1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Guanajuato
4. Instituto Tecnológico de León (Posgrado)
5. Tesis de Maestría
6. Maestría en Ciencias de la Computación

Title:	DISEÑO EVOLUTIVO MULTI-OBJETIVO DE REDES NEURONALES DE TERCERA GENERACION APLICADAS A RECONOCIMIENTO DE PATRONES
Authors:	JUAREZ SANTINI, CARLOS ALBERTO%956894
metadata.dc.subject.other:	Redes neuronales (Computación) Redes neuronales recurrentes Redes neuronales de picos Algoritmos evolutivos Algoritmos genéticos Aprendizaje automático Sistemas de reconocimiento de patrones Inteligencia artificial Máquina de estado líquido
Issue Date:	2021-02-26
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de León
Description:	Se han desarrollado redes neuronales artificiales (ANN) para imitar el comportamiento biológico-dinámico del cerebro. Las ANN se han implementado para resolver diferentes tipos de problemas, en particular para resolver problemas de clasificación. El estudio de las RNA ha evolucionado hacia nuevos modelos, agrupándolas incluso en tres generaciones. Durante la última década, se han propuesto diferentes técnicas para entrenar las RNA, desde propagar un error de clasificación, afinar reglas de aprendizaje o centrarse en su plasticidad, hasta utilizar algoritmos basados en la teoría de Darwin para aprender sus parámetros. Por lo tanto, se han desarrollado muchas opciones para mejorar el rendimiento de la ANN. En el presente trabajo, se desarrollan Spiking Neural Networks (SNNs) (tercera generación de ANNs) mediante un enfoque evolutivo multiobjetivo, concentrándose en optimizar los parámetros de SNN con el objetivo de mejorar su rendimiento para resolver problemas de clasificación de patrones. En primer lugar, se presenta la evolución de los parámetros de una sola neurona de pico para implementar un modelo Leaky Integrate-and-Fire (LIF), a través de una comparación entre algoritmos multi-objetivo y mono-objetivo. Estos algoritmos son Optimización de enjambre de partículas multiobjetivo optimizada (OMOPSO) y Optimización de enjambre de partículas (PSO), respectivamente. Posteriormente, se introducen las Liquid States Machines (LSM), ya que implementan internamente RNN, que son SNN con conexiones recurrentes en lugar de un proceso de avance. Se propone un enfoque multiobjetivo para optimizar las conexiones sinápticas generadas en el RNN formado por las neuronas del modelo de respuesta de picos (SRM), mediante el algoritmo evolutivo multi-objetivo basado en la descomposición con asignación dinámica de recursos (MOEA/D-DRA). Nuestros estudios muestran una perspectiva para optimizar los SNN en comparación con el trabajo en el estado del arte. Esta perspectiva implica la aplicación de algoritmos multiobjetivo y funciones objetivo, que guían las soluciones en el espacio de búsqueda para encontrar un conjunto de soluciones óptimas. Estos dos estudios se evaluaron en una serie de problemas de clasificación de referencia bien conocidos. El enfoque multi-objetivo es el objeto del estudio para optimizar los SNN, logrando mejores resultados que el enfoque mono-objetivo, incluso aplicando la reducción de dimensiones a partir de los datos de entrada. Además, en comparación con el trabajo en el estado del arte, nuestra propuesta utiliza una menor potencia computacional pero no puede mejorar el rendimiento en las tareas de clasificación. No obstante, nuestra propuesta proporciona una alternativa para optimizar un LSM tomado de una nueva propuesta para hacer que sus vectores de estado sean utilizados por el enfoque evolutivo multi-objetivo.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias de la Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License