Agrupación dinámica de redes neuronales no supervisadas

Las redes neuronales artificiales son modelos computacionales inspirados en la neurobiología para mejorar y probar los análogos computacionales de las neuronas. En una red neuronal de avance (FFNN), el procesamiento de datos se produce en una sola interconexión de avance desde la capa de entrada hasta la de salida, sin ningún bucle de retroceso. La agrupación de FFNN no supervisada (UFFNN) tiene grandes capacidades, como las arquitecturas de procesamiento paralelo distribuido inherentes, el ajuste de los pesos de interconexión para aprender y dividir los datos en grupos significativos con objetivos especiales, la clasificación de los datos relacionados en grupos similares sin utilizar ninguna etiqueta de clase, el control de los datos ruidosos y el aprendizaje de los tipos de valores de los datos de entrada en función de sus pesos y propiedades. Por lo general, en los entornos reales, los datos dinámicos son de gran volumen y dimensión, por lo que los métodos de clustering UFFNN dinámicos en línea deben desarrollarse para tener capacidad de aprendizaje incremental en línea.