Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/6090
Title: MODELO DE APRENDIZAJE NEURONAL DIFUSO PROFUNDO APLICADO A PROBLEMAS DE DETECCIÓN Y CLASIFICACIÓN
Authors: Torres Quiroz, Cesar Alan%1106407
metadata.dc.subject.other: Aprendizaje Neuronal Difuso, problemas de detección y clasificación
Issue Date: 2023-03-09
Publisher: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Tijuana
Description: Los modelos de redes neuronales convolucionales han demostrado capacidades increíbles al realizar tareas de clasificación, a pesar de esto, se han encontrado múltiples adversidades a la hora de aplicarlos en ambientes de dominio o áreas específicas, tales como lo son los sistemas de clasificación de señales de tránsito. La utilización de técnicas difusas para preprocesamiento de información muestra la capacidad de manejar incertidumbre encontrada en los datos que pasan por la red. En el presente trabajo de tesis se presenta la iniciativa, para realizar una incorporación de técnicas de lógica difusa dentro de un modelo de red neuronal convolucional para manejar la incertidumbre presente en las fuentes de información que pasan por el modelo a la hora de entrenarlo. En la implementación se plantea la utilización de información y filtros en el espectro difuso, así como la creación de una nueva capa para sustituir la capa clásica de convolución por un nuevo filtrado de ventana en el cual se aplican procesos de composición matricial. El trabajo fue probado en bases de datos orientadas a clasificación de señales de tránsito, debido a su complejidad, dadas en las distintas circunstancias y factores alternos en los que se puede encontrar un señalamiento
metadata.dc.type: info:eu-repo/semantics/masterThesis
Appears in Collections:MAESTRÍA EN CIENCIAS DE LA COMPUTACIÓN

Files in This Item:
File Description SizeFormat 
Tesis Cesar Alan Torres Quiroz.pdf6.49 MBAdobe PDFView/Open
Cesión de derechos Cesar Alan Torres Quiroz.pdf
  Restricted Access
73.28 kBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons