Resumen

Las redes neuronales artificiales han sido modelos de entrenamiento muy utilizados para resolver tareas de reconocimiento de patrones. Sin embargo, el entrenamiento de un conjunto de datos de entrenamiento muy grande utilizando una red neuronal compleja requiere un tiempo de entrenamiento excesivamente alto. En esta correspondencia, se instituye un nuevo algoritmo rápido de Entrenamiento de Salto Adaptativo Lineal (LAST) para el entrenamiento de redes neuronales artificiales (ANN). La esencia de este trabajo es mejorar la velocidad de entrenamiento de la RNA mostrando sólo las muestras de entrada que no categorizan perfectamente en la época anterior, lo que reduce dinámicamente el número de muestras de entrada mostradas a la red en cada época sin afectar a la precisión de la red. De este modo, al disminuir el tamaño del conjunto de entrenamiento se puede reducir el tiempo de entrenamiento, mejorando así la velocidad de entrenamiento. Este algoritmo LAST también determina cuántas épocas debe saltarse una muestra de entrada concreta en función de la clasificación satisfactoria de dicha muestra de entrada. Este algoritmo LAST puede incorporarse a cualquier algoritmo de entrenamiento supervisado. Los resultados experimentales muestran que la velocidad de entrenamiento alcanzada por el algoritmo LAST es preferiblemente superior a la de otros algoritmos de entrenamiento convencionales.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:último algoritmo, velocidad de entrenamiento, muestras de entrada, nuevo entrenamiento rápido de salto lineal adaptativo, otros algoritmos de entrenamiento convencionales, red neuronal artificial, red neuronal artificial, red neuronal compleja, tiempo de entrenamiento elevado, datos de entrenamiento enormes
• Keywords:last algorithm, training speed, input samples, new fast linear adaptive skipping training, other conventional training algorithms, artificial neural network, artificial neural network, complex neural network, high training time, huge training data