Resumen

Se propone un modelo de neurona dendrítica con sinapsis adaptativa (DMAS) basado en el entrenamiento por algoritmos de evolución diferencial (ED). Según el orden de transmisión de la señal, una DNM puede dividirse en cuatro partes: la capa sináptica, la capa dendrítica, la capa de membrana y la capa de células somáticas. Se puede convertir en un circuito lógico que se implementa fácilmente en hardware eliminando las sinapsis y dendritas inútiles después del entrenamiento. Este circuito lógico puede diseñarse para resolver problemas complejos no lineales utilizando sólo cuatro dispositivos lógicos básicos: comparadores, AND (conjunción), OR (disyunción) y NOT (negación). Para obtener una solución más rápida y mejor, adoptamos la ED más popular para el entrenamiento del DMAS. Hemos elegido cinco conjuntos de datos de clasificación del Repositorio de Aprendizaje Automático de la UCI para un experimento. Analizamos y discutimos los resultados experimentales en términos de la tasa de corrección, la tasa de convergencia, la curva ROC y la validación cruzada y luego comparamos los resultados con un modelo de neurona dendrítica entrenado por el algoritmo de retropropagación (BP-DNM) y una red neuronal entrenada por el algoritmo de retropropagación (BPNN). Los resultados del análisis muestran que el DE-DMAS muestra un mejor rendimiento en todos los aspectos.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo de neuronas dendríticas, algoritmo de retropropagación, circuito lógico, aprendizaje automático uci, problema no lineal complejo, capa de células somáticas, dispositivo lógico básico, repositorio de aprendizaje automático, orden de transmisión de señales, tasa de convergencia
• Keywords:dendritic neurons model, backpropagation algorithm, logic circuit, uci machine learning, complex nonlinear problem, somatic cell layer, basic logical device, machine learning repository, signal transmission order, convergence rate