{"id":103630,"date":"2018-03-11T10:26:17","date_gmt":"2018-03-11T10:26:17","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/algoritmos-de-aprendizaje-bioinspirados-multi-objetivo-para-el-diseno-de-modelos-de-redes-neuronales-artificiales-en-clasificacion\/"},"modified":"2018-03-11T10:26:17","modified_gmt":"2018-03-11T10:26:17","slug":"algoritmos-de-aprendizaje-bioinspirados-multi-objetivo-para-el-diseno-de-modelos-de-redes-neuronales-artificiales-en-clasificacion","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/redes-neuronales\/algoritmos-de-aprendizaje-bioinspirados-multi-objetivo-para-el-diseno-de-modelos-de-redes-neuronales-artificiales-en-clasificacion\/","title":{"rendered":"Algoritmos de aprendizaje bioinspirados multi-objetivo para el dise\u00f1o de modelos de redes neuronales artificiales en clasificaci\u00f3n"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Juan  Carlos Fern\u00e1ndez Caballero <\/strong><\/h2>\n<p>Las rnas (1) (redes neuronales artificiales), que constituyen una de las \u00e1reas de la inteligencia artificial (ia) que m\u00e1s se han desarrollado en los \u00faltimos a\u00f1os, pueden situarse como una manera de abordar problemas de clasificaci\u00f3n de patrones. La mayor\u00eda de algoritmos de aprendizaje supervisado que utilizan redes neuronales artificiales han tenido como primer objetivo minimizar el error cuadr\u00e1tico medio sobre los datos del conjunto de entrenamiento. Es bien conocido que los algoritmos que est\u00e1n basados solamente en la minimizaci\u00f3n de este error no garantizan una buena generalizaci\u00f3n. De esta forma, resulta necesario considerar otros objetivos que permitan obtener una red neuronal que pueda aprender la estructura subyacente de los datos, evitando lo que en lenguaje de redes se denomina sobreentrenamiento y, en el contexto m\u00e1s general de la teor\u00eda del aprendizaje, resolver el dilema bias-variance sesgo-varianza. Este hecho, permite afrontar el problema del dise\u00f1o  y aprendizaje de una red neuronal desde un enfoque multiobjetivo. Para una revisi\u00f3n sobre las t\u00e9cnicas cl\u00e1sicas de clasificaci\u00f3n con redes neuronales y sus problemas se puede consultar (2). no existen muchos trabajos que utilicen de forma combinada t\u00e9cnicas evolutivas multi-objetivo y redes neuronales para la resoluci\u00f3n de problemas de aprendizaje: clasificaci\u00f3n y o regresi\u00f3n. Ante un problema de aprendizaje, normalmente no hay un mejor modelo, sino posiblemente un conjunto de mejores modelos o de soluciones no-dominadas seg\u00fan la terminolog\u00eda de los algoritmos evolutivos multi-objetivo o moeas. Entre los escasos trabajos encontrados sobre esta tem\u00e1tica cabe destacar los de abbass 2003 (3), friedlsend y singh 2005 (4), y m. Delgado y m.C. Pegalajar (10-11).   Por otro lado tenemos otra metodolog\u00eda para el entrenamiento de modelos de rnas para clasificaci\u00f3n de patrones que se basa en la evoluci\u00f3n diferencial (e.D). La e.D es una heur\u00edstica recientemente desarrollada (5) para resolver problemas de optimizaci\u00f3n en dominios continuos, donde cada variable de decisi\u00f3n se representa en el cromosoma mediante un n\u00famero real y  donde se usa selecci\u00f3n y cruce como sus operadores primarios. La e.D posee una amplia gama de aplicaciones, de entre las que se encuentran el entrenamiento de redes neuronales, el dise\u00f1o de filtros digitales, la optimizaci\u00f3n de procesos qu\u00edmicos no lineales, el dise\u00f1o de redes de transmisi\u00f3n de aguas, etc. Un estudio m\u00e1s detallado de las t\u00e9cnicas de ed puede verse en (6), adem\u00e1s de numerosos ejemplos sobre aplicaciones de este algoritmo. desde un punto de vista diferente, el uso de una mixtura de clasificadores en vez de un  solo clasificador,  es una idea que se ha introducido con fuerza recientemente en la teor\u00eda de aprendizaje. Concretamente ha sido demostrado formalmente y estudiado emp\u00edricamente que un conjunto de clasificadores (ensemble) tiene, en general, mejor capacidad de generalizaci\u00f3n que un solo clasificador. Aunque son numerosos los trabajos que estudian ensembles de redes neuronales, hay pocos que lo hacen desde una estructura multiobjetivo, en la que la precisi\u00f3n de cada elemento del conjunto y la diversidad del mismo son los objetivos a optimizar. La referencia m\u00e1s importante de este enfoque la encontramos en el trabajo de a. Chandra y x. Yao (2005) (7), en donde se aplican las t\u00e9cnicas multiobjetivo en el contexto de ensembles para evolucionar  redes neuronales para clasificaci\u00f3n. Los art\u00edculos citados junto a otros que complementan a los anteriores (8), (9) abren una l\u00ednea de investigaci\u00f3n en la que quedan diferentes problemas abiertos.  por tanto, podemos resumir este trabajo de tesis en: hacer un estudio (estado del arte) de las t\u00e9cnicas utilizadas para la clasificaci\u00f3n de patrones con rnas (multi-objetivo), hasta llegar al algoritmo pde (pareto differential evolution) de abbass (3), pasando por el algoritmo nsga2, puesto que ser\u00e1n los modelos de referencia. desarrollo de modelos de rnas con unidades de base sigmoides, producto, rbf e h\u00edbridas. selecci\u00f3n autom\u00e1tica de ensembles. aplicaci\u00f3n a bases de datos de la uci y a problemas reales. aplicar los algoritmos y m\u00e9todos  desarrollados en la plataforma keel (11), tanto en la parte experimental como en la docente.  (1) s. Haykin, neural networks: a comprehensive foundation. Upper saddle river, nj, usa: prentice hall, 2nd edition, 1998. (2) g. P. Zhang, \u00abneural networks for classification: a survey,\u00bb ieee transactions on systems, man, and cybernetics &#8211; part c: applications and reviews, vol. 30, pp. 451-462, 2000. (3) h. Abbass, speeding backpropagation using multiobjetive evolutionary algorithms, neural computation 15, 2705-2726 (2003) (4) j. E. Friedlsend, s. Singh, pareto evolutionary neural networks, ieee trans. Neural networks, 16, 2, 2005. (5) r. Storn and k. Price. Differential evolution. A fast and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11:341-359, 1997 (6) k. V. Price, r. M. Storn, and j. A. Lampinen, differential evolution. A practical approach to global optimization: springer, 2005. (7)  a. Chandra, x. Yao. Divace: diverse and accurate ensemble learning algorithm, in proceedings of the fifth international  conference on intelligent data engineering and automated learning, exeter, uk, august 2004, lectures notes and computer science, vol. 3177, springer, berlin, pp. 619-625. (8) m.H. Nguyen, h.A. Abbass and r.I. Mckay. Stopping criteria for ensemble of evolutionary artificial neural networks, applied soft computing, vol. 6, no. 1, pp. 100&#8211;107, november 2005 (9) jes\u00fas gonz\u00e1lez, ignacio rojas, julio ortega, h\u00e9ctor pomares and antonio fco. D\u00edaz. Multiobjective evolutionary optimization of the size, shape and position parameters of radial basin function networks for function approximation, ieee trans. On neural networks, vol. 14, no. 6, pp. 1478&#8211;1498, november 2003. (10) m. Delgado and m. C. Pegalajar, \u00aba multiobjective genetic algorithm for obtain the optimal sizeof a recurrent neural network for grammatical inference,\u00bb pattern recognition, vol. 38, pp. 1444-1456, 2005. (11) m. Delgado, m. P. Cu\u00e9llar, and m. C. Pegalajar, \u00abalgoritmos multiobjetivo h\u00edbridos para entrenamiento y optimizaci\u00f3n de modelos neuronales recurrentes din\u00e1micos,\u00bb in v congreso en metaheur\u00edsticas, algoritmos evolutivos y bioinspirados, maeb 07, tenerife, espa\u00f1a, 2007, pp. 91-98.<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Algoritmos de aprendizaje bioinspirados multi-objetivo para el dise\u00f1o de modelos de redes neuronales artificiales en clasificaci\u00f3n<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Algoritmos de aprendizaje bioinspirados multi-objetivo para el dise\u00f1o de modelos de redes neuronales artificiales en clasificaci\u00f3n <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Juan  Carlos Fern\u00e1ndez Caballero <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Granada<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 14\/09\/2010<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>C\u00e9sar Herv\u00e1s Mart\u00ednez<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: jos\u00e9 Mu\u00f1oz p\u00e9rez <\/li>\n<li>Jos\u00e9 crist\u00f3bal Riquelme santos (vocal)<\/li>\n<li>sebastian Emilio Ventura soto (vocal)<\/li>\n<li>M\u00aa teresa Lamata jim\u00e9nez (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Juan Carlos Fern\u00e1ndez Caballero Las rnas (1) (redes neuronales artificiales), que constituyen una de las \u00e1reas de [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[41293,16880,37303,7953],"tags":[20815,62593,24726,209770,170814,34750],"class_list":["post-103630","post","type-post","status-publish","format-standard","hentry","category-computacion-hibrida","category-construccion-de-algoritmos","category-heuristica","category-redes-neuronales","tag-cesar-hervas-Martinez","tag-jose-cristobal-riquelme-santos","tag-jose-munoz-perez","tag-juan-carlos-fernandez-caballero","tag-ma-teresa-lamata-jimenez","tag-sebastian-emilio-ventura-soto"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/103630","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=103630"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/103630\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=103630"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=103630"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=103630"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}