Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Veuillez utiliser cette adresse pour citer ce document : https://rinacional.tecnm.mx/jspui/handle/TecNM/6083
Titre: DESARROLLO DE MODELOS HÍBRIDOS INTELIGENTES PARA CLASIFICACIÓN, AGRUPACIÓN Y PREDICCIÓN EN APLICACIONES MÉDICAS USANDO REDES NEURONALES Y LÓGICA DIFUSA
Auteur(s): En la presente tesis, JULIO CÉSAR%952025 se describe el diseño de modelos híbridos inteligentes para la agrupación, clasificación, y predicción utilizando redes neuronales modulares y sistemas difusos tipo-1 y el uso de algoritmos genéticos para la optimización de las técnicas antes mencionadas. Para el módulo de clasificación el método consiste en optimizar los parámetros de las funciones de membresía entradas y salidas de un sistema difuso tipo-1 utilizando un algoritmo genético. En el método de agrupación se utilizan los mapas autoorganizados de Kohonen para formar 4 agrupaciones según la gravedad de los casos detectados de COVID-19, diabetes e hipertensión y son mostrados en un mapa mundial al usar datos de diferentes países y en un mapa de México al usar datos de México y sus estados. En el módulo para la predicción se utilizan redes neuronales modulares, con un integrador de valor mínimo, y un integrador difuso tipo-1, y un algoritmo genético para la optimización del número de neuronas de dos capas ocultas y se realizan pruebas estadísticas para comprobar si el método optimizado es mejor que el no optimizado.
metadata.dc.subject.other: REDES NEURONALES, LÓGICA DIFUSA, MODELOS HIBRIDOS INTELGENTES
Date de publication: 2021-02-10
Editeur: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Tijuana
Description: En la presente tesis, se describe el diseño de modelos híbridos inteligentes para la agrupación, clasificación, y predicción utilizando redes neuronales modulares y sistemas difusos tipo-1 y el uso de algoritmos genéticos para la optimización de las técnicas antes mencionadas. Para el módulo de clasificación el método consiste en optimizar los parámetros de las funciones de membresía entradas y salidas de un sistema difuso tipo-1 utilizando un algoritmo genético. En el método de agrupación se utilizan los mapas autoorganizados de Kohonen para formar 4 agrupaciones según la gravedad de los casos detectados de COVID-19, diabetes e hipertensión y son mostrados en un mapa mundial al usar datos de diferentes países y en un mapa de México al usar datos de México y sus estados. En el módulo para la predicción se utilizan redes neuronales modulares, con un integrador de valor mínimo, y un integrador difuso tipo-1, y un algoritmo genético para la optimización del número de neuronas de dos capas ocultas y se realizan pruebas estadísticas para comprobar si el método optimizado es mejor que el no optimizado.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Collection(s) :MAESTRÍA EN CIENCIAS DE LA COMPUTACIÓN

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
JULIO CÉSAR MÓNICA TAMIXQUEÑO.pdfDESARROLLO DE MODELOS HÍBRIDOS INTELIGENTES PARA CLASIFICACIÓN, AGRUPACIÓN Y PREDICCIÓN EN APLICACIONES MÉDICAS USANDO REDES NEURONALES Y LÓGICA DIFUSA5.43 MBAdobe PDFVoir/Ouvrir
Cesión de derechos JULIO CÉSAR MÓNICA TEMIXQUEÑO.pdf
  Accès limité
67.12 kBAdobe PDFVoir/Ouvrir    Demander une copie


Ce document est protégé par copyright



Ce document est autorisé sous une licence de type Licence Creative Commons Creative Commons