Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Artículo científico |
| Lenguaje: | en |
| Publicado: |
Universidad Autónoma del Estado de México
2010
|
| Materias: | |
| Acceso en línea: | https://www.redalyc.org/articulo.oa?id=10415212010 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
Tabla de Contenidos:
- Training Optimization for Artificial Neural Networks Primitivo Toribio Luna Roberto Alejo Eleuterio Rosa María Valdovinos Rosas Benjamín Gonzalo Rodríguez Méndez Multidisciplinarias (Ciencias Sociales) perceptrón multicapa preprocesado de datos máquinas de vectores soporte Redes neuronales artificiales redes de función de base radial Debido a la habilidad para modelar problemas complejos, actualmente las Redes Neuronales Artificiales (nn) son muy populares en Reconocimiento de Patrones, Minería de Datos y Aprendizaje Automático. No obstante, el elevado costo computacional asociado a la fase en entrenamiento, cuando grandes bases de datos son utilizados, es su principal desventaja. Con la intención de disminuir el costo computacional e incrementar la convergencia de la nn, el presente trabajo analiza la conveniencia de realizar pre-procesamiento a los conjuntos de datos. De forma específica, se evalúan los métodos de grafo de vecindad relativa (rng), grafo de Gabriel (gg) y el método basado en los vecinos envolventes k-ncn. Los resultados experimentales muestran la factibilidad y las múltiples ventajas de esas metodologías para solventar los problemas descritos previamente. 2010 artículo científico 1405-0269 https://www.redalyc.org/articulo.oa?id=10415212010 en http://www.redalyc.org/revista.oa?id=104 CIENCIA ergo-sum, Revista Científica Multidisciplinaria de Prospectiva application/pdf Universidad Autónoma del Estado de México CIENCIA ergo-sum, Revista Científica Multidisciplinaria de Prospectiva (México) Num.3 Vol.17