Clasificador no Lineal Basado en Redes Neuronales con Funciones de Base Radial para Implementación en Sistemas de Punto Fijo

• Botero-Valencia, Juan S. ^[3] ; Sánchez-Giraldo, Luis G. ^[1] ; Delgado-Trejos, Edilson ^[2]
  1. [1] University of Florida

     University of Florida

     Estados Unidos

     
  2. [2] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
  3. [3] Ingeniero Electrónico. Estudiante de Maestría en Automatización y Control Industrial. Auxiliar de investigación. Instituto Tec nológico Metropolitano, Medellín

  Mostrar afiliaciones +
• Localización: TecnoLógicas, ISSN-e 2256-5337, ISSN 0123-7799, Nº. 22, 2009 (Ejemplar dedicado a: Enero - Junio), págs. 11-28
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Para implementar máquinas inteligentes, es común requerir de sistemas de clasificación que sean eficientes y realizables en plataformas con bajo nivel de procesamiento. En este trabajo se presenta un método de diseño para estimar los parámetros de un clasificador basado en redes neuronales con funciones de base radial para ser implementado en sistemas de procesamiento digital con punto fijo. En principio, usando métricas estadísticas se obtiene el número de centroides necesarios para llevar las clases a un espacio que las haga linealmente separables, posteriormente aplicando el algoritmo k-medias se estima la ubicación de los centroides. Se determina la distancia de los puntos de entrenamiento a cada centroide, y usando aproximación por mínimos cuadrados se calculan los pesos de la función de salida. De esta manera, se obtiene un clasificador con una complejidad computacional reducida que permita ser usado en sistemas con requerimientos de bajo nivel de procesamiento como los de tiempo real.

  • English

    Implementation of intelligent machines requires of efficient classification systems under limited computational resources. Thisstudy introduces a method for estimating the parameters of Radial Basis Function Neural Network (RBF-NN) that can be implemented on a fixed point processor. First, the number of hidden nodes is chosen based on statistics of the mapped data points. A k-means search is then carried out to determine the location of each node. The hidden units mapping corresponds to the Euclidean distance of their centers to each data point, the weights of the output sum are obtained by solving a linear least squares problem. With this procedure, a low computational cost classifier can be readily implemented on a low capacity platform for real time applications.