Resumen

Un Perceptrón Multicapa (MLP) es un modelo de red neuronal feedforward que consiste en una o más capas ocultas entre las capas de entrada y salida. Los MLP han sido aplicados con éxito para resolver una amplia gama de problemas en los campos de la neurociencia, la lingüística computacional y el procesamiento distribuido en paralelo. Si bien los MLP son altamente exitosos en la resolución de problemas que no son linealmente separables, dos de los mayores desafíos en su desarrollo y aplicación son el problema de los mínimos locales y el problema de la convergencia lenta bajo el desafío de grandes volúmenes de datos. Para abordar estos problemas, este estudio propone un algoritmo de Optimización Hibrida Basada en Biogeografía Caótica (HCBBO) para entrenar MLPs en el análisis y procesamiento de grandes volúmenes de datos. Se emplean cuatro conjuntos de datos de referencia para investigar la efectividad de HCBBO en el entrenamiento de MLPs. La precisión de los resultados y la convergencia de HCBBO se comparan

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Perceptrón multicapa; Red neuronal; Grandes datos; Algoritmo de optimización; Convergencia; Algoritmos heurísticos
• Keywords:Multilayer perceptron; Neural network; Big data; Optimization algorithm; Convergence; Heuristic algorithms