Resumen de Estimación de las propiedades de curado de gomas mediante SVM

Ana González Marcos, Eliseo Pablo Vergara González, Alpha Verónica Pernía Espinoza, Manuel Castejón Limas, Francisco Javier Martínez de Pisón Ascacíbar

• español

  Las máquinas de vectores soporte (Support Vector Machine, SVM) son potentes estructuras de aprendizaje automático, basadas en la teoría estadística del aprendizaje, capaces de resolver problemas de clasificación, regresión y estimación y que han sido importante objeto de estudio en los últimos años. El método fue propuesto por V. Vapnik a finales de los 70 en problemas de reconocimiento de patrones. En los años 90 el método fue generalizado y en la actualidad es objeto de un gran interés, por su mejor desempeño que las redes neuronales, cuyo aprendizaje está basado, en general, en la minimización del error, lo que no asegura, por sí sólo, la maximización de sus capacidades de generalización. Las máquinas de vectores soporte aportan mejoras a los métodos clásicos de aprendizaje: la talla de la red no se fija desde un principio y se garantiza, matemáticamente, el máximo nivel de generalización.

  En este trabajo se presenta un modelo basado en SVM para la predicción de las propiedades de curado de mezclas de gomas a partir de su composición química y de las condiciones de mezclado del caucho. Su potencia se muestra al comparar los resultados obtenidos con los del modelo neuronal feedforward estándar, entrenado mediante el algoritmo de retropropagación (backpropagation), propuesto en un trabajo previo.

• English

  The Support Vector Machine (SVM) is a novel type of learning machine, based on statistical learning theory, with the capability of learning separating functions in pattern recognition (classification) or performing functional estimation in regression problems. The concept of SVM was introduced by V. Vapnik in the late 1970’s in pattern recognition problems. In the 1990’s the method was generalized and nowadays a growing interest has emerged as a result of the remarkable efficiency shown by SVMs, especially when compared with traditional artificial neural networks, like the multilayer perceptron. The main advantage of SVM, with respect to neural networks, consists in the structure of the learning algorithm, characterized by the resolution of a constrained quadratic programming problem, where the drawback of local minima is completely avoided.

  In this paper, we present an SVM model applied to the particular case of predicting the cure characteristics of the blends according to their chemical composition and mixing conditions.

  The advantages of this methodology are showed by comparing the obtained results with those obtained by mean of a feedforward neural network model, trained with the backpropagation algorithm, proposed in a previous work.