| Revista: | Polibits |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000373718 |
| ISSN: | 1870-9044 |
| Autores: | Garro, Beatriz A1 Sossa, Humberto1 Vázquez, Roberto A2 |
| Instituciones: | 1Instituto Politécnico Nacional, Centro de Investigación en Computación, México, Distrito Federal. México 2Universidad La Salle, Facultad de Ingeniería, México, Distrito Federal. México |
| Año: | 2012 |
| Periodo: | Jul-Dic |
| Número: | 46 |
| Paginación: | 13-27 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Experimental, aplicado |
| Resumen en español | En el área de la Inteligencia Artificial, las Redes Neuronales Artificiales (RNA) han sido aplicadas para la solución de múltiples tareas. A pesar de su declive y del resurgimiento de su desarrollo y aplicación, su diseño se ha caracterizado por un mecanismo de prueba y error, el cual puede originar un desempeño bajo. Por otro lado, los algoritmos de aprendizaje que se utilizan como el algoritmo de retropropagacion y otros basados en el gradiente descenciente, presentan una desventaja: no pueden resolver problemas no continuos ni problemas multimodales. Por esta razón surge la idea de aplicar algoritmos evolutivos para diseñar de manera automática una RNA. En esta investigación, el algoritmo de Evolución Diferencial (ED) encuentra los mejores elementos principales de una RNA: la arquitectura, los pesos sinápticos y las funciones de transferencia. Por otro lado, dos funciones de aptitud son propuestas: el error cuadraatico medio (MSE por sus siglas en inglés) y el error de clasificación (CER) las cuales, involucran la etapa de validación para garantizar un buen desempeño de la RNA. Primero se realizó un estudio de las diferentes configuraciones del algoritmo de ED, y al determinar cuál fue la mejor configuración se realizó una experimentación exhaustiva para medir el desempeño de la metodología propuesta al resolver problemas de clasificación de patrones. También, se presenta una comparativa contra dos algoritmos clásicos de entrenamiento: Gradiente descendiente y Levenberg–Marquardt |
| Resumen en inglés | Artificial Neural Networks (ANN) have been applied in several tasks in the field of Artificial Intelligence. Despite their decline and then resurgence, the ANN design is currently a trial–and–error process, which can stay trapped in bad solutions. In addition, the learning algorithms used, such as back–propagation and other algorithms based in the gradient descent, present a disadvantage: they cannot be used to solve non–continuous and multimodal problems. For this reason, the application of evolutionary algorithms to automatically designing ANNs is proposed. In this research, the Differential Evolution (DE) algorithm inds the best design for the main elements of ANN: the architecture, the set of synaptic weights, and the set of transfer functions. Also two itness functions are used (the mean square error—MSE and the classification error—CER) which involve the validation stage to guarantee a good ANN performance. First, a study of the best parameter coniguration for DE algorithm is conducted. The experimental results show the performance of the proposed methodology to solve pattern classiication problems. Next, a comparison with two classic learning algorithms—gradiant descent and Levenberg–Marquardt—are presented |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Inteligencia artificial, Redes, Redes neuronales artificiales, Evolución diferencial, Clasificación de patrones |
| Keyword: | Computer science, Artificial intelligence, Networks, Artificial neural networks, Differential evolution, Pattern classification |
| Texto completo: | Texto completo (Ver HTML) |
