1. DSpace-CRIS UAEMEX
  2. Interoperabilidad Repositorio Nacional
  3. Producción
Please use this identifier to cite or link to this item: http://ri.uaemex.mx/handle20.500.11799/38175
DC FieldValueLanguage
dc.contributor.authorPrimitivo Toribio Lunaen_EU
dc.contributor.authorROBERTO ALEJO ELEUTERIOen_EU
dc.contributor.authorROSA MARIA VALDOVINOS ROSASen_EU
dc.contributor.authorBENJAMIN GONZALO RODRIGUEZ MENDEZen_EU
dc.creatorPrimitivo Toribio Luna-
dc.creatorROBERTO ALEJO ELEUTERIO-
dc.creatorROSA MARIA VALDOVINOS ROSAS-
dc.creatorBENJAMIN GONZALO RODRIGUEZ MENDEZ-
dc.date2010-04-29-
dc.identifierhttp://hdl.handle.net/20.500.11799/38175-
dc.descriptionDebido 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.descriptionDebido 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.formatapplication/application/pdf-
dc.languageeng-
dc.publisherUniversidad Autónoma del Estado de México-
dc.relationhttp://www.redalyc.org/revista.oa?id=104-
dc.rightsinfo:eu-repo/semantics/openAccess-
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0-
dc.sourceCiencia Ergo Sum (México) Num.3 Vol.17-
dc.subjectMultidisciplinarias (Ciencias Sociales)-
dc.subjectRedes neuronales artificiales-
dc.subjectperceptrón multicapa-
dc.subjectredes de función de base radial-
dc.subjectmáquinas de vectores soporte-
dc.subjectpreprocesado de datos-
dc.subjectinfo:eu-repo/classification/cti/1-
dc.titleTraining Optimization for Artificial Neural Networks-
dc.typearticle-
dc.audiencestudents-
dc.audienceresearchers-
item.grantfulltextnone-
item.fulltextNo Fulltext-
Appears in Collections:Producción
Show simple item record

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.