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...
- 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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 |