Temas acerca de Inteligencia Artificial
Foto de Usuario
BryanCipriano

Ranking Troomes
Mensajes: 3
Registrado: 07 May 2020, 11:12

Aplicación de Inteligencia Artificial mediante algoritmo de búsqueda

Mensaje por BryanCipriano » 10 May 2021, 21:19

El autor Zhong-kai Feng realizó un trabajo de investigación cuyo tema es "Modelo de inteligencia artificial evolutiva mediante algoritmo de búsqueda de cooperación y Máquinas de Aprendizaje Extremo (ELM) para la predicción de series de tiempo hidrológico no estacionario de múltiples escalas", publicada en la Revista de hidrología en abril de 2021, a continuación se explicará los detalles abordados en su trabajo.

Teoría del Algoritmo Extreme Learning Machine (ELM)
Las Máquinas de Aprendizaje Extremo o Extreme Learning Machine (ELM) es un algoritmo que está atrayendo la atención de miles de investigadores como una técnica de inteligencia artificial que resuelve muchos de los problemas a los que se enfrentan otras técnicas, por ejemplo su lenta velocidad de aprendizaje. ELM inicialmente trabaja en redes neuronales monocapa con propagación hacia delante.
El algoritmo del ELM está basado en el hecho de que si los pesos de entrada y los sesgos de la capa oculta de una Single Layer Feedforward neural Network (SLFN), son asignados al azar, la SLFN puede ser considerada como un sistema lineal y los pesos de salida se pueden determinar analíticamente mediante la inversa generalizada. Hay un estudio profundo acerca de las diferencias entre el ELM y trabajos previos. Sin embargo, el autor demuestra la capacidad que tiene el ELM para ser un aproximador universal donde los pesos de entrada elegidos al azar pueden ser generados de acuerdo a cualquier distribución de probabilidad continua, sin ningún conocimiento previo. Esta asignación aleatoria se puede hacer si las funciones de activación en la capa oculta son infinitamente diferenciables, la más popular es la una función signoide.

La predicción hidrológica confiable y estable juega un papel de vital importancia en el funcionamiento científico del sistema de recursos hídricos. Como método famoso de inteligencia artificial para el pronóstico hidrológico, la máquina de aprendizaje extrema (ELM) tiene las virtudes de una eficiencia de entrenamiento rápida y un rendimiento de generalización fuerte, pero se atrapa fácilmente en los óptimos locales porque los parámetros de cálculo preestablecidos a menudo permanecen sin cambios en el proceso de aprendizaje. Para superar esta deficiencia, se desarrolla un modelo práctico de inteligencia artificial evolutiva para la predicción de series de tiempo hidrológicas no estacionarias de múltiples escalas. En el método propuesto, se utiliza un método evolutivo emergente llamado algoritmo de búsqueda de cooperación (CSA) para buscar las ponderaciones ocultas de entrada óptimas y los sesgos ocultos del modelo ELM por primera vez.
El método propuesto se utiliza para pronosticar la serie de tiempo de escorrentía de tres estaciones hidrológicas del mundo real en China.

Los resultados experimentales muestran que el enfoque CSA puede determinar de manera efectiva los parámetros de red satisfactorios del modelo ELM, mientras que nuestro método puede producir mejores resultados que el método ELM tradicional en términos de todos los índices de evaluación del desempeño. Tomando como ejemplo la previsión de escorrentía de 1 paso por delante en la estación B, nuestro método mejora el método ELM con mejoras del 15,76% y 42,35% tanto en el error cuadrático medio de la raíz como en el error porcentual absoluto medio en la fase de prueba. Por lo tanto, se desarrolla una nueva herramienta de predicción hidrológica no estacionaria multiescala para apoyar la toma de decisiones del sistema de recursos hídricos. Los resultados experimentales muestran que el enfoque CSA puede determinar de manera efectiva los parámetros de red satisfactorios del modelo ELM, mientras que nuestro método puede producir mejores resultados que el método ELM tradicional en términos de todos los índices de evaluación del desempeño. Tomando como ejemplo el pronóstico de escorrentía de 1 paso por delante en la estación B, nuestro método mejora el método ELM con mejoras de 15.76% y 42.35% tanto en el error cuadrático medio de la raíz como en el error porcentual absoluto promedio en la fase de prueba. Por lo tanto, se desarrolla una nueva herramienta de predicción hidrológica no estacionaria multiescala para apoyar la toma de decisiones del sistema de recursos hídricos.

Bibliografía
* Riabani Mercado, Franklin, García Fernández, Willman, & Herrera Acebey, Johnny A.. (2016). Sistema de inteligencia artificial para la predicción temprana de heladas meteorológicas. Acta Nova, 7(4), 483-495. Recuperado en 10 de mayo de 2021, de http://www.scielo.org.bo/scielo.php?scr ... es&tlng=es.
* Zhong-kai Feng, Wen-jing Niu, Zheng-yang Tang, Yang Xu, Hai-rong Zhang, Evolutionary artificial intelligence model via cooperation search algorithm and extreme learning machine for multiple scales nonstationary hydrological time series prediction, Journal of Hydrology, Volume 595, 2021, 126062, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2021.126062.


Responder