Resumen

Un modelo de Red Neuronal Artificial Equivalente (EANN) describe el conjunto de ganancias, vistas como parámetros en una capa, y esta consideración es un proceso reproducible, aplicable a una neurona en una red neuronal (NN). El EANN ayuda a estimar las ganancias o parámetros de la NN, por lo que proponemos dos métodos para determinarlas. El primero considera una inferencia difusa combinada con el filtro de Kalman tradicional, obteniendo el modelo equivalente y estimando en sentido difuso la matriz de ganancias A y la ganancia adecuada K en la identificación del filtro tradicional. El segundo desarrolla una estimación directa en el espacio de estado, describiendo un EANN utilizando el valor esperado y la descripción recursiva de la estimación de las ganancias. Finalmente, se realiza una comparación de ambas descripciones; destacando que el método analítico describe los coeficientes de la red neuronal de forma directa, mientras que la otra técnica requiere seleccionar en la Base de Conocimiento (KB) los factores basados en el error funcional y la señal de referencia construida con la información pasada del sistema.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:coeficiente de la red neuronal, identificación del filtro tradicional, red neuronal artificial, eann, filtro kalman tradicional, ganancia adecuada, señal de referencia, estimación de la ganancia, ganancia nn, base de conocimientos
• Keywords:neural net coefficient, traditional filter identification, artificial neural net, eann, traditional kalman filter, proper gain, reference signal, gain estimation, nn gain, knowledge base