Resumen

El diseño de redes neuronales artificiales (RNA) es una tarea compleja porque su rendimiento depende de la arquitectura, la función de transferencia seleccionada y el algoritmo de aprendizaje utilizado para entrenar el conjunto de pesos sinápticos. En este trabajo presentamos una metodología que diseña automáticamente una RNA utilizando algoritmos de optimización de enjambre de partículas como la Optimización Básica de Enjambre de Partículas (PSO), la Segunda Generación de Optimización de Enjambre de Partículas (SGPSO), y un Nuevo Modelo de PSO llamado NMPSO. El objetivo de estos algoritmos es evolucionar, al mismo tiempo, los tres componentes principales de una RNA: el conjunto de pesos sinápticos, las conexiones o arquitectura, y las funciones de transferencia de cada neurona. Se han propuesto ocho funciones de aptitud diferentes para evaluar la aptitud de cada solución y encontrar el mejor diseño. Estas funciones se basan en el error cuadrático medio (MSE) y el error de clasificación (CER) e implementan una estrategia para evitar el sobreentrenamiento y reducir el número de conexiones en la RNA. Además, la RNA diseñada con la metodología propuesta se compara con las diseñadas manualmente utilizando los conocidos algoritmos de aprendizaje Back-Propagation y Levenberg-Marquardt. Finalmente, se comprueba la precisión del método con diferentes problemas de clasificación de patrones no lineales.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:optimización de enjambre de partículas, ann, peso sináptico, problema de clasificación de patrones, modelo de pso, error cuadrático medio, número de conexión, enjambre de partículas básico, función de aptitud diferente, generación de partículas
• Keywords:particles swarm optimization, ann, synaptic weight, pattern classification problem, model of pso, means square error, number of connection, basic particles swarm, different fitness function, generation of particles