Diseño de la arquitectura e inicialización de los pesos de Redes Neuronales Artificiales de tipo Perceptrón Multicapa aplicando el algoritmo conceptual RGC

Abstract

Las redes neuronales artificiales son sistemas conexionistas que se basan en el funcionamiento de las redes neuronales biológicas para solucionar problemas complejos. Dentro de ellas, uno de los modelos más utilizados para la solución de problemas supervisados es el Perceptrón Multicapa teniendo en cuenta su gran capacidad como aproximador universal. En este modelo se presentan dos problemas que son significativos tanto en la convergencia como en la ejecución de la red neuronal artificial, uno relacionado con el diseño de la arquitectura y otro referente a la determinación de los pesos sinápticos iniciales. El presente trabajo se propone como objetivo general aplicar el algoritmo RGC en el diseño de la arquitectura e inicialización de los pesos del Perceptrón Multicapa para mejorar la eficacia en la clasificación. Se utilizaron como métodos científicos el analítico-sintético, hipotético-deductivo, observación, histórico-lógico y preexperimento, los que permitieron dirigir la investigación. Se describen las dos etapas del algoritmo RGC: determinación extensional y determinación intencional. Para validar los resultados se utiliza el método de validación cruzada y la prueba no paramétrica de Friedman. Se establecen comparaciones en cuanto a la cantidad de objetos clasificados correctamente entre tres configuraciones del Perceprón Multicapa, uno sin aplicar los algoritmos conceptuales, otro aplicando el algoritmo LC-Conceptual y el último aplicando el algoritmo RGC. Los resultados demuestran que la solución propuesta garantiza una mayor eficacia en la solución de problemas.

Artificial neural networks are connectionist systems that rely on the functioning of biological neural networks to solve complex problems. Among them, one of the most commonly used models for supervised problem solving is the Multilayer Perceptron, given its high capacity as a universal approximator. This model presents two problems that are significant both in the convergence and in the execution of the artificial neuronal network, one related to the design of the architecture and the other referring to the determination of the initial synaptic weights. The general objective of this work is to apply the RGC algorithm in the design of the architecture and initialization of the Multilayer Perceptron weights to improve the efficiency of the classification. Analytical-synthetic, hypothetical-deductive, observation, historical-logical and pre-experimental methods were used as scientific methods, which allowed the research to be conducted. The two stages of the GCR algorithm are described: extensional determination and intentional determination. The cross validation method and Friedman's non-parametric test are used to validate the results. Comparisons are made in terms of the number of objects correctly classified between three configurations of the Multilayer Percepron, one without applying the conceptual algorithms, another applying the LC-Conceptual algorithm and the last applying the RGC algorithm. The results show that the proposed solution guarantees greater efficiency in problem solving.