Please use this identifier to cite or link to this item: http://repositorio.ugto.mx/handle/20.500.12059/3203
Full metadata record
DC FieldValueLanguage
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.creatorSergio Ernesto Tostado Sánchez-
dc.date.accessioned2020-10-27T20:19:59Z-
dc.date.available2020-10-27T20:19:59Z-
dc.date.issued2016-
dc.identifier.urihttp://repositorio.ugto.mx/handle/20.500.12059/3203-
dc.description.abstractLas Redes Neuronales Artificiales(RNA)son sistemas de procesamiento de información inspiradas en las redes neuronales biológicas, cuyas aplicaciones hanencontrado gran aceptación en diversas áreas y problemas, como el Reconocimiento de Patrones. Previamente asu operación, necesitan calibrar elementos de su arquitectura a través de la fase de Entrenamiento, siendo seleccionado el algoritmo de Retropropagación como método clásico para ello. En la práctica, se han identificado deficiencias del algoritmo de Retropropagaciónal entrenar RNA, relacionadas a su fundamento matemático y a la dependencia hacia expertos en el problema en cuestión, por lo que se han explorado métodos alternativos para apoyar el adiestramiento de estos sistemas, siendo empleadas las Metaheurísticasen diversas investigaciones. En este trabajose comparan 3algoritmosmetaheurísticos y la Retropropagación para la calibración de los pesos sinápticos de RNA en la solución de problemas de Clasificación de Patrones. Las Metaheurísticasutilizadas fueron Optimización por Cúmulo de Partículas, Evolución Diferencial y Estrategia Evolutiva.Se muestran como resultado los porcentajes de clasificación de 3 instancias, las cuales son Iris Plant,IonosphereyWinees_MX
dc.language.isospaes_MX
dc.publisherUniversidad de Guanajuatoes_MX
dc.relationhttp://www.jovenesenlaciencia.ugto.mx/index.php/jovenesenlaciencia/article/view/715-
dc.rightsinfo:eu-repo/semantics/openAccesses_MX
dc.sourceJóvenes en la Ciencia: Jóvenes Investigadores Vol. 2 (2016)es_MX
dc.titleImplementación de Algoritmos de Inteligencia Artificial para el Entrenamiento de Redes Neuronales de Segunda Generaciónes_MX
dc.typeinfo:eu-repo/semantics/articlees_MX
dc.subject.ctiinfo:eu-repo/classification/cti/7es_MX
dc.subject.keywordsRedes Neuronales Artificialeses_MX
dc.subject.keywordsRetropropagaciónes_MX
dc.subject.keywordsMetaheurísticases_MX
dc.subject.keywordsReconocimiento de Patroneses_MX
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_MX
dc.creator.twoManuel Ornelas Rodríguez-
dc.creator.threeANDRES ESPINAL JIMENEZ-
dc.creator.fourHéctor J. Puga Soberanes-
dc.creator.idtwoinfo:eu-repo/dai/mx/cvu/31044es_MX
dc.creator.idthreeinfo:eu-repo/dai/mx/cvu/333289es_MX
dc.description.abstractEnglishArtificial Neural Networks (ANN) are information processing systems that are inspiredonbiological neural networks, whose applications have found great approval in many areas and problems, like Pattern Recognition. Before ANN being used, them need to adjust their architecture elementsthrough a Training Phase, whereBackpropagationis a classical method to do it. In practice, some deficiencies of Backpropagation have been found in the ANN training, whichare related to itsmathematical baseand dependency to an expert in the concerning problem. To solve these problems,it has been proposed the use of Metaheuristic algorithmsto support the training phase. This work shows the comparisonbetween Backpropagation and the metaheuristicsParticle Swarm Optimization (PSO), Differential Evolution (DE) and Evolutionary Strategy (ES), taking like main criteria the Pattern Classification performance with 3 classical benchmarks: Iris Plant, Ionosphereand Wine-
Appears in Collections:Revista Jóvenes en la Ciencia



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.