Modelos de Regresión Logística Multinomial Ordinal y Redes Neuronales Artificiales para la clasificación de madera aserrada

Resumen

La clasificación de la madera aserrada es una de las actividades más subjetivas de la fase final del proceso de aserrado de trozas en los aserríos. La presente investigación tuvo como objetivo proponer herramientas de auxilio en la clasificación de madera aserrada de coníferas. El estudio se realizó en el aserrío Combate de Tenerías de la Empresa Forestal Integral (EFI) Macurije, Pinar del Río, Cuba. Los datos utilizados proceden de 259 tablas de Pinus caribaea var. caribaea clasificadas siguiendo las exigencias (24 variables) y clases establecidas por el clasificador de madera aserrada de coníferas utilizado en Cuba. Se procedió al ajuste de un modelo de Regresión Logística Multinomial Ordinal (RLMO) y al entrenamiento de Redes Neuronales Artificiales (RNAs). Los parámetros del modelo RLMO fueron estimados usando el método de máxima verosimilitud optimizada con el algoritmo de Newton-Raphson. El entrenamiento de las RNAs se realizó con el algoritmo Broyden-Fletcher-Goldfarb-Shanno (BFGS). El problema de multicolinearidad, casi siempre presente en modelaciones con numerosas variables predictivas, fue abordado con el análisis factorial, utilizando los factores retenidos como entradas de los modelos. Con base en el porcentaje de aciertos en la clasificación, la RNA RBF 24-8-4 fue superior a las ecuaciones de regresión logística ordinal.