Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica

En este trabajo se adaptaron 10 algoritmos meta-heurísticos mono-objetivo para realizar la definición de los parámetros de una red neuronal con conexiones hacia adelante usando para el entrenamiento el algoritmo denominado Máquina de Aprendizaje Extremo (Extreme Learning Machine, ELM) sobre el Frame...

Full description

Autores:
Pusil Rojas, Daniel Eduardo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2018
Institución:
Universidad del Cauca
Repositorio:
Repositorio Unicauca
Idioma:
spa
OAI Identifier:
oai:repositorio.unicauca.edu.co:123456789/1758
Acceso en línea:
http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/1758
Palabra clave:
jMetal
Extreme Learning Machine
Harmony Search
Algoritmo meta-heurístico
Mono objetivo
Entrenamiento
Búsqueda armónica
Rights
License
https://creativecommons.org/licenses/by-nc-nd/4.0/
id REPOCAUCA2_e734adfe4c6fdb7018833305adf9338c
oai_identifier_str oai:repositorio.unicauca.edu.co:123456789/1758
network_acronym_str REPOCAUCA2
network_name_str Repositorio Unicauca
repository_id_str
dc.title.spa.fl_str_mv Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
title Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
spellingShingle Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
jMetal
Extreme Learning Machine
Harmony Search
Algoritmo meta-heurístico
Mono objetivo
Entrenamiento
Búsqueda armónica
title_short Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
title_full Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
title_fullStr Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
title_full_unstemmed Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
title_sort Algoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónica
dc.creator.fl_str_mv Pusil Rojas, Daniel Eduardo
dc.contributor.author.none.fl_str_mv Pusil Rojas, Daniel Eduardo
dc.subject.eng.fl_str_mv jMetal
Extreme Learning Machine
Harmony Search
topic jMetal
Extreme Learning Machine
Harmony Search
Algoritmo meta-heurístico
Mono objetivo
Entrenamiento
Búsqueda armónica
dc.subject.spa.fl_str_mv Algoritmo meta-heurístico
Mono objetivo
Entrenamiento
Búsqueda armónica
description En este trabajo se adaptaron 10 algoritmos meta-heurísticos mono-objetivo para realizar la definición de los parámetros de una red neuronal con conexiones hacia adelante usando para el entrenamiento el algoritmo denominado Máquina de Aprendizaje Extremo (Extreme Learning Machine, ELM) sobre el Framework jMetal. Estos algoritmos meta-heurísticos fueron diseñados para resolver problemas de alta complejidad y se inspiran en diferentes aspectos de la naturaleza, a saber: Búsqueda Armónica (Harmony Search, HS), Mejor Búsqueda Armónica Global (Global Best Harmony Search, GHS), Búsqueda Armónica Mejorada (Improved Harmony Search, IHS), Nueva Búsqueda Armónica Global (Novel Global Harmony Search, NGHS), Evolución Diferencial (Diferencial Evolution, DE), Optimización por Enjambre de Partículas (Particle swarm optimization, PSO), Adaptación de la Matriz de Covarianza (CMAES), Caminata Aleatoria (Random Walk) y un algoritmo memético basado en la combinación de evolución diferencial con recosido simulado denominado M-ELM. Para comparar el desempeño de estos 10 algoritmos, se definieron 40 datasets que representa problema de clasificación y regresión con diferentes niveles de complejidad obtenidos del repositorio de la Universidad de California en Irvine (UCI). Los algoritmos fueron evaluados usando dos esquemas de representación de la solución y con dos métodos de validación del modelo donde se evidencia que HS logra obtener el mejor desempeño basado en los resultados de los test estadísticos no paramétricos de Friedman y Wilcoxon.
publishDate 2018
dc.date.issued.none.fl_str_mv 2018-02
dc.date.accessioned.none.fl_str_mv 2019-12-02T21:01:25Z
dc.date.available.none.fl_str_mv 2019-12-02T21:01:25Z
dc.type.spa.fl_str_mv Trabajos de grado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/1758
dc.identifier.instname.none.fl_str_mv
dc.identifier.reponame.none.fl_str_mv
dc.identifier.repourl.none.fl_str_mv
url http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/1758
identifier_str_mv
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.creativecommons.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
dc.publisher.spa.fl_str_mv Universidad del Cauca
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería Electrónica y Telecomunicaciones 
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
institution Universidad del Cauca
bitstream.url.fl_str_mv http://repositorio.unicauca.edu.co/bitstream/123456789/1758/1/ALGORITMO%20META-HEUR%c3%8dSTICO%20MONO%20OBJETIVO%20PARA%20OPTIMIZAR%20EL%20PROCESO%20DE%20ENTRENAMIENTO%20DE%20UNA%20M%c3%81QUINA%20DE%20APRENDIZAJE.pdf
http://repositorio.unicauca.edu.co/bitstream/123456789/1758/2/license.txt
bitstream.checksum.fl_str_mv 038c7f98c624bc0bd8fbeebb8dd1ca58
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Dspace - Universidad del Cauca
repository.mail.fl_str_mv biblios@unicauca.edu.co
_version_ 1808396245575663616
spelling Pusil Rojas, Daniel Eduardo2019-12-02T21:01:25Z2019-12-02T21:01:25Z2018-02http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/1758En este trabajo se adaptaron 10 algoritmos meta-heurísticos mono-objetivo para realizar la definición de los parámetros de una red neuronal con conexiones hacia adelante usando para el entrenamiento el algoritmo denominado Máquina de Aprendizaje Extremo (Extreme Learning Machine, ELM) sobre el Framework jMetal. Estos algoritmos meta-heurísticos fueron diseñados para resolver problemas de alta complejidad y se inspiran en diferentes aspectos de la naturaleza, a saber: Búsqueda Armónica (Harmony Search, HS), Mejor Búsqueda Armónica Global (Global Best Harmony Search, GHS), Búsqueda Armónica Mejorada (Improved Harmony Search, IHS), Nueva Búsqueda Armónica Global (Novel Global Harmony Search, NGHS), Evolución Diferencial (Diferencial Evolution, DE), Optimización por Enjambre de Partículas (Particle swarm optimization, PSO), Adaptación de la Matriz de Covarianza (CMAES), Caminata Aleatoria (Random Walk) y un algoritmo memético basado en la combinación de evolución diferencial con recosido simulado denominado M-ELM. Para comparar el desempeño de estos 10 algoritmos, se definieron 40 datasets que representa problema de clasificación y regresión con diferentes niveles de complejidad obtenidos del repositorio de la Universidad de California en Irvine (UCI). Los algoritmos fueron evaluados usando dos esquemas de representación de la solución y con dos métodos de validación del modelo donde se evidencia que HS logra obtener el mejor desempeño basado en los resultados de los test estadísticos no paramétricos de Friedman y Wilcoxon.spaUniversidad del CaucaFacultad de Ingeniería Electrónica y Telecomunicaciones Ingeniería de Sistemashttps://creativecommons.org/licenses/by-nc-nd/4.0/https://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2jMetalExtreme Learning MachineHarmony SearchAlgoritmo meta-heurísticoMono objetivoEntrenamientoBúsqueda armónicaAlgoritmo meta-heurístico mono objetivo para optimizar el proceso de entrenamiento de una máquina de aprendizaje extremo basado en jMetal y variaciones de la búsqueda armónicaTrabajos de gradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/version/c_970fb48d4fbd8a85ORIGINALALGORITMO META-HEURÍSTICO MONO OBJETIVO PARA OPTIMIZAR EL PROCESO DE ENTRENAMIENTO DE UNA MÁQUINA DE APRENDIZAJE.pdfALGORITMO META-HEURÍSTICO MONO OBJETIVO PARA OPTIMIZAR EL PROCESO DE ENTRENAMIENTO DE UNA MÁQUINA DE APRENDIZAJE.pdfapplication/pdf2163128http://repositorio.unicauca.edu.co/bitstream/123456789/1758/1/ALGORITMO%20META-HEUR%c3%8dSTICO%20MONO%20OBJETIVO%20PARA%20OPTIMIZAR%20EL%20PROCESO%20DE%20ENTRENAMIENTO%20DE%20UNA%20M%c3%81QUINA%20DE%20APRENDIZAJE.pdf038c7f98c624bc0bd8fbeebb8dd1ca58MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.unicauca.edu.co/bitstream/123456789/1758/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/1758oai:repositorio.unicauca.edu.co:123456789/17582021-05-28 09:37:54.298Dspace - Universidad del Caucabiblios@unicauca.edu.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