Optimización de redes neuronales de funciones base radiales mediante algoritmos evolutivos
- Autores: Víctor Manuel Rivas Santos
- Directores de la Tesis: Juan Julián Merelo Guervós (dir. tes.), Alberto Prieto Espinosa (dir. tes.)
- Lectura: En la Universidad de Granada ( España ) en 2003
- Idioma: español
- Tribunal Calificador de la Tesis: José María Troya Linero (presid.), Héctor Pomares Cintas (secret.), Carlos Cotta Porras (voc.), Francisco Herrera Triguero (voc.), Luis Alfonso Ureña López (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
En esta tesis se describe un nuevo método, EvRBF, basado en un algoritmo evolutivo y diseñado para entrenar redes neuronales de funciones base radiales (RNFBR), El método automatiza el establecimiento de los valores para los parámetros de la RNFBR, incluido el tamaño de la misma, intentnado acercarlos a sus valores óptimos.
Adecionalmente, se introduce el concepto de Objeto Evolutivo a partir del cual se ha generado la biblioteca de programación EO, con la que se ha programado el nuevo método. Los Objetivos Evolutivos han permitido la construcción de sistemas que engloban a todos los pradigmas de la computación evolutiva.
A continuación, se realiza una revisión de los diferentes enfocados basados en algoritmos evolutivos que tratan de diseñar redes neuronales artificiales. De forma más particular, se revisan los métodos propuestos en la literatura para el diseño automático de RNFBR, incluyendo tanto algoritmos evolutivos como no evolutivos.
Posteriormente, se describen los nuevos operadores genéticos diseñados para operar con RNFBR y se realiza un estudio para determinar con qué factores de probabilidad deben ser aplicados. Igualmente, se estudian diversos métodos de inicialización de individuos y asignación de fitness, concluyendo con un conjunto de parámetros óptimo para ejecutar el método.
Por último, se comprueba la efectividad del método propuesto aplicándolo a diversos problemas de aproximación funcional, clasificación de patrones y estimación de series temporales. Las tasas de error alcanzadas por el método demuestran su capacidad para determinar la arquitectura de las RNFBR y entrenar los diversos parámetros que las componen.
