Resumen

Una técnica de optimización moderna típica suele ser la heurística o la metaheurística. Esta técnica ha logrado resolver algunos problemas de optimización en el área de investigación de la ciencia, la ingeniería y la industria. Sin embargo, la estrategia de implementación de la metaheurística para la mejora de la precisión en las redes neuronales de convolución (CNN), un famoso método de aprendizaje profundo, todavía se investiga poco. El aprendizaje profundo se relaciona con un tipo de técnica de aprendizaje automático, donde su objetivo es acercarse a la meta de la inteligencia artificial de crear una máquina que pueda realizar con éxito cualquier tarea intelectual que pueda realizar un humano. En este trabajo, proponemos la estrategia de implementación de tres enfoques metaheurísticos populares, es decir, el recocido simulado, la evolución diferencial y la búsqueda de armonía, para optimizar la CNN. Se evaluó y comparó el rendimiento de estos métodos metaheurísticos en la optimización de la CNN en la clasificación de los conjuntos de datos MNIST y CIFAR. Además, los métodos propuestos también se comparan con la CNN original. Aunque los métodos propuestos muestran un aumento en el tiempo de cálculo, su precisión también se ha mejorado (hasta un 7,14 por ciento).

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:métodos propuestos, estrategia de implementación, técnicas modernas de optimización, tipo de máquina, métodos de aprendizaje profundo, cnn, área de la ciencia, técnicas de aprendizaje automático, enfoque metaheurístico popular, red neuronal
• Keywords:proposed methods, implementation strategy, modern optimization techniques, type of machine, deep learning methods, cnn, area of science, machine learning techniques, popular metaheuristic approach, neural network