Resumen

Las redes neuronales artificiales (RNA) son un algoritmo muy utilizado en los campos del reconocimiento de patrones, la clasificación y la predicción. Entre una serie de redes neuronales, la red neuronal de retropropagación (BPNN) se ha convertido en la más famosa debido a su notable capacidad de aproximación de funciones. Sin embargo, una BPNN estándar suele emplear un gran número de cálculos de suma y sigmoide, lo que puede dar lugar a una baja eficiencia al tratar con un gran volumen de datos. Por lo tanto, paralelizar la BPNN utilizando tecnologías de computación distribuida es una forma eficaz de mejorar el rendimiento del algoritmo en términos de eficiencia. Sin embargo, la paralelización tradicional puede llevar a una pérdida de precisión. Aunque se han realizado varios complementos, sigue siendo difícil encontrar un compromiso entre eficiencia y precisión. Este trabajo presenta un BPNN paralelizado basado en el modelo de computación MapReduce que proporciona características avanzadas, incluyendo la tolerancia a fallos, la replicación de datos y el equilibrio de carga. Y también para mejorar el rendimiento del algoritmo en términos de precisión, este trabajo crea un enfoque de clasificación basado en un modelo en cascada, que ayuda a refinar los resultados de la clasificación. Los resultados experimentales indican que el BPNN paralelizado presentado es capaz de ofrecer una alta eficiencia manteniendo una excelente precisión al permitir el aprendizaje automático a gran escala.

• 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:rendimiento del algoritmo, red neuronal, enfoque de clasificación basado, número de suma, términos de precisión, red neuronal artificial, aprendizaje automático a escala, términos de eficiencia, capacidad de aproximación de funciones, bpnn paralelizada presentada
• Keywords:algorithm performance, neural network, based classification approach, number of sum, terms of precision, artificial neural network, scale machine learning, terms of efficiency, function approximation ability, presented parallelized bpnn