Deterministically crowded-neuroevolution of augmenting topologies / William Rodolfo Arellano Tamayo ; tutor Cédric Martinez Campos y Francisco Ortega-Zamorano
Tipo de material: TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2019Descripción: 71 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019 Resumen: Las redes artificiales neuronales (RNN) son modelos computacionales que aproximan la actividad cerebral para resolver un problema, sin embargo, el rendimiento de estas redes depende en la correcta configuración de su estructura y de una multitud de parámetros, que en muchos casos son fijados mediante un proceso de prueba y error. La presente tesis propone un algoritmo que automatiza el proceso de afinación de RNNs. El algoritmo propuesto es una variación del algoritmo 'Neuro Evolution of Augmenting Topologies' (NEAT), el cual utiliza conceptos biológicos como evolución, mutación y especiación, para mejorar de manera consistente la adaptación de una población inicial de RNNs generadas de manera aleatoria. El algoritmo propuesto difiere al utilizar una estrategia diferente para la especiación de la población, se pasa de utilizar 'fitness sharing' a utilizar 'deterministic crowding', éste algoritmo propuesto se lo nombra como 'Deterministically Crowded-Neuro Evolution of Augmenting Topologies' (DC-NEAT). A partir de la comparación de NEAT y DC-NEAT a la hora de resolver el problema de balanceo de una vara con configuración completa, observamos que DC-NEAT obtiene redes mas simples en estructura que NEAT, pero requiere un número mayor de generaciones.Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
---|---|---|---|---|---|---|---|---|
Tesis | Biblioteca Yachay Tech | ECMC0011 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000024 |
Navegando Biblioteca Yachay Tech estanterías Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019
Incluye referencias bibliográficas (páginas 62-64)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Las redes artificiales neuronales (RNN) son modelos computacionales que aproximan la actividad cerebral para resolver un problema, sin embargo, el rendimiento de estas redes depende en la correcta configuración de su estructura y de una multitud de parámetros, que en muchos casos son fijados mediante un proceso de prueba y error. La presente tesis propone un algoritmo que automatiza el proceso de afinación de RNNs. El algoritmo propuesto es una variación del algoritmo 'Neuro Evolution of Augmenting Topologies' (NEAT), el cual utiliza conceptos biológicos como evolución, mutación y especiación, para mejorar de manera consistente la adaptación de una población inicial de RNNs generadas de manera aleatoria. El algoritmo propuesto difiere al utilizar una estrategia diferente para la especiación de la población, se pasa de utilizar 'fitness sharing' a utilizar 'deterministic crowding', éste algoritmo propuesto se lo nombra como 'Deterministically Crowded-Neuro Evolution of Augmenting Topologies' (DC-NEAT). A partir de la comparación de NEAT y DC-NEAT a la hora de resolver el problema de balanceo de una vara con configuración completa, observamos que DC-NEAT obtiene redes mas simples en estructura que NEAT, pero requiere un número mayor de generaciones.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.