Redes neuronales artificiales en calibración multivariada: desarrollo de cifras analíticas de mérito para validación

Abstract

Las redes neuronales artificiales (ANNs) son de uso cada vez más frecuente en química analítica. En particular, una de sus grandes aplicaciones consiste en el desarrollo de métodos de calibración multivariada. Debido a su flexibilidad y versatilidad, estos algoritmos no paramétricos presentan una gran capacidad predictiva en contextos de no linealidad. Sin embargo, a diferencia de los métodos paramétricos, todavía revisten de cierta naturaleza de caja negra y su caracterización estadística aún no ha sido realizada completamente. En este trabajo se propone abordar el estudio de un modelo perceptrón multicapa (MLP), que presenta una formulación simple, pero que es ampliamente utilizado en aplicaciones dentro de la disciplina. En particular, se propone el desarrollo de herramientas teórico-computacionales para el procesamiento de datos en el contexto del desarrollo y validación de métodos de calibración, abordando como eje central, el estudio de las cifras analíticas de mérito (AFOMs). Las AFOMs son parámetros estadísticos que permiten la caracterización objetiva y rigurosa de un método analítico y, en el caso del MLP, las ecuaciones teóricas para la estimación de las mismas aún no ha sido descripta en su totalidad. Para ello se utilizarán antecedentes importantes dentro del área que incluyen la teoría de propagación de errores y las contribuciones realizadas para otros modelos de calibración lineales y no lineales. Asimismo, se hará uso del método de remuestreo conocido como bootstrap, como alternativa para resolver problemas de estimación en forma numérica.

Artificial neural networks (ANNs) are increasingly used in analytical chemistry. In particular, they are frequently used for the development of multivariate calibration methods. Due to their flexibility and versatility, these non-parametric strategies have great predictive capacity in non-linear contexts. However, in contrast to linear methods, they still have a certain “black box” nature and they have not yet been fully characterized from the statistical point of view. This work proposes to address the study of the so-called multilayer perceptron (MLP), which has a simple model formulation, but is widely used within the discipline. In particular, the development of theoretical-computational tools for data processing is proposed in the context of the development and validation of calibration methods, where the study of analytical figures of merit (AFOMs) is the central topic. AFOMs are statistical parameters that allow the objective and rigorous characterization of an analytical method and, in the case of MLP, the theoretical equations for their estimation have not yet been fully described. To do this, important background information within the area will be used, including error propagation theory and contributions made to other linear and non-linear calibration models. Besides, the resampling method known as bootstrap will be used as an alternative to solve estimation problems numerically.