En este artículo, se propone utilizar redes neuronales tipo cascada correlación regularizadas, para pronosticar el precio mensual, de corto plazo, de la electricidad del mercado brasileño. Se estiman diversos modelos de redes cascada correlación regularizados entre la capa de entrada y oculta, con descomposición o con eliminación de pesos, mientras que entre la capa oculta y la de salida, se regulariza con regresión de borde. Los resultados indican que las redes cascada correlación regularizadas en todas sus capas describen mejor la dinámica de la serie de precios que la misma red sin regularizar, que un modelo ARIMA y que un perceptrón multicapa (MLP) clásico, que usa los mismos rezagos y neuronas en la capa oculta, lo cual, permite afirmar, que para la serie de precios de electricidad, las redes cascada correlación regularizadas permiten encontrar modelos con mejor capacidad de pronóstico.

Resilent backpropagation (RPROP) es una poderosa técnica de optimización basada en gradientes que ha sido comúnmente usada para el entrenamiento de redes neuronales artificiales, la cual usa una velocidad por cada parámetro en el modelo. Aunque esta técnica es capaz de resolver problemas de optimización multivariada sin restricciones, no hay referencias sobre su uso en la literatura de investigación de operaciones. En este artículo, se propone una modificación de resilent backpropagation que permite resolver problemas no lineales de optimización sujetos a restricciones generales no lineales. El algoritmo propuesto fue probado usando seis problemas comunes de prueba; para todos los casos, el algoritmo de resilent backpropagation restringido encontró la solución óptima, y para algunos casos encontró un punto óptimo mejor que el reportado en la literatura.

La capacidad de ajuste de una red neuronal se ve a menudo afectada por la configuración usada, en especial, en relación al número de neuronas ocultas y de variables de entrada, toda vez que, a medida que el número de parámetros del modelo aumenta, se favorece el aprendizaje de la red y, por tanto, el ajuste es mejor. Teóricamente, un proceso constructivo de adición de parámetros debería conducir a reducciones sistemáticas en el error, siempre y cuando, los modelos sean anidados en cada paso del proceso. En este trabajo, se valida la hipótesis que la adición de neuronas ocultas en modelos anidados debe conducir a reducciones en el error, sin importar el algoritmo de entrenamiento usado; para ejemplificar la discusión, se usaron la serie de pasajeros en líneas aéreas y de manchas solares de Box &Jenkins y los métodos de entrenamiento de Regla Delta y RProp. La evidencia experimental demuestra que los métodos de entrenamiento evaluados exhiben comportamientos diferentes a los teóricamente esperados, incumpliendo el supuesto de reducción del error.