Complejidad en redes neuronales - retropropagación

Vargas Sánchez, German Gonzalo

dc.creator	Vargas Sánchez, German Gonzalo
dc.date	2018-05-15
dc.date.accessioned	2020-08-21T20:40:34Z
dc.date.available	2020-08-21T20:40:34Z
dc.identifier	https://revistas.unbosque.edu.co/index.php/RevTec/article/view/2312
dc.identifier	10.18270/rt.v16i1.2312
dc.identifier.uri	http://test.repositoriodigital.com:8080/handle/123456789/10800
dc.description	Este artículo muestra una forma para aplicar el concepto de complejidad a redes neuronales artificiales, particularmente a las que utilizan el método backpropagation. Apoyados en el principio hologramático del pensamiento complejo se encontró un método para preparar los datos de entrada a la red neuronal de acuerdo con los valores esperados de las salidas, separando los datos en dos conjunto los cuales tienen como patrones de entrenamiento el promedio de cada conjunto de datos.	es-AR
dc.description	Este artículo muestra una forma para aplicar el concepto de complejidad a redes neuronales artificiales, particularmente a las que utilizan el método backpropagation. Apoyados en el principio hologramático del pensamiento complejo se encontró un método para preparar los datos de entrada a la red neuronal de acuerdo con los valores esperados de las salidas, separando los datos en dos conjunto los cuales tienen como patrones de entrenamiento el promedio de cada conjunto de datos.	es-ES
dc.format	application/pdf
dc.language	spa
dc.publisher	Universidad El Bosque	es-ES
dc.relation	https://revistas.unbosque.edu.co/index.php/RevTec/article/view/2312/1744
dc.relation	/ref/Luna, P. T., Eleuterio, R. A., Rosas, R. M. V., & Méndez, B. G. R. (2010). Optimización del entrenamiento para Redes Neuronales Artificiales. CIENCIA ergo-sum, 17(3), 313-317.
dc.relation	/ref/Marco Antonio Valencia Reyes1 Cornelio Yáñez Márquez2, & Fernández3, L. P. S. (2006). Algoritmo Backpropagation para Redes Neuronales : conceptos y aplicaciones. Thesis.
dc.relation	/ref/Izaurieta, F., & Saavedra, C. (1999). Redes Neuronales Artificiales. Charlas de Fisica, 1–15. doi:10.1016/S0210-5691(05)74198-X
dc.relation	/ref/Martinj Del Brio, B., & Serrano Cinca, C. (1995). Fundamentos De Las Redes Neuronales Artificiales: Hardware Y Software. Scire. Representación Y Organización Del Conocimiento, 1 , 103–125. Retrieved from http://ibersid.eu/ojs/index.php/scire/article/ view/1036/1018
dc.relation	/ref/Montaño, J. J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos. Network, 275.
dc.relation	/ref/Palmer Pol, a, & Montaño Moreno, J. J. (1999). ¿ Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adiciones. Adicciones, 11, 243–256. Retrieved from http://disi.unal.edu. co/~lctorress/RedNeu/LiRna001.pdf
dc.relation	/ref/Phansalkar, V. V., & Sastry, P. S. (1994). Analysis of the backpropagation algorithm with momentum. IEEE Transactions on Neural Networks, 5, 505–506. doi:10.1109/72.286925
dc.relation	/ref/Flores Burgess, A., Prieto Riascos, L., & Llavero Bernal, F. (2011). Redes neuronales como sistemas complejos adaptativos.
dc.relation	/ref/Maldonado, C. E., & Cruz, N. A. G. (2011). El mundo de las ciencias de la complejidad: una investigación sobre qué son, su desarrollo y sus posibilidades. Editorial Universidad del Rosario, Universidad Colegio Mayor de Nuestra Señora del Rosario, Facultad de Administración.
dc.relation	/ref/Toribio, P., & Alejo, R. (2009). Complejidad de los datos en las Redes Neuronales Artificiales: Estado de la cuestión. In 7 Congreso Internacional de Cómputo en Optimización y Software, CICOS.
dc.relation	/ref/Zhang, H., Xu, D., & Zhang, Y. (2014). Boundedness and convergence of split-complex backpropagation algorithm with momentum and penalty. Neural Processing Letters, 39, 297–307. doi:10.1007/s11063-013-9305-x
dc.relation	/ref/Che, Z.-G., Chiang, T.-A., & Che, Z.-H. (2011). Feed-forward neural networks training: A comparison between genetic algorithm and backpropagation learning algorithm. International Journal of Innovative Computing, Information and Control, 7, 5839–5850.
dc.relation	/ref/Fahlman, S. E., & Fahlman, S. E. (1988). An empirical study of learning speed in backpropagation networks. Neural Networks, 6, 1–19. Retrieved from http://scholar.google.com/scholar?cluster=3383018529262918047&hl=en
dc.relation	/ref/Kolen, J. F., & Pollack, J. B. (1990). Backpropagation is Sensitive to Initial Conditions. Complex Systems, 4, 269–280. [15] Rehman, M. Z., & Nawi, N. M. (2011). Improving the Accuracy of Gradient Descent Backpropagation Algorithm (GDAM) on Classification Problems. International Journal on New Computer Architectures and Their Applications (IJNCAA) The Society of Digital Information and Wireless Communications, 1, 861–870.
dc.relation	/ref/Van Ooyen, a., & Nienhuis, B. (1992). Improving the convergence of the backpropagation algorithm. Neural Networks, 5, 465–471. doi:10.1016/0893-6080(92)90008-7
dc.rights	Derechos de autor 2018 Journal of Technology	es-ES
dc.rights	http://creativecommons.org/licenses/by/4.0	es-ES
dc.source	Journal of Technology; Vol 16 No 1 (2017): Ingeniería de recursos Hídricos; 9-14	en-US
dc.source	Revista de Tecnología; ##issue.vol## 16 ##issue.no## 1 (2017): Ingeniería de recursos Hídricos; 9-14	es-AR
dc.source	Revista de Tecnología; Vol. 16 Núm. 1 (2017): Ingeniería de recursos Hídricos; 9-14	es-ES
dc.source	1692-1399
dc.subject	Redes neuronales artificiales	es-ES
dc.subject	retropropagación	es-ES
dc.subject	complegidad	es-ES
dc.title	Complejidad en redes neuronales - retropropagación	es-AR
dc.title	Complejidad en redes neuronales - retropropagación	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Revista de tecnología [162]

Mostrar el registro sencillo del ítem