Robustez y flexibilidad en los mapas autoorganizativos para ambientes no estacionarios
Tipo de material:
TextoDetalles de publicación: Valparaíso : UTFSM , 2007Descripción: xiii, 95 h. : ilTema(s): SISTEMAS DE RECONOCIMIENTO DE PATRONES | REDES NEURONALES (ciencia de la computación) | BC / MEM (memorias UTFSM con resúmenes)Clasificación CDD: M 006.42 Nota de disertación: Tesis (Magíster en Ciencias de la Informática ) - -(Ing. Civil en Informática) -- Prof. guía: Héctor Allende; ; prof. correferente : Raul Monge y Enrique Canessa Tema: [Resumen del autor]Tema: Los datos son una fuente de información de gran valor y han sido utilizados por el hombre a lo largo de su historia. La cantidad y disponibilidad de estos ha crecido enormemente gracias a la existencia y disponibilidad de las bases de datos. Las redes neuronales artificiales son una herramienta poderosa para poder encontrar, clasificar y reconocer patrones dentro del conjunto de datos. Lamentablemente las redes neuronales nos pueden llevar a una mala generalización del espacio de entrada debido a la naturaleza cambiante del fenómeno que genera los datos y a la existencia de datos atípicos denominados outliers. Los outliers corresponden a ciertos puntos del conjunto de entrada que contienen características disimilares a la mayoría de la base de datos, los cuales afectan el aprendizaje de las redes neuronales, perdiendo la capacidad de una buena generalización del espacio de entrada. No es recomendable descartar los outliers debido a que no se sabe su naturaleza y existe la posibilidad que contenga información relevante. Es por ello que se propone introducir una función de robustificación en el proceso de aprendizaje de la red, de manera de disminuir la influencia de los outliers en el modelo. Otro problema existente en las redes neuronales corresponde a la interferencia catastrófica, este problema afecta el aprendizaje de la red, olvidando lo aprendido anteriormente cuando se presenta un nuevo conjunto de datos de entrenamiento, sin lograr aprender la topología del fenómeno que genera datos cambiantes a través del tiempo. Para abordar el problema anteriormente descrito, en esta tesis se propone un modelo híbrido basado en redes SOM, para poder analizar de manera efectiva los datos que varían través del tiempo. Esta propuesta busca la sinergia de algoritmos ya existentes, logrando un modelo robusto, flexible y dinámico, que sea capaz de aprender la topología y particiones existentes en la data sin ser afectada por la presencia de datos atípicos y a la vez, que aprenda a través del tiempo sin olvidar en forma catastrófica los datos aprendidos anteriormente.
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 006.42 M843 (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900125863 |
Incluye apéndices
h.93-95
Tesis como requerimiento parcial para optar al grado académico de "Magister en Ciencias de la Ingeniería Informática" y el Título profesional "Ingeniero Civil en Informática"
Tesis (Magíster en Ciencias de la Informática ) - -(Ing. Civil en Informática) -- Prof. guía: Héctor Allende; ; prof. correferente : Raul Monge y Enrique Canessa
h.97-98
[Resumen del autor]
Los datos son una fuente de información de gran valor y han sido utilizados por el hombre a lo largo de su historia. La cantidad y disponibilidad de estos ha crecido enormemente gracias a la existencia y disponibilidad de las bases de datos. Las redes neuronales artificiales son una herramienta poderosa para poder encontrar, clasificar y reconocer patrones dentro del conjunto de datos. Lamentablemente las redes neuronales nos pueden llevar a una mala generalización del espacio de entrada debido a la naturaleza cambiante del fenómeno que genera los datos y a la existencia de datos atípicos denominados outliers. Los outliers corresponden a ciertos puntos del conjunto de entrada que contienen características disimilares a la mayoría de la base de datos, los cuales afectan el aprendizaje de las redes neuronales, perdiendo la capacidad de una buena generalización del espacio de entrada. No es recomendable descartar los outliers debido a que no se sabe su naturaleza y existe la posibilidad que contenga información relevante. Es por ello que se propone introducir una función de robustificación en el proceso de aprendizaje de la red, de manera de disminuir la influencia de los outliers en el modelo. Otro problema existente en las redes neuronales corresponde a la interferencia catastrófica, este problema afecta el aprendizaje de la red, olvidando lo aprendido anteriormente cuando se presenta un nuevo conjunto de datos de entrenamiento, sin lograr aprender la topología del fenómeno que genera datos cambiantes a través del tiempo. Para abordar el problema anteriormente descrito, en esta tesis se propone un modelo híbrido basado en redes SOM, para poder analizar de manera efectiva los datos que varían través del tiempo. Esta propuesta busca la sinergia de algoritmos ya existentes, logrando un modelo robusto, flexible y dinámico, que sea capaz de aprender la topología y particiones existentes en la data sin ser afectada por la presencia de datos atípicos y a la vez, que aprenda a través del tiempo sin olvidar en forma catastrófica los datos aprendidos anteriormente.
2