Tecnociencia Chihuahua (Jul 2020)
Una revisión de redes MLP como clasificadores de múltiples clases
Abstract
Se presenta el estado actual de clasificadores de múltiples clases implementados con redes Multi Layer Perceptron, MLP. Los clasificadores de múltiples clases basados en redes MLP han sido utilizados en muchos casos con éxito. Se presentan, primero, los aspectos generales y las diferentes formas de implementar clasificadores de múltiples clases, incluyendo las redes MLP. Después se presentan aspectos de arquitectura de las redes MLP clasificadoras incluyendo consideraciones de diseño y organización tales como: capas de entrada, ocultas y de salida, así como la cantidad de neuronas en cada capa. Luego viene una revisión acerca de las metodologías existentes para su entrenamiento, y cómo es que la organización de la red afecta las condiciones de entrenamiento. A continuación, se presentan casos de uso de las redes MLP como clasificadores, sus características y detalles acerca de los parámetros referentes al diseño de la red y también se revisan los resultados de su aplicación. En el material revisado, pareciera ser que el desempeño depende en gran medida de su aplicación específica, aunque no existe trabajo que demuestre esto en forma determinante. Abstract The current state of classifiers multiple classes implemented Multi Layer Perceptron networks, MLP, is presented. Multi-class classifiers based on MLP neural network have been successfully used in many cases. First, general aspects and existing approaches of implementing multi-class classifiers are introduced, including MLP neural networks. Afterwards, aspects on MLP network architecture are described, including the design and organization considerations such as input layers, hidden layers and output layers, as well as amount of neurons in each layer. Then comes a review on existing methodologies for training, and how the network organization affects the training conditions. Afterwards, some cases of MLP networks used as classifiers are revised, considering their characteristics and details about network design along with its results in the particular application. Although it seems from the review of literature that the performance of this kind of classifiers largery depends on the specific application, there exist no concluding results on it. Keywords: MLP multi-class classifier, neural network, MLP training, classifiers application.
