Al emplear un mecanismo de plasticidad neuronal, el modelo original de neurona dendrítica (DNM) ha tenido éxito en las tareas de clasificación no sólo con una precisión alentadora, sino también con una regla de aprendizaje sencilla. Sin embargo, los datos recogidos en el mundo real contienen mucha redundancia, lo que hace que el proceso de análisis de los datos mediante el DNM se complique y consuma mucho tiempo. Este artículo propone un modelo híbrido fiable que combina una técnica de selección de características de máxima relevancia y mínima redundancia (Mr2) con DNM (es decir, Mr2DNM) para clasificar los problemas prácticos de clasificación. El Mr2 basado en la información mutua se aplica para evaluar y clasificar las características más informativas y discriminativas para el conjunto de datos dado. El subconjunto de características óptimo obtenido se utiliza para entrenar y probar el DNM para clasificar cinco problemas diferentes surgidos de escenarios médicos, físicos y sociales. Los resultados experimentales sugieren que el Mr2DNM propuesto supera al DNM y a otros seis algoritmos de clasificación en términos de precisión y eficiencia computacional.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un marco analítico para el tiempo de ejecución de una clase de algoritmos evolutivos continuos
Artículo:
El análisis de imagen del sensor visual y el efecto de la suplementación con vitamina E en los radicales libres de los futbolistas y su suplemento de fuerza física
Artículo:
Diseño de un modelo predictivo para el régimen antirretroviral en el Centro de Terapia Antirretroviral del Hospital Chiro, Etiopía
Artículo:
Nanoesferas preparadas por autoensamblaje de copolímeros aleatorios en dióxido de carbono supercrítico
Artículo:
DCAR: Algoritmo de enrutamiento DTN para evitar la congestión basado en tokens en un entorno urbano