Martínez LAE, Goddard CJ

Idioma: Español
Referencias bibliográficas: 11
Paginas: 4-11
Archivo PDF: 135.79 Kb.

RESUMEN

Las redes neuronales artificiales llamadas Perceptrones Multicapas (PM) son una herramienta buena para la solución de problemas de clasificación. Se ha demostrado que los PM con una capa oculta en su arquitectura pueden separar satisfactoriamente las clases involucradas en un problema dado; sin embargo el número de nodos ocultos es desconocido ya que no existe un método para definirlos y depende mucho del problema a resolver. En el presente trabajo se explica cómo, por medio de un programa evolutivo (PE) con cromosomas de longitud variable, se puede encontrar el número adecuado de nodos ocultos, así como los pesos de todas las conexiones para definir por completo la arquitectura de un PM empleado en la solución de problemas de clasificación. Se supone únicamente que el número de nodos de entrada y de salida están fijos. Los operadores que se usan en el PE son selección y dos formas de mutación, los cuales se explican detalladamente en el artículo.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Arturo Hernández Aguirre, «Introducción a las Redes Neuronales Artificiales», Soluciones Avanzadas, Año 7, No. 63, pp. 25-34, nov. De 1998.

2. José R. Hilera, Víctor J. Martínez. “Redes Neuronales Artificiales.

3. Fundamentos, modelos y aplicaciones”, Addison-Wesley Iberoamerica, 1987.

4. Mohamad H. Hassoun, “Fundamentals of Artificial Neural Networks”, The MIT Press, 1995.

5. David J. Montana, “Neural Network Weight Selection Using Genetic Algorithms”, capitulo 5 de Intelligent Hybrid Systems, Goonatilake and Khebbal (Eds.), John Wiley & Sons, 1995.

6. Frédéric Gruau, “Genetic Programming of Neural Networks: Theory and Practice” capitulo 13 de Intelligent Hybrid Systems, Goonatilake and Khebbal (Eds.), John Wiley & Sons, 1995.

7. Peter J. Angeline, Gregory M. Saunders y Jordan B. Pollack, “An Evolutionary Algorithm that Constructs Recurrent Neural Networks”, IEEE Transactions on Neural Networks, 5 (1), pp. 54-65, 1994.

8. Xin Yao, “Evolving Artificial Neural Networks”, Proc. of the IEEE, 87(9):1423-1447, September 1999.

9. David B. Fogel, “Evolutionary Computation. Toward a New Philosophy of Machine Intelligence”, The Institute of Electrical and Electronic Engineers, New York, 1995.

10. R.A. Fisher,”The use of multiple measurements in taxonomic problems,” Annual Eugenics, 7, Part II, pp. 179-188, 1936.

11. [Apoyo de Conacyt No. 400200-5-31929A]