Resumen

Los ruidos multivariados en el proceso de aprendizaje se suponen la mayor parte del tiempo que siguen una distribución normal multivariada estándar. Esta hipótesis no suele cumplirse en muchas situaciones del mundo real. En este documento, consideramos un enfoque basado en la distribución normal multivariada sesgada. Permite una variación continua múltiple de la normalidad a la no normalidad. Presentamos una extensión de la función de error de mínimos cuadrados generalizados en un contexto de regresión no lineal multivariada para aprender datos imprecisos. El estudio de simulación y el caso de aplicación en conjuntos de datos reales realizados y basados en redes neuronales perceptrón multicapa (MLP) con respuesta continua bivariada y asimétrica revelaron una ganancia significativa en precisión al usar la nueva función de error cuadrático para estos tipos de datos en lugar de usar una función de error de mínimos cuadrados generalizados clásica con cualquier matriz de covarianza.

• Materias:Gestión de riesgos Pronóstico de la covolatilidad Modelo de crecimiento Estimación de la media Función de error
• Subjects:Risk management Covolatility forecasting Growth model Mean estimation Error function
• Palabras claves:Proceso de aprendizaje; Ruidos multivariados; Distribución skew-normal multivariada; Función de error de mínimos cuadrados generalizados; Regresión no lineal multivariada; Redes neuronales de perceptrón multicapa
• Keywords:Learning process; Multivariate noises; Multivariate skew-normal distribution; Generalized least squares error function; Multivariate nonlinear regression; Multilayer perceptron neural networks