Resumen

Se propone un optimizador de lobo gris para redes neuronales modulares (MNN) con un enfoque granular. El método propuesto realiza la granulación óptima de los datos y el diseño de arquitecturas de redes neuronales modulares para realizar el reconocimiento humano, y para demostrar su eficacia se utilizan bases de datos de referencia de medidas biométricas de oreja, iris y cara para realizar pruebas y comparaciones con otros trabajos. El diseño de una red neuronal modular granular (MGNN) consiste en encontrar los parámetros óptimos de su arquitectura; estos parámetros son el número de subgránulos, el porcentaje de datos para la fase de entrenamiento, el algoritmo de aprendizaje, el error objetivo, el número de capas ocultas y su número de neuronas. En la actualidad, existe una gran variedad de enfoques y nuevas técnicas dentro del área de la computación evolutiva, y estos enfoques y técnicas han surgido para ayudar a encontrar soluciones óptimas a problemas o modelos y los algoritmos bioinspirados forman parte de esta área. En este trabajo se propone un optimizador de lobo gris para el diseño de redes neuronales modulares granulares, y se comparan los resultados contra un algoritmo genético y un algoritmo de luciérnaga para saber cuál de estas técnicas proporciona mejores resultados cuando se aplica al reconocimiento humano.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:optimizador lobo gris, red neuronal modular, red neuronal granular, reconocimiento humano, variedad de enfoque, número de neuronas, diseño, porcentaje de datos, número de subgránulos, área de computación evolutiva
• Keywords:grey wolf optimizer, modular neural network, granular neural network, human recognition, variety of approach, number of neurons, design, percentage of data, number of subgranules, evolutionary computing area