Resumen

La regresión de puente es una familia especial de regresiones penalizadas que utilizan una función de penalización con , lo que concluye en la regresión lasso y la regresión ridge, respectivamente. En el caso en que la variable de salida en el modelo de regresión fuera imprecisa, desarrollamos un modelo de regresión de puente en un entorno difuso. También exhibimos estimaciones difusas penalizadas para este modelo cuando las variables de entrada son claras. Por lo tanto, realizamos el problema de optimización presentado para el modelo que conduce a un programa multiobjetivo. Además, intentamos determinar el parámetro de contracción y el parámetro de ajuste a partir del mismo problema de optimización. Para estimar los coeficientes difusos del modelo propuesto, introducimos un esquema híbrido basado en redes neuronales recurrentes. El modelo de red neuronal sugerido se construye en base a algunos conceptos de optimización convexa y teoría de estabilidad que garantiza encontrar los parámetros aproximados del modelo propuesto. Utilizamos un estudio de simulación para mostrar el

• Materias:Transferencia de calor Colectores Estimaciones de Integrales Diferencias finitas Presión barométrica
• Subjects:Heat transfer Manifolds Integral Estimates Finite Differences Barometric pressure
• Palabras claves:Regresión puente; Regresiones penalizadas; Entorno difuso; Programa multiobjetivo; Redes neuronales recurrentes; Parámetro de contracción
• Keywords:Bridge regression; Penalized regressions; Fuzzy environment; Multiobjective program; Recurrent neural networks; Shrinkage parameter