Influencia de la variación de las funciones de transferencia en el perceptrón multicapa, en ambiente local y distribuido afectar su eficiencia.

Abstract

Dentro de los diferentes tipos de redes de neuronas artificiales (RNA) que existen, el perceptrón multicapa (PMC) es uno de los que mejores resultados ha aportado en los estudios de relación estructura-actividad. Se conoce que los volúmenes de datos previstos para procesar en el proyecto alasGRATO, son definitivamente grandes, por lo que se propuso evaluar algoritmos para acortar el tiempo del entrenamiento de la red sin afectar su eficiencia. Se evaluaron diferentes herramientas que trabajan con las RNA de las cuales se seleccionó el Weka para extraer el algoritmo del PMC y la Plataforma de Tareas Distribuidas Tarenal para distribuir el entrenamiento del mismo. Finalmente se desarrolló un algoritmo para el entrenamiento local y distribuido del PMC con la posibilidad de variar las funciones de transferencia. Se demostró que en dependencia de la muestra de entrenamiento, la variación de las funciones de transferencia pueden reportar resultados mucho más eficientes que los obtenidos con la función Sigmoidea (función de que se emplea generalmente con este tipo de red) con incremento de la G-Media entre el 4,5 y el 17%. Por otra parte, se encontró que en los entrenamientos distribuidos es posible alcanzar, eventualmente, mejores resultados que los logrados en un ambiente local.