Modelo de Simulación para Redes Neuronales Artificiales, Basado en el Algoritmo del Gradiente Descendente
| dc.contributor.advisor | Ramírez Ordínola , Víctor Hugo | |
| dc.contributor.author | Correa Morocho, Reucher | |
| dc.date.accessioned | 2016-08-26T23:56:47Z | |
| dc.date.available | 2016-08-26T23:56:47Z | |
| dc.date.issued | 2013 | |
| dc.description.abstract | En esta investigación se resolvió el problema ¿Cómo implementar un Modelo Simulación de Redes Neuronales Artificiales, Basado en el Algoritmo del Gradiente Descendente?. Esto demándó desarrollar una serie de actividades propias del proceso científico. La secuencia de actividades componente de la Metodología de investigación aplicada, va desde la determinación de los componentes del Modelo de Simulación de RNA, hasta su implementación y aplicación en procesos de aprendizaje y entrenamiento; enfocándos en los algoritmos de aprendizaje y entrenamiento. Para efectos del análisis y discusión de resultados, se realizaron 1 O ejecuciones en cada modelo, dando un total de 40 ejecuciones. Con estas corridas, comprobamos que para los archivos considerados, los tiempos de Entrenamiento y los de Validación se presentan en márgenes aceptables, variando entre menos de 1 y 1 O segundos, siendo el tiempo de Validación menor que el de Entrenamiento en el 100% de las ejecuciones. Asimismo, se observó que en el 100% de las ejecuciones el Error de Validación es menor que el Error de Entrenamiento, lo que demuestra que estos modelos no presentan un problema de sobreajuste en el proceso de Entrenamiento, permitiéndonos afirmar que: Es posible implementar un Modelo para la Simulación de Redes Neuronales Artificiales, Basado en el Algoritmo del Gradiente Descendente. Con la interpretación de resultados, hemos concluido que, La ventaja más importante de la Simulación de una RNA, está en su potencial de cálculo para solucionar problemas que son demasiado complejos para las técnicas convencionales: problemas que no tienen un algoritmo especifico para su solución, o cuyo algoritmo es demasiado complejo para ser encontrado. Nuestro Modelo, no presenta problemas de sobreajuste en el proceso de entrenamiento y los tiempos de procesamiento son aceptables, según la data de los archivos, base de comparación. | es_PE |
| dc.description.uri | Tesis | |
| dc.format | application/pdf | en_US |
| dc.identifier.other | IND-COR-MOR-13 | |
| dc.identifier.uri | https://repositorio.unp.edu.pe/handle/UNP/649 | |
| dc.language.iso | spa | es_PE |
| dc.publisher | Universidad Nacional de Piura | es_PE |
| dc.rights | info:eu-repo/semantics/restrictedAccess | en_US |
| dc.source | Universidad Nacional de Piura | es_PE |
| dc.source | Repositorio Institucional - UNP | es_PE |
| dc.subject | Modelo | es_PE |
| dc.subject | Simulación | es_PE |
| dc.subject | Redes | es_PE |
| dc.subject | Neuronales | es_PE |
| dc.subject | Artificiales | es_PE |
| dc.subject | Basado | es_PE |
| dc.subject | Algoritmo | es_PE |
| dc.subject | Gradiente | es_PE |
| dc.title | Modelo de Simulación para Redes Neuronales Artificiales, Basado en el Algoritmo del Gradiente Descendente | es_PE |
| dc.type | info:eu-repo/semantics/masterThesis | en_US |
| thesis.degree.discipline | Ingeniería Industrial | |
| thesis.degree.grantor | Universidad Nacional de Piura. Escuela de Posgrado | |
| thesis.degree.level | Maestría | |
| thesis.degree.name | Magister en Tecnologías de la Información y Comunicacones |