Redes Neuronales

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA) son capaces de aprender conjuntos de datos pero conforme se va almacenando la información la red va olvidando los datos que aprendió con anterioridad. Las RNA son eficaces al aprender una sola tarea.

Sin embargo existen algoritmos que pueden aminorar este tipo de problemas, cabe mencionar el algoritmo Learn ++ el cual funciona de tal manera que entrena la red ingresando conjuntos de datos y conforme van llegando los conjuntos de datos olvida menos del conjunto anterior, obteniendo buenos resultados. Exisisten algunos algortimos evolutivos que han implantado pesos dobles en las redes neuronales las cuales evolucionan para ajustar mas los parámetros de ellas y así se ha superado el rendimiento del algoritmo Learn++, este algorimo al tener pesos dobles se pueden tener mas conexiones en la red y de esta manera tener una mejor distribucion de tareas la cual hace mas eficiente la red.

Entonces el objetivo de este trabajo es utilizar un algoritmo evolutivo que evoluciona todos los parámetros para evolucionar redes neuronales con dobles pesos esperando obtener mejores resultados

Las redes neuronales artificiales (RNA)

...