摘要：Debido a la habilidad para modelar problemas complejos, actualmente las Redes Neuronales Artificiales (nn) son muy populares en Reconocimiento de Patrones, Minería de Datos y Aprendizaje Automático. No obstante, el elevado costo computacional asociado a la fase en entrenamiento, cuando grandes bases de datos son utilizados, es su principal desventaja. Con la intención de disminuir el costo computacional e incrementar la convergencia de la nn, el presente trabajo analiza la conveniencia de realizar pre-procesamiento a los conjuntos de datos. De forma específica, se evalúan los métodos de grafo de vecindad relativa (rng), grafo de Gabriel (gg) y el método basado en los vecinos envolventes k-ncn. Los resultados experimentales muestran la factibilidad y las múltiples ventajas de esas metodologías para solventar los problemas descritos previamente.
其他摘要：Nowadays, with the capacity to model complex problems, the artificial Neural Networks (nn) are very popular in the areas of Pattern Recognition, Data Mining and Machine Learning. Nevertheless, the high computational cost of the learning phase when big data bases are used is their main disadvantage. This work analyzes the advantages of using pre-processing in data sets In order to diminish the computer cost and improve the nn convergence. Specifically the Relative Neighbor Graph (rng), Gabriel's Graph (gg) and k-ncn methods were evaluated. The experimental results prove the feasibility and the multiple advantages of these methodologies to solve the described problems.
关键词：Redes neuronales artificiales; perceptrón multicapa; redes de función de base radial; máquinas de vectores soporte; preprocesado de datos. Artificial neural ...
