Show simple item record

dc.contributor.authorMartínez Álvarez-Castellanos, Rosa 
dc.date.accessioned2018-02-22T17:46:21Z
dc.date.available2018-02-22T17:46:21Z
dc.date.issued2017-03-17
dc.description.abstract[SPA]Las redes neuronales son un sistema de procesado de la información que hace uso de algunos de los principios que organizan la estructura del cerebro humano, de ahí la procedencia de su nombre. Últimamente, se ha dado una especial atención a máquinas de aprendizaje no supervisadas cómo herramienta útil tanto para el pre-procesado de los datos, como para el diseño y entrenamiento de las redes neuronales más clásicas. Una de las máquinas que más relevancia precisa son los Perceptrones Multicapa, también conocidos como MLP (Multilayer Perceptron). Los Autoencoders son máquinas no supervisadas que permiten una mejor representación de los datos de entrada mediante su transformación a espacios intermedios con el de salida. En este trabajo se analizará una variante de los Autoencoders, como son los denominados “Sparse Autoencoders” que permiten la extracción de las características más relevantes de los datos de entrada, para la tarea asociada al aprendizaje no supervisado. Este proyecto tiene como objetivo principal el análisis de las máquinas “Sparse Autoencoders” como extractores de características y su aplicación a un conjunto de datos ya conocido, como es el conjunto de datos MNIST. Asimismo, en este proyecto se realiza una evaluación del valor determinante que tienen las características extraídas mediante el método implementado sobre las máquinas Autoencoders. Los algoritmos utilizados en este proyecto se desarrollarán en el software de programación Matlab. La estructura que presenta el trabajo desarrollado se divide en una primera introducción a las bases sobre las que se fundamentan las redes neuronales artificiales, así como el origen de las mismas. Seguidamente, se explica la estructura y funcionamiento de las máquinas que han sido utilizadas y que conforman el pilar del trabajo desarrollado. Posteriormente se detalla el procedimiento seguido para lograr la extracción de características de las máquinas Sparse Autoencoders y el análisis que se realiza sobre las mismas, presentando los resultados que han sido obtenidos en cada una de las simulaciones realizadas. Finalmente, se exponen las conclusiones que han sido extraídas a partir del trabajo desarrollado, así como las líneas futuras para la mejora del método implementado. [ENG]Neural networks are a system of information processing which makes use of some of the principles that organize the human brain’s structure, of there the origin of its name. In recent years, special attention has been paid to unsupervised machine learning as a useful tool both for pre-processing of data and for the design and training of the most classical neural networks. Multilayer Perceptron is one of the most relevant unsupervised learning machines. Autoencoders are a class of unsupervised learning that allow better representation of the input data by transforming them into intermediate spaces with the output data. In this paper, we analyzed a variant of Autoencoders, such as Sparse Autoencoders, which allow the extraction of the most relevant characteristics of the input data, for the associated task with unsupervised learning. The main goal of this paper is the analysis of the Sparse Autoencoders as extractors of characteristics and its application on a well known dataset , as is the MNIST dataset. Furthermore, we realized an evaluation of the determinant value extracted from the characteristics by the implemented method on Autoencoders. The algorithms used in this project were developed in Matlab programming software. In this paper, we described the principles of artificial neural networks, as well as its origin. Afterwards, we present the structure and operation of the machines that form the basis of this master thesis. Then, the procedure followed to obtain the extraction of the characteristics of Sparse Autoencoders and the analysis carried out on them is presented. Moreover, we present the results obtained in each simulation. Finally, the conclusions drawn of this work and future lines for the improvement of the implemented method are presented.es_ES
dc.formatapplication/pdfes_ES
dc.language.isospaes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.title.alternativeAnalysis of the Sparse Autoencoders machines as feature extractorses_ES
dc.titleAnálisis de las máquinas Sparse Autoencoders como extractores de característicases_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.subject.otherTeoría de la Señal y las Comunicacioneses_ES
dc.contributor.advisorSancho Gómez, José Luis 
dc.contributor.advisorMenchón Lara, Rosa María 
dc.subjectAlgoritmoses_ES
dc.subjectAlgorithmses_ES
dc.subjectTelecommunicationses_ES
dc.subjectTelecomunicacioneses_ES
dc.identifier.urihttp://hdl.handle.net/10317/6591
dc.description.centroEscuela Técnica Superior de Ingeniería de Telecomunicaciónes_ES
dc.contributor.departmentTecnologías de la Información y las Comunicacioneses_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.description.universityUniversidad Politécnica de Cartagenaes_ES
dc.subject.unesco1206.01 Construcción de Algoritmoses_ES
dc.subject.unesco3325 Tecnología de las Telecomunicacioneses_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 3.0 España
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España