Resumen

El aprendizaje multiestrategia de los mapas autoorganizativos (SOM) y la optimización por enjambre de partículas (PSO) se aplica habitualmente en el ámbito de la agrupación debido a su capacidad para manejar características de datos complejas. Sin embargo, algunas de estas arquitecturas de aprendizaje multiestrategia tienen puntos débiles como la lentitud en el tiempo de convergencia, quedando siempre atrapados en los mínimos locales. Este trabajo propone el aprendizaje multiestrategia de la estructura reticular de SOM con la optimización de enjambre de partículas que se denomina ESOMPSO para resolver varios problemas de clasificación. La mejora de la estructura reticular de SOM se implementa introduciendo una nueva formulación hexagonal para mejorar la calidad del mapeo en la clasificación y etiquetado de datos. Los pesos del SOM mejorado se optimizan mediante PSO para obtener una mejor calidad de los resultados. El método propuesto se ha probado en varios conjuntos de datos estándar con comparaciones sustanciales con la red SOM existente y con varias medidas de distancia. Los resultados muestran que nuestro método propuesto produce un resultado prometedor con una mejor precisión media y errores de cuantificación en comparación con los otros métodos, así como una prueba significativa convincente.

• Materias:Neurociencia Cognitiva Trastornos mentales Imagen por resonancia magnética Ondas encefálicas Neurofisiología
• Subjects:Cognitive Neuroscience Mental disorders Magnetic resonance imaging Brain waves Neurophysiology
• Palabras claves:estructura de rejilla som, aprendizaje multiestrategia, tiempo de convergencia lento, mejor precisión media, optimización de enjambre de partículas, aprendizaje de sí mismo, mejor calidad de mapeo, varias medidas de distancia, prueba significativa convincente, nueva formulación de hexágono
• Keywords:som lattice structure, multistrategy learning, slow convergence time, better average accuracy, particles swarm optimisation, learning of self, better mapping quality, various distance measurement, convincing significant test, new hexagon formulation