Resumen

El entrenamiento de una red neuronal artificial (RNA) ajusta los pesos internos de la red con el fin de minimizar una medida de error predefinida. Esta medida de error está dada por una función de error. En la literatura se sugieren varias funciones de error diferentes. Sin embargo, la medida más común para regresión es el error cuadrático medio. Este artículo investiga la posibilidad de mejorar el rendimiento de las redes neuronales seleccionando o definiendo funciones de error hechas a medida para un objetivo específico. Se diseña y prueba una red neuronal entrenada para simular fuerzas de tensión en una cadena de anclaje en una plataforma flotante en alta mar. El propósito de configurar la red es reducir el tiempo de cálculo en un análisis de vida útil por fatiga. Por lo tanto, se comparan las redes entrenadas con diferentes funciones de error en cuanto a la precisión de los recuentos de ciclos de estrés mediante el método de rain flow en varias simulaciones de series temporales. Se muestra que es posible ajustar la función de error para que funcione significativamente mejor en un problema específico. Por otro

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Entrenamiento; Red neuronal artificial; Funciones de error; Error cuadrático medio; Rendimiento; Funciones de error ponderadas
• Keywords:Training; Artificial neural network; Error functions; Mean square error; Performance; Weighted error functions