Estudio comparativo entre máquinas de soporte vectorial multiclase, redes neuronales artificiales y sistema de inferencia neuro-difuso auto organizado para problemas de clasificación

Abstract

En este trabajo se contextualiza un sistema neuro-difuso autoorganizado (SONFIS), su estructura y funcionamiento son explicados en detalle. Se usa el algoritmo SONFIS en tres problemas de clasificación (Fisher iris, Cáncer de Seno y Actividades Humanas) para posteriormente comparar sus resultados frente a clasificadores universales de buen desempeño en problemas de clasificación como las redes neuronales artificiales (ANN) y máquinas de soporte vectorial multiclase (SVM). Se hace una breve descripción de cada uno de estos métodos. Los resultados del estudio muestran que SONFIS tiene un desempeño similar y en algunos casos mejor que ANN y SVM en problemas de clasificación, con la ventaja que genera una base de reglas que puede usarse para entender el problema estructuralmente.

Transfer learning en la clasificación binaria de imágenes térmicas

“…Figura 1. Estructura de una red neuronal artificial [8] Además, se debe señalar que dentro de las ANN encontramos a las redes neuronales convolucionales (CNN), que son un tipo avanzado y de alto potencial del modelo clásico de red neuronal artificial, diseñadas para abordar problemas de mayor complejidad, y usadas generalmente en la clasificación de imágenes [9]. En relación con la separación del set de datos, la técnica tipo hold-out [10] es una de las más utilizadas, y consiste en realizar una división de los datos en tres subconjuntos: el 60 % destinado a entrenamiento, el 20 % a validación y el 20 % restante a las pruebas del modelo, tal como se observa en la Figura 2.…”

Detección de deslizamientos de tierra utilizando técnicas de inteligencia artificial IA

“…14. Imagen Arquitectura red neuronal artificial [12] Detección de deslizamientos de tierra utilizando técnicas de inteligencia artificial IA, Pontificia Universidad Javeriana La ANN tiene implementado un optimizador tipo Adam de naturaleza estocástica, similar a como se presentan las variables trabajadas en la superficie terrestre. La arquitectura de la ANN utilizada para predecir y clasificar se representa en el modelo 3 y tiene como objeto tomar las seis variables de entrada, realizar una combinación amplia de 128 neuronas debido a lo estocástico de la superficie terrestre, con una segunda capa de 64 neuronas buscando reducir el espectro de soluciones y una salida final generada por un sigmoide, se utilizan 30 épocas para optimizar la salida del modelo.…”