Sistema automático de entrenamiento de redes neuronales artificiales basado en el ajuste genético de parámetros y variación de arquitectura

Simple item page
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.authorMéndez Ortiz, Edgar Alberto
dc.contributor.authorMarino Mesa, Juan Sebastian
dc.date.accessioned2024-03-03T17:00:09Z
dc.date.available2008
dc.date.available2024-03-03T17:00:09Z
dc.date.created2008
dc.date.issued2008
dc.description.abstractEVOLUTIVA, CAPAS OCULTAS, FUNCIONES DE ACTIVACIÓN. ˘ Las redes neuronales artificiales, han mostrado su impacto en diferentes áreas de la ciencia, donde se aplican a problemas de clasificación y predicción de patrones. Aunque esta técnica ha sido utilizada frecuentemente por muchos investigadores, no se tiene aun una teoría sólida que permita identificar la estructura de una red neuronal de forma adecuada; por lo tanto la selección de esta estructura se busca por medio de prueba y error, o en el mejor de los casos con la aplicación de algunas reglas para configuración; además de jugar un papel importante la experiencia adquirida por el experto. Por lo tanto resulta de gran utilidad desarrollar un software que busque las diferentes configuraciones y los parámetros necesarios para obtener soluciones sobre las cuales el usuario analice y decida la opción que se ajuste a sus necesidades. Se utiliza entonces un algoritmo genético para hallar estos parámetros dada su capacidad como sistema de búsqueda óptima en conjuntos muestrales de gran tamaño. El sistema desarrollado busca en gran medida reducir la complejidad computacional de encontrar una arquitectura de red en un tiempo prudencial. Este trabajo trata de forma no convencional dos típicos problemas en la optimización de redes neuronales para aprender problemas particulares, el diseño de la arquitectura (capas-neuronas) y las funciones de activación que se deben usar en cada una de estas capas. La red se entrena por métodos basados en retro-propagación que el usuario tiene la posibilidad de elegir; además se aplican técnicas para lograr una mejor generalización como son la detención temprana, la repetición del entrenamiento y el ajuste de los datos de entrenamiento a las funciones de activación usadas (normalización).
dc.description.abstractenglishThe artificial neural networks have shown their impact on different areas of science, where they are applied to problems of classification and prediction of patterns. Although this technique has been used frequently by many researchers, it is not even a solid theory to identify the exact structure of a neural network properly, so the selection of this structure is being sought through trial and error, or best to implement some rules for configuration, as well as playing an important role the experience gained by the expert. Therefore it is very useful to develop software that look different configurations and parameters required to produce solutions on which the user to analyze and decide on the option that fits your needs. It was then uses a genetic algorithm to find these parameters, given their capacity as optim search system in large size sets The search system developed largely reduce the computational complexity of finding a network architecture in a suitable timely. This work deals in a non-conventional way two typical problems in the optimization of neural networks for learning problems, the design of the architecture (layer-neurons) and the activation functions to be used in each of these layers. The network is trained by backpropagation based methods spread that the user has a choice; also apply techniques to achieve better generalization such as the early stopping, the repetition of training and adjusting the training data for activation functions used (normalization). ,,,,,,,,,,,,,,,,,,,
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/20649
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectRedes Neuronales
dc.subjectAlgoritmos Genéticos
dc.subjectComputación
dc.subject.keywordNeural Networks
dc.subject.keywordGenetic Algorithms
dc.subject.keywordEvolutionary Computation
dc.subject.keywordOptimization.
dc.titleSistema automático de entrenamiento de redes neuronales artificiales basado en el ajuste genético de parámetros y variación de arquitectura
dc.title.englishAutomatic training system for artificial neural networks based on the genetic fit of parameters and architecture variation*
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
480.06 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.87 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
470.84 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Sistemas