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

La clasificacion de la madera aserrada es una de las actividades mas subjetivas de la fase final del proceso de aserrado de trozas en los aserrios. La presente investigacion tuvo como objetivo proponer herramientas de auxilio en la clasificacion de madera aserrada de coniferas. El estudio se realizo en el aserrio Combate de Tenerias de la Empresa Forestal Integral (EFI) Macurije, Pinar del Rio, 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 coniferas utilizado en Cuba. Se procedio al ajuste de un modelo de Regresion Logistica Multinomial Ordinal (RLMO) y al entrenamiento de Redes Neuronales Artificiales (RNAs). Los parametros del modelo RLMO fueron estimados usando el metodo de maxima verosimilitud optimizada con el algoritmo de Newton-Raphson. El entrenamiento de las RNAs se realizo 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 analisis factorial, utilizando los factores retenidos como entradas de los modelos. Con base en el porcentaje de aciertos en la clasificacion, la RNA RBF 24-8-4 fue superior a las ecuaciones de regresion logistica ordinal.