Training Optimization for Artificial Neural Networks

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...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Primitivo Toribio Luna, Roberto Alejo Eleuterio, Rosa María Valdovinos Rosas, Benjamín Gonzalo Rodríguez Méndez
Formato:	article
Lenguaje:	EN
Publicado:	Universidad Autonoma del Estado de Mexico 2010
Materias:	redes neuronales artificiales perceptrón multicapa redes de función de base radial máquinas de vectores soporte preprocesado de datos Science Q Social Sciences H
Acceso en línea:	https://doaj.org/article/4943b7b0f57a44559a0bba34f29895d0
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:4943b7b0f57a44559a0bba34f29895d0
record_format	dspace
spelling	oai:doaj.org-article:4943b7b0f57a44559a0bba34f29895d02021-11-11T14:46:37ZTraining Optimization for Artificial Neural Networks1405-02692395-8782https://doaj.org/article/4943b7b0f57a44559a0bba34f29895d02010-01-01T00:00:00Zhttp://www.redalyc.org/articulo.oa?id=10415212010https://doaj.org/toc/1405-0269https://doaj.org/toc/2395-8782Debido 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.Primitivo Toribio LunaRoberto Alejo EleuterioRosa María Valdovinos RosasBenjamín Gonzalo Rodríguez MéndezUniversidad Autonoma del Estado de Mexicoarticleredes neuronales artificialesperceptrón multicaparedes de función de base radialmáquinas de vectores soportepreprocesado de datosScienceQSocial SciencesHENCiencia Ergo Sum, Vol 17, Iss 3, Pp 313-317 (2010)
institution	DOAJ
collection	DOAJ
language	EN
topic	redes neuronales artificiales perceptrón multicapa redes de función de base radial máquinas de vectores soporte preprocesado de datos Science Q Social Sciences H
spellingShingle	redes neuronales artificiales perceptrón multicapa redes de función de base radial máquinas de vectores soporte preprocesado de datos Science Q Social Sciences H Primitivo Toribio Luna Roberto Alejo Eleuterio Rosa María Valdovinos Rosas Benjamín Gonzalo Rodríguez Méndez Training Optimization for Artificial Neural Networks
description	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.
format	article
author	Primitivo Toribio Luna Roberto Alejo Eleuterio Rosa María Valdovinos Rosas Benjamín Gonzalo Rodríguez Méndez
author_facet	Primitivo Toribio Luna Roberto Alejo Eleuterio Rosa María Valdovinos Rosas Benjamín Gonzalo Rodríguez Méndez
author_sort	Primitivo Toribio Luna
title	Training Optimization for Artificial Neural Networks
title_short	Training Optimization for Artificial Neural Networks
title_full	Training Optimization for Artificial Neural Networks
title_fullStr	Training Optimization for Artificial Neural Networks
title_full_unstemmed	Training Optimization for Artificial Neural Networks
title_sort	training optimization for artificial neural networks
publisher	Universidad Autonoma del Estado de Mexico
publishDate	2010
url	https://doaj.org/article/4943b7b0f57a44559a0bba34f29895d0
work_keys_str_mv	AT primitivotoribioluna trainingoptimizationforartificialneuralnetworks AT robertoalejoeleuterio trainingoptimizationforartificialneuralnetworks AT rosamariavaldovinosrosas trainingoptimizationforartificialneuralnetworks AT benjamingonzalorodriguezmendez trainingoptimizationforartificialneuralnetworks
_version_	1718438742725754880

Training Optimization for Artificial Neural Networks

Ejemplares similares