Sistema anticolisión para invidentes usando redes neuronales evolutivas

Introducción: El presente artículo muestra el diseño e implementación de un sistema anticolisión para invidentes usando redes neuronales evolutivas. Objetivo: Presentar la implementación de redes neuronales evolutivas en un sistema guía para invidentes en la detección de obstáculos estáticos y en mo...

Full description

Autores:
Alvarado Coral, Juan David
Muñoz España, Elena
Tipo de recurso:
Article of journal
Fecha de publicación:
2018
Institución:
Corporación Universidad de la Costa
Repositorio:
REDICUC - Repositorio CUC
Idioma:
spa
OAI Identifier:
oai:repositorio.cuc.edu.co:11323/12181
Acceso en línea:
https://hdl.handle.net/11323/12181
https://doi.org/10.17981/ingecuc.14.2.2018.03
Palabra clave:
Cooperative co-evolutionary genetic algorithm
blind
anti-collision system
neuro-evolutionary method
artificial neural network
Algoritmo genético cooperativo coevolutivo
invidente
sistema anticolisión
método neuroevolutivo
red neuronal artificial
Rights
openAccess
License
INGE CUC - 2018
id RCUC2_66d412ac930a758894423a7dc434a2d5
oai_identifier_str oai:repositorio.cuc.edu.co:11323/12181
network_acronym_str RCUC2
network_name_str REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv Sistema anticolisión para invidentes usando redes neuronales evolutivas
dc.title.translated.eng.fl_str_mv Anti-collision system for blind people using evolutionary neural networks
title Sistema anticolisión para invidentes usando redes neuronales evolutivas
spellingShingle Sistema anticolisión para invidentes usando redes neuronales evolutivas
Cooperative co-evolutionary genetic algorithm
blind
anti-collision system
neuro-evolutionary method
artificial neural network
Algoritmo genético cooperativo coevolutivo
invidente
sistema anticolisión
método neuroevolutivo
red neuronal artificial
title_short Sistema anticolisión para invidentes usando redes neuronales evolutivas
title_full Sistema anticolisión para invidentes usando redes neuronales evolutivas
title_fullStr Sistema anticolisión para invidentes usando redes neuronales evolutivas
title_full_unstemmed Sistema anticolisión para invidentes usando redes neuronales evolutivas
title_sort Sistema anticolisión para invidentes usando redes neuronales evolutivas
dc.creator.fl_str_mv Alvarado Coral, Juan David
Muñoz España, Elena
dc.contributor.author.spa.fl_str_mv Alvarado Coral, Juan David
Muñoz España, Elena
dc.subject.eng.fl_str_mv Cooperative co-evolutionary genetic algorithm
blind
anti-collision system
neuro-evolutionary method
artificial neural network
topic Cooperative co-evolutionary genetic algorithm
blind
anti-collision system
neuro-evolutionary method
artificial neural network
Algoritmo genético cooperativo coevolutivo
invidente
sistema anticolisión
método neuroevolutivo
red neuronal artificial
dc.subject.spa.fl_str_mv Algoritmo genético cooperativo coevolutivo
invidente
sistema anticolisión
método neuroevolutivo
red neuronal artificial
description Introducción: El presente artículo muestra el diseño e implementación de un sistema anticolisión para invidentes usando redes neuronales evolutivas. Objetivo: Presentar la implementación de redes neuronales evolutivas en un sistema guía para invidentes en la detección de obstáculos estáticos y en movimiento. Metodología: La metodología empleada se basa en la creación de redes neuronales artificiales a partir del algoritmo genético cooperativo coevolutivo (AGCC), este se encarga de estructurar, modificar y entrenar las redes neuronales. Para ello utiliza la matriz de definición de red (MDR). Para la elaboración de una MDR se toma como base un cromosoma “parte del algoritmo genético”. Una vez este realizada la MDR se crea una red neuronal artificial para luego ser entrenada. Resultados: El programa realizó varias redes neuronales generando en cada ejecución 10 cromosomas, que al ser entrenados con el AGCC y aplicando la cooperatividad, se obtuvieron las mejores redes neuronales anticolisión teniendo en cuenta un tiempo definido, funcionando efectivamente para la detección de obstáculos estáticos y en movimiento. Conclusiones: En el sistema anticolisión para invidentes se observó la eficacia de las redes neuronales en dar una respuesta, detectando objetos tanto estáticos como en movimiento proporcionando seguridad al invidente, evitando colisiones con estos.
publishDate 2018
dc.date.accessioned.none.fl_str_mv 2018-07-02 00:00:00
2024-04-09T20:14:47Z
dc.date.available.none.fl_str_mv 2018-07-02 00:00:00
2024-04-09T20:14:47Z
dc.date.issued.none.fl_str_mv 2018-07-02
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv Journal article
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 0122-6517
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/11323/12181
dc.identifier.url.none.fl_str_mv https://doi.org/10.17981/ingecuc.14.2.2018.03
dc.identifier.doi.none.fl_str_mv 10.17981/ingecuc.14.2.2018.03
dc.identifier.eissn.none.fl_str_mv 2382-4700
identifier_str_mv 0122-6517
10.17981/ingecuc.14.2.2018.03
2382-4700
url https://hdl.handle.net/11323/12181
https://doi.org/10.17981/ingecuc.14.2.2018.03
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartofjournal.spa.fl_str_mv Inge Cuc
dc.relation.references.spa.fl_str_mv J. Mosquera and D. Rodríguez, "Sistema de reconocimiento de obstáculos para movilidad de Invidentes," tesis de pregrado, Universidad del Cauca, 2014. [2] T. Praczyk, "Neural anti-collision system for autonomous surface vehicle," Neurocomputing, vol. 149, pp. 559–572, 2015. https://doi.org/10.1016/j.neucom.2014.08.018 [3] D. Curran and C. O'Riordan, "Increasing population diversity through cultural learning," Adaptive Behavior, vol. 14, no. 4, pp. 315–338, 2006. https://doi.org/10.1177/1059712306072335 [4] G. Miller, P. Todd, and S. Hegde, "Designing neural networks using genetic algorithms," Proceedings of the 3rd International Conference on Genetic Algorithms, pp. 379–384, 1989. [5] X. Yao and Y. Liu, "A new evolutionary system for evolving artificial neural networks," IEEE transactions on neural networks, vol. 8, no. 3, pp. 694–713, 1997. https://doi.org/10.1109/72.572107 [6] N. García, C. Hervás, and J. Mu-oz, "Multi-objective cooperative coevolution of artificial neural networks," Neural Networks, vol. 15, no. 10, pp. 1259–1278, 2002. https://doi.org/10.1016/S0893-6080(02)00095-3 [7] K. Ohkura, T. Yasuda, Y. Kawamatsu, Y. Matsumura, and K. Ueda, "MBEANN: Mutation-based evolving artificial neural networks," Neural Networks, pp. 936–945, 2007. https://doi.org/10.1007/978-3-540-74913-4_94 [8] A. Azzini and A. Tettamanzi, "A new genetic approach for neural network design and optimization," tesis doctoral, Universidad de Milán, 2008. [9] A. Tallón, "Nuevos modelos de redes neuronales evolutivas para clasificación: aplicación a unidades producto y unidades sigmoide," tesis doctoral, Universidad de Sevilla, 2013. [10] A. Carvalho, "A cooperative coevolutionary genetic algorithm for learning bayesian network structures," Proceedings of the 13th Annual Genetic and Evolutionary Computation Conference, no. 1, pp. 1131–1138, 2011. https://doi.org/10.1145/2001576.2001729
dc.relation.citationendpage.none.fl_str_mv 43
dc.relation.citationstartpage.none.fl_str_mv 28
dc.relation.citationissue.spa.fl_str_mv 2
dc.relation.citationvolume.spa.fl_str_mv 14
dc.relation.bitstream.none.fl_str_mv https://revistascientificas.cuc.edu.co/ingecuc/article/download/1701/1748
dc.relation.citationedition.spa.fl_str_mv Núm. 2 , Año 2018 : (Julio - Diciembre)
dc.rights.spa.fl_str_mv INGE CUC - 2018
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv INGE CUC - 2018
https://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de la Costa
dc.source.spa.fl_str_mv https://revistascientificas.cuc.edu.co/ingecuc/article/view/1701
institution Corporación Universidad de la Costa
bitstream.url.fl_str_mv https://repositorio.cuc.edu.co/bitstreams/bfef8938-8e6b-4ebf-b1a0-75f04c50b36d/download
bitstream.checksum.fl_str_mv 04331eabc9869909a5bd0e453ace9c2a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv repdigital@cuc.edu.co
_version_ 1828166898562367488
spelling Alvarado Coral, Juan DavidMuñoz España, Elena2018-07-02 00:00:002024-04-09T20:14:47Z2018-07-02 00:00:002024-04-09T20:14:47Z2018-07-020122-6517https://hdl.handle.net/11323/12181https://doi.org/10.17981/ingecuc.14.2.2018.0310.17981/ingecuc.14.2.2018.032382-4700Introducción: El presente artículo muestra el diseño e implementación de un sistema anticolisión para invidentes usando redes neuronales evolutivas. Objetivo: Presentar la implementación de redes neuronales evolutivas en un sistema guía para invidentes en la detección de obstáculos estáticos y en movimiento. Metodología: La metodología empleada se basa en la creación de redes neuronales artificiales a partir del algoritmo genético cooperativo coevolutivo (AGCC), este se encarga de estructurar, modificar y entrenar las redes neuronales. Para ello utiliza la matriz de definición de red (MDR). Para la elaboración de una MDR se toma como base un cromosoma “parte del algoritmo genético”. Una vez este realizada la MDR se crea una red neuronal artificial para luego ser entrenada. Resultados: El programa realizó varias redes neuronales generando en cada ejecución 10 cromosomas, que al ser entrenados con el AGCC y aplicando la cooperatividad, se obtuvieron las mejores redes neuronales anticolisión teniendo en cuenta un tiempo definido, funcionando efectivamente para la detección de obstáculos estáticos y en movimiento. Conclusiones: En el sistema anticolisión para invidentes se observó la eficacia de las redes neuronales en dar una respuesta, detectando objetos tanto estáticos como en movimiento proporcionando seguridad al invidente, evitando colisiones con estos.Introduction: This paper shows the design and implementation of an anti-collision system for blind people using evolutionary artificial neural networks (EANNs).Objective: Present the implementation of evolutionary neural networks in a guide system for the blind in the detection of static and moving obstacles.Method: Methodology is based on the creation of artificial neural networks from the cooperative co-evolutionary genetic algorithm (CCGA), which is responsible for structuring, modifying and training neural networks. It uses the network definition matrix (NDM). NDM is made of a chromosome "chromosome is genetic algorithm part" is taken as the basis. Once is done the NDM, it creates an artificial neural network to be trained.Results: Program carried out several neural networks, and generated 10 chromosomes in each execution. Artificial neural networks were trained with the CCGA and it applies the cooperation, they obtained the best anti-collision neural networks considering a definite time, anti-collision neural networks worked effectively for the detection of physical obstacles and with movement.Conclusions: In the anti-collision system for the blind, we observed the effectiveness of neural networks in giving an answer, detecting both static and moving objects, providing security to the blind, avoiding collisions with objects.application/pdfspaUniversidad de la CostaINGE CUC - 2018https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/1701Cooperative co-evolutionary genetic algorithmblindanti-collision systemneuro-evolutionary methodartificial neural networkAlgoritmo genético cooperativo coevolutivoinvidentesistema anticolisiónmétodo neuroevolutivored neuronal artificialSistema anticolisión para invidentes usando redes neuronales evolutivasAnti-collision system for blind people using evolutionary neural networksArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucJ. Mosquera and D. Rodríguez, "Sistema de reconocimiento de obstáculos para movilidad de Invidentes," tesis de pregrado, Universidad del Cauca, 2014. [2] T. Praczyk, "Neural anti-collision system for autonomous surface vehicle," Neurocomputing, vol. 149, pp. 559–572, 2015. https://doi.org/10.1016/j.neucom.2014.08.018 [3] D. Curran and C. O'Riordan, "Increasing population diversity through cultural learning," Adaptive Behavior, vol. 14, no. 4, pp. 315–338, 2006. https://doi.org/10.1177/1059712306072335 [4] G. Miller, P. Todd, and S. Hegde, "Designing neural networks using genetic algorithms," Proceedings of the 3rd International Conference on Genetic Algorithms, pp. 379–384, 1989. [5] X. Yao and Y. Liu, "A new evolutionary system for evolving artificial neural networks," IEEE transactions on neural networks, vol. 8, no. 3, pp. 694–713, 1997. https://doi.org/10.1109/72.572107 [6] N. García, C. Hervás, and J. Mu-oz, "Multi-objective cooperative coevolution of artificial neural networks," Neural Networks, vol. 15, no. 10, pp. 1259–1278, 2002. https://doi.org/10.1016/S0893-6080(02)00095-3 [7] K. Ohkura, T. Yasuda, Y. Kawamatsu, Y. Matsumura, and K. Ueda, "MBEANN: Mutation-based evolving artificial neural networks," Neural Networks, pp. 936–945, 2007. https://doi.org/10.1007/978-3-540-74913-4_94 [8] A. Azzini and A. Tettamanzi, "A new genetic approach for neural network design and optimization," tesis doctoral, Universidad de Milán, 2008. [9] A. Tallón, "Nuevos modelos de redes neuronales evolutivas para clasificación: aplicación a unidades producto y unidades sigmoide," tesis doctoral, Universidad de Sevilla, 2013. [10] A. Carvalho, "A cooperative coevolutionary genetic algorithm for learning bayesian network structures," Proceedings of the 13th Annual Genetic and Evolutionary Computation Conference, no. 1, pp. 1131–1138, 2011. https://doi.org/10.1145/2001576.20017294328214https://revistascientificas.cuc.edu.co/ingecuc/article/download/1701/1748Núm. 2 , Año 2018 : (Julio - Diciembre)PublicationOREORE.xmltext/xml2554https://repositorio.cuc.edu.co/bitstreams/bfef8938-8e6b-4ebf-b1a0-75f04c50b36d/download04331eabc9869909a5bd0e453ace9c2aMD5111323/12181oai:repositorio.cuc.edu.co:11323/121812024-09-17 14:23:36.534https://creativecommons.org/licenses/by-nc-sa/4.0/INGE CUC - 2018metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co