Jose Gerardo Chacón Rangel, Anderson Smith Flórez Fuentes, Johel Enrique Rodriguez Fernandez
En este artículo se presenta el desarrollo de un sistema computacional difuso neuronal que permite clasificar casos de datos sintéticos a través patrones con solapamiento controlado. Se construyó una serie de modelos neuronales con lógica difusa y redes neurales que fueron analizados utilizando diferentes porcentajes de solapamiento. En función de los resultados obtenidos, se seleccionó el mejor modelo para clasificar los patrones de acuerdo con criterios apropiados de desempeño como error permitido y tiempo de entrenamiento. Se obtuvo un modelo capaz de identificar un tipo de clase, que tiende a minimizar los errores de clasificación. El modelo difuso neuronal de este tipo puede ayudar a especialistas de diferentes disciplinas a diagnosticar con un mínimo de error, cuando los datos presentan rasgos con patrones solapados.
This article presents the development of a computational system that allows diffuse neuronal classify cases of synthetic data through patterns overlap with controlled. They built a series of models with neural fuzzy logic and neural networks that were analyzed using different percentages of overlap. Depending on the results obtained, was selected the best model to classify the patterns in accordance with appropriate criteria for performance as permissible and training time. We obtained a model able to identify a type of class, which tends to minimize the errors of classification. The diffuse neuronal model of this type can help specialists from different disciplines to diagnose with a minimum of error, when data are traits with overlapping patterns.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados