Please use this identifier to cite or link to this item:
http://ri.uaemex.mx/handle20.500.11799/38175
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Primitivo Toribio Luna | en_EU |
dc.contributor.author | ROBERTO ALEJO ELEUTERIO | en_EU |
dc.contributor.author | ROSA MARIA VALDOVINOS ROSAS | en_EU |
dc.contributor.author | BENJAMIN GONZALO RODRIGUEZ MENDEZ | en_EU |
dc.creator | Primitivo Toribio Luna | - |
dc.creator | ROBERTO ALEJO ELEUTERIO | - |
dc.creator | ROSA MARIA VALDOVINOS ROSAS | - |
dc.creator | BENJAMIN GONZALO RODRIGUEZ MENDEZ | - |
dc.date | 2010-04-29 | - |
dc.identifier | http://hdl.handle.net/20.500.11799/38175 | - |
dc.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. | - |
dc.description | Debido a la habilidad para modelar problemas complejos, actualmente las Redes Neuronales ArtiÀciales (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 especíÀca, 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 | - |
dc.format | application/application/pdf | - |
dc.language | eng | - |
dc.publisher | Universidad Autónoma del Estado de México | - |
dc.relation | http://www.redalyc.org/revista.oa?id=104 | - |
dc.rights | info:eu-repo/semantics/openAccess | - |
dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | - |
dc.source | Ciencia Ergo Sum (México) Num.3 Vol.17 | - |
dc.subject | Multidisciplinarias (Ciencias Sociales) | - |
dc.subject | Redes neuronales artificiales | - |
dc.subject | perceptrón multicapa | - |
dc.subject | redes de función de base radial | - |
dc.subject | máquinas de vectores soporte | - |
dc.subject | preprocesado de datos | - |
dc.subject | info:eu-repo/classification/cti/1 | - |
dc.title | Training Optimization for Artificial Neural Networks | - |
dc.type | article | - |
dc.audience | students | - |
dc.audience | researchers | - |
item.grantfulltext | none | - |
item.fulltext | No Fulltext | - |
Appears in Collections: | Producción |
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.