inteligencia computacional para aproximación funcional y predicción de series temporales en arquitecturas paralelas

Resumen

En esta tesis se trabajará con: a) un conjunto de técnicas avanzadas de optimización de máquinas de vectores de soporte de mínimos cuadradatos (LSSVM) b) un nuevo tipo de técnica kernel de bajo coste computacional, especialmente diseñada para problemas de aproximación funcional y predicción de series temporales (KWKNN), Se han implementado alternativas de dicha nueva técnica para cluster de computadores y tarjeta gráfica NVIDIA. Las citadas implementaciones permiten abordar problemas con tamaños de conjuntos de datos que no pueden manejar ordenadores tipo PC y mejoran la eficiencia de la técnica. c) un estudio que ha concluido en una metodología para la creacion de kernel específicos para series temporales para modelos de predicción a muy largo plazo. d) Se han diseñado e implementado dos nuevas toolboxes de Matlab para cómputo paralelo que permiten implementar programas para las plataformas paralelas cluster de computadores y tarjetas gráficas NVIDIA. Los resultados de este trabajo han sido reflejado en publicaciones de revista y congresos con índice de impacto así como una serie de reconocimientos adicionales otorgados en congresos y competiciones de series temporales: * Revistas: G. Rubio, H. Pomares, I. Rojas, L.J. Herrera. Heuristic for Selection of Parameters in LS-SVM for Time Series Prediction. International Journal of Forecasting. G. Rubio, L.J. Herrera, H. Pomares, I. Rojas, A. Guillén. Design of Specific-to-Problem Kernels and Use of Kernel Weighted K-Nearest Neighbours for Time Series Modelling. Neurocomputing. A. Guillén, G. Rubio, I. Toda, A. Rivera, H. Pomares, I. Rojas. Applying Multiobjective RBFNNs Optimization and Feature Selection to a Mineral Reduction Problem. Expert Systems with Applications. A. Guillén, L.J. Herrera, G. Rubio, H. Pomares, A. Lendasse, I. Rojas. New Method for Instance or Prototype Selection using Mutual Information in Time Series Prediction. Neurocomputing. A. Guillen, F. Garcia del Moral, G. Rubio, L.J. Herrera, I. Rojas, O. Valenzuela, H. Pomares. Using Near Infrared Spectroscopy in the Classification of White and Iberian Pork with Neural Networks. Neural Computing and Applications. * Congresos: G. Rubio, H. Pomares, I. Rojas, L.J. Herrera, A. Guillén. Efficient Optimization of the Parameters of LS-SVM for Regression versus Cross-ValidationError. ICANN (2); pp. 406-415; 2009: G. Rubio, H. Pomares, I. Rojas, A. Guillén. Creation of specific-to-problem kernel functions for function approximation. IWANN 2009, LNCS, Vol. 5517; pp. 335-342; 2009 G. Rubio, A. Guillén, H. Pomares, I. Rojas. Parallelization of the Nearest Neighbour Search and the Cross-Validation Error Evaluation for the Kernel Weighted k-nn Algorithm Applied to Large Data Dets in Matlab. HPCS 2009, 2009 G. Rubio, A. Guillen, L. J. Herrera, H. Pomares, I. Rojas. Use of specific-to-problem kernel functions for time series modeling; ESTSP'08, ISBN 978-951-22- 9544-9; pp. 177-186; 2008: Premio especial ENNS mejor artículo del congreso Seleccionado para ampliación en número especial de Neurocomputing El trabajo resultante ganó la competición de series temporales del congreso G. Rubio, H. Pomares, L. J. Herrera, I. Rojas. Kernel Methods Applied to Time Series Forecasting. LNCS, ISSN 0302-9743, Vol. 4507. pp. 782-789. 2007 G. Rubio, L. J. Herrera, H. Pomares. Gaussian Process regression applied to time series prediction: a particular case study in ESTSP 2007 time series prediction competition. ESTSP'07: Proceedings of the European Symposium on Time Series Prediction. pp. 21-27. isbn 978-951-22-9601-0. 2007 El trabajo resultante quedó en tercer puesto en la competición de series temporales del congreso G. Rubio, H. Pomares. A Basic Approach to Reduce the Complexity of a Self-generated Fuzzy Rule-Table for Function Approximation by Use of Symbolic Interpolation. Lecture Notes on Computer Science (LNCS), Vol 3512, pp.34-41, June 2005 G. Rubio, H. Pomares, I. Rojas, A. Guillén. A Basic Approach to Reduce the Complexity of a Self-generated Fuzzy Rule-Table for Function Approximation by Use of Symbolic Regression in 1D and 2D Cases. LNCS Vol. 3562, pp 143-152. 2005