CLAVE

HECHO 1

Victor

Tasweer67_1012_2006

Los datos modernos en su mayora

son no-lineales, complejos y gran
magnitud, en contraparte, las redes
neuronales son rpidas, fiables y
fciles de manipular por lo tanto son
muy eficaces

Victor

IEEE15_576596_2004

En este trabajo se estudiaron dos

tipos de redes de GRNN: la GRNN
basado en el ncleo Parzen y la GRNN
basa en la mtodo de series
ortogonales.

Victor

Finance&Economics
51_59-70_ 2010

Victor

Elsevier476_ 242
24_2002

Victor

Elsevier12_185
196_2011

Victor

SignalProcessing7_7
5-84_2014
ProdutionEngineerin
g32_37-41_2015

Victor

Victor

ConnectionScience2
6_367-388_2014

Victor
Victor
Victor
Victor
Victor
Victor

HECHO 2
En el siglo 21 las redes neuronales tienen la
promesa de un sinfn de posibilidades para
numerosos campos como bioinformtica, sistemas
de defensa, sistemas de generacin y distribucin
de energa, procesamiento de seales, imgenes y
vdeo procesamiento, reconocimiento facial, la
previsin del mercado de valores, las predicciones
meteorolgicas y la lista es interminable.

La convergencia de la GRNN ortogonal esta basada

en series, el problema de la convergencia es menos
complicado en el caso escalar, pero ms
complicada en el caso multidimensional

HECHO 3
La identificacin de la imagen facial es previamente
guardada en una cscara de nuez como el reconocimiento
de rostros. El reconocimiento facial puede ser llamado un
subcampo de procesamiento de imgenes. El
reconocimiento facial es sobre todo necesaria para la
identificacin de la seguridad en la entrada de personal o
dejando ciertas premisas o utilizadas por las empresas
para la deteccin biomtrica para la identificacin,
autorizacin de seguridad y otros temas.

Sugerimos que deberamos ms bien utilizar el algoritmo

de GRNN basado en el ncleo Parzen, sin embargo, la
serie ortogonal tiene la ventaja de ser muy deseable

OBJETIVO INGLES

OBJETIVO ESPAOL

VERBO ESPAOL

Used a general regression

network (GRNN) is used for
face recognition by
searching for each image.

Utilizar una red de regresin Utilizar

general (GRNN) se emplea
para el reconocimiento facial
mediante la bsqueda de
cada imagen.

In this paper a new class of

generalized regression
neural networks is proposed
working on a non-stationary
environment

En este trabajo se propone

una nueva clase de redes
neuronales de regresin
generalizada que trabajan
en un ambiente no
estacionario

Spectrum unfolding,
sensitivity analysis and
propagation ofuncertainties
with the maximum entropy
deconvolution code MAXED

Spectrum desarrollo ,
Desarrollo
anlisis de sensibilidad y de
propagacin con el cdigo
de mxima entropa de
convolucin Maxed

Using incremental general

regression neural network
for learning mixture models
from incomplete data

El uso de la red neuronal de aprendizaje

regresin general para el
aprendizaje de modelos de
mezcla a partir de datos
incompletos

A back-propagation neural
network with a distributed
lag model for semiconductor
vendor-managed inventory

Una red neuronal de

retropropagacin con un
modelo de rezagos
distribuidos para
semiconductores Inventario
de proveedor administrado

Proponer

HIPOTESIS (QUE QUERIA

HACER)
Comprobar la eficiencia
de las redes neuronales
en el reconocimiento de
imgenes

Proponer una clase de

GRNN que trabaje en un
ambiente no estacionario
y compararla con una
tcnica antes probada