Resumen

En este documento se propone un modelo de neurona dendrítica evolutiva (EDNM) para resolver problemas de clasificación. Utiliza sinapsis y ramas dendríticas para implementar la computación no lineal. A diferencia del modelo clásico de neurona dendrítica (CDNM) entrenado por el algoritmo de retropropagación (BP), el EDNM propuesto se entrena en cambio con un algoritmo de búsqueda de cuco (CS) metaheurístico, que ha sido considerado como un algoritmo de búsqueda global. El algoritmo CS permite que el EDNM evite varias desventajas, como la convergencia lenta, quedar atrapado en mínimos locales y ser sensible a los valores iniciales. Para evaluar el rendimiento del EDNM, lo comparamos con un perceptrón multicapa (MLP) y CDNM en dos problemas de clasificación de referencia. Los resultados experimentales demuestran que el EDNM es superior al MLP y al CDNM en términos de tasa de precisión, curva característica del operador receptor (ROC) y velocidad de convergencia. Además

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Modelo evolutivo de neuronas dendríticas; Problemas de clasificación; Sinapsis; Ramas dendríticas; Algoritmo de búsqueda del cuco; Perceptrón multicapa
• Keywords:Evolutionary dendritic neuron model; Classification problems; Synapses; Dendritic branches; Cuckoo search algorithm; Multilayer perceptron