Resumen

Proponemos un perceptrón de una sola neurona (SNP) inspirado en el cerebro y con propiedades de aproximación universal y computación XOR. Este modelo computacional amplía el patrón de entrada y se basa en las reglas de aprendizaje excitatorio e inhibitorio inspiradas en las conexiones neuronales del sistema nervioso del cerebro humano. La arquitectura resultante de SNP puede ser entrenada mediante reglas de aprendizaje online excitatorias e inhibitorias supervisadas. Las principales características del perceptrón de una sola capa propuesto son la propiedad de aproximación universal y la baja complejidad computacional. El método se ha probado en 6 conjuntos de datos de reconocimiento y clasificación de patrones de la UCI (Universidad de California, Irvine). Varias comparaciones con el perceptrón multicapa (MLP) con el algoritmo de aprendizaje de retropropagación de gradiente (GDBP) indican la superioridad del enfoque en términos de mayor precisión, menor tiempo y complejidad espacial, así como un entrenamiento más rápido. Por lo tanto, creemos que el enfoque propuesto puede ser aplicable en general a varios problemas, como en el reconocimiento de patrones y la clasificación.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:reconocimiento de patrones, universidad de california, reglas de aprendizaje inhibitorias, propiedad de aproximación universal, arquitectura de snp, reglas de aprendizaje en línea, perceptrón de una sola neurona, perceptrón de una sola capa, baja complejidad computacional, propiedad de cálculo xor
• Keywords:pattern recognition, university of california, inhibitory learning rules, universal approximation property, architecture of snp, online learning rules, single neurons perceptron, single layer perceptron, low computational complexity, xor computation property