Por favor, use este identificador para citar o enlazar este ítem: http://cybertesis.uni.edu.pe/handle/uni/13728
Título : Efectos de la estructura estadística de los datos en la implementación de la red neuronal autosupervisada
Effects of statistical data structure on the implementation of a self-supervised neural network
Autor : Huamanchumo de la Cuba, Luis E.
Sánchez Alvarado, Luis A.
Palabras clave : Estadística;Análisis de componentes;Algoritmo hebbiano;Reducción de dimensionalidad
Fecha de publicación : 1-jun-2013
Editorial : Universidad Nacional de Ingeniería
Citación : Huamanchumo de la Cuba, L., & Sánchez Alvarado, L. (2013). Efectos de la estructura estadística de los datos en la implementación de la red neuronal autosupervisada. TECNIA, 23(1). https://doi.org/10.21754/tecnia.v23i1.68
Citación : Volumen;23
Número;1
URI Relacionado: http://revistas.uni.edu.pe/index.php/tecnia/article/view/68
Resumen : La presente investigación plantea como objetivo estudiar aspectos técnicos relacionados con la implementación de la red neuronal de Análisis de Componentes Principales (ACP) en términos de su capacidad predictiva, generalización y precisión con el fin de establecer criterios óptimos para su validación, evaluación del desempeño e implementación. Para ello, se plantea la hipótesis de que la estructura estadística de los datos influye significativamente en el óptimo desempeño de la red neuronal de ACP en el contexto no supervisado. Se demostró que el algoritmo Hebbiano de la fase de aprendizaje garantiza la calidad de representación de la red debido a que capitaliza eficientemente la información en escenarios con varianza generalizada grande.
The purpose of this research is to study technical aspects involved in the implementation of a Principal Component Analysis (PCA) neural network in terms of predictive capacity, generalization and accuracy in order to establish optimal criteria for the validation and implementation thereof. Our hypothesis is that the statistical structure of the data affects the optimal performance of a PCA neural network in the unsupervised context. It was demonstrated that the Hebbian algorithm at the learning phase ensures enhanced quality of network representation as it makes efficient use of information where generalized variance is large.
URI : http://cybertesis.uni.edu.pe/handle/uni/13728
ISSN : 2309-0413
Correo electrónico : lhdlc40@gmail.com
Derechos: info:eu-repo/semantics/openAccess
Aparece en las colecciones: Vol. 23 Núm. 1 (2013)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TECNIA_Vol.23-n1-Art. 7.pdf197,61 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons