Saltar navegación e ir al contenido principal
Biblioteca digital de Bogotá
Logo BibloRed
Cargando contenido
¿Qué estás buscando?
  • Escribe palabras clave como el título de un contenido, un autor o un tema que te interese.

  • Búsqueda avanzada

Seleccionar

Contenidos y Experiencias Digitales

Filtrar

Formatos de Contenido
Tipo de colección
Género
Idioma
Derechos de uso

Selecciona contenidos según las condiciones legales para su uso y distribución.

Estás filtrando por

Cargando contenido

Se encontraron 110737 resultados en recursos

  • Exclusivo BibloRed
Imagen de apoyo de  The Parietal Cortex in Sensemaking, The Dissociation of Multiple Types of Spatial Information

The Parietal Cortex in Sensemaking, The Dissociation of Multiple Types of Spatial Information

Por: Hindawi Publishing Corporation | Fecha: 2013

Según la teoría de los marcos de datos, la creación de sensaciones es un proceso macrocognitivo en el que las personas intentan dar sentido o explicar sus observaciones procesando una serie de estructuras explicativas denominadas marcos hasta que las observaciones y los marcos sean congruentes. Durante el proceso de elaboración de sensaciones, el córtex parietal ha sido implicado en varias tareas cognitivas para las funciones relacionadas con el procesamiento de la información espacial y temporal, el pensamiento matemático y la atención espacial. En particular, el córtex parietal desempeña un papel importante al extraer representaciones múltiples de las magnitudes en las primeras etapas del análisis perceptivo. Mediante una serie de simulaciones de redes neuronales, demostramos que la disociación de los diferentes tipos de información espacial puede comenzar de forma temprana con una estructura bastante similar (es decir, la sensibilidad en una métrica común), pero las representaciones precisas requieren controles descendentes específicos dirigidos por objetivos debido a la interferencia en la atención selectiva. Nuestros resultados sugieren que las funciones de la corteza parietal dependen de la organización jerárquica de las representaciones espaciales múltiples y de sus interacciones. La disociación y la interferencia entre los diferentes tipos de información espacial son esencialmente el resultado de la competencia en diferentes niveles de abstracción.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

The Parietal Cortex in Sensemaking, The Dissociation of Multiple Types of Spatial Information

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Clustering by Fuzzy Neural Gas and Evaluation of Fuzzy Clusters

Clustering by Fuzzy Neural Gas and Evaluation of Fuzzy Clusters

Por: Hindawi Publishing Corporation | Fecha: 2013

Consideramos algunas modificaciones del algoritmo de gas neural. En primer lugar, se combinan las asignaciones difusas conocidas por los c-means difusos y la cooperación de vecindario conocida por los mapas autoorganizados y el gas neuronal para obtener un gas neuronal difuso básico. Además, se derivan una variante de kernel y un enfoque de recocido simulado. Por último, introducimos una extensión difusa del ConnIndex para obtener una medida de evaluación de los agrupamientos basada en la cuantificación vectorial difusa.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Clustering by Fuzzy Neural Gas and Evaluation of Fuzzy Clusters

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  A Neuro-Fuzzy Approach in the Classification of Students? Academic Performance

A Neuro-Fuzzy Approach in the Classification of Students? Academic Performance

Por: Hindawi Publishing Corporation | Fecha: 2013

Clasificar el rendimiento académico de los estudiantes con gran precisión facilita las decisiones de admisión y mejora los servicios educativos en los centros de enseñanza. El propósito de este trabajo es presentar un enfoque neuro-fuzzy para clasificar a los estudiantes en diferentes grupos. El clasificador neuro-fuzzy utilizó los resultados de exámenes anteriores y otros factores relacionados como variables de entrada y etiquetó a los estudiantes en función de su rendimiento académico esperado. Los resultados mostraron que el enfoque propuesto alcanzó una alta precisión. Los resultados también se compararon con los obtenidos por otros enfoques de clasificación bien conocidos, como la máquina de vectores de apoyo, Naive Bayes, la red neuronal y los enfoques de árbol de decisión. El análisis comparativo indicó que el enfoque neurofuzzy obtuvo mejores resultados que los demás. Se espera que este trabajo pueda utilizarse para apoyar los procedimientos de admisión de estudiantes y para reforzar los servicios de las instituciones educativas.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

A Neuro-Fuzzy Approach in the Classification of Students? Academic Performance

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Research on Hotspot Discovery in Internet Public Opinions Based on Improved K-Means

Research on Hotspot Discovery in Internet Public Opinions Based on Improved K-Means

Por: Hindawi Publishing Corporation | Fecha: 2013

Cómo descubrir hotspot en las opiniones públicas de Internet con eficacia es un campo de investigación caliente para los investigadores relacionados que juega un papel clave para los gobiernos y las empresas para encontrar información útil de los datos de masas en Internet. Se presenta un algoritmo K-means mejorado para el descubrimiento de puntos calientes en las opiniones públicas de Internet, basado en el análisis de los defectos existentes y el principio de cálculo del algoritmo K-means original. En primer lugar, se diseñan algunos métodos nuevos para preprocesar los textos de los sitios web, seleccionar y expresar las características de los textos de los sitios web y definir la similitud entre dos textos de sitios web, respectivamente. En segundo lugar, se analizan y mejoran el principio de agrupación y el método de selección de los centros de clasificación iniciales para superar las limitaciones del algoritmo K-means original. Por último, los resultados experimentales verifican que el algoritmo mejorado puede mejorar la estabilidad de la agrupación y la precisión de la clasificación del descubrimiento de puntos calientes en las opiniones públicas de Internet cuando se utiliza en la práctica.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Research on Hotspot Discovery in Internet Public Opinions Based on Improved K-Means

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Color Image Quantization Algorithm Based on Self-Adaptive Differential Evolution

Color Image Quantization Algorithm Based on Self-Adaptive Differential Evolution

Por: Hindawi Publishing Corporation | Fecha: 2013

El algoritmo de evolución diferencial (ED) es uno de los nuevos métodos de optimización estocástica. Tiene un mejor rendimiento en el problema de la cuantificación de imágenes en color, pero es difícil establecer los parámetros de ED para los usuarios. Este trabajo propone un algoritmo de cuantificación de imágenes en color basado en la ED autoadaptativa. En el algoritmo propuesto, se utiliza una mecánica autoadaptativa para ajustar automáticamente los parámetros de ED durante la evolución, y se aplica una mecánica mixta de ED y K-means para reforzar la búsqueda local. Los resultados numéricos experimentales, en un conjunto de imágenes de prueba de uso común, muestran que el algoritmo propuesto es un método de cuantificación practicable y es más competitivo que K-means y el algoritmo de enjambre de partículas (PSO) para la cuantificación de imágenes en color.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Color Image Quantization Algorithm Based on Self-Adaptive Differential Evolution

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  An Overview of Bayesian Methods for Neural Spike Train Analysis

An Overview of Bayesian Methods for Neural Spike Train Analysis

Por: Hindawi Publishing Corporation | Fecha: 2013

El análisis de trenes de picos neuronales es una tarea importante en la neurociencia computacional que tiene como objetivo comprender los mecanismos neuronales y obtener información sobre los circuitos neuronales. Con el avance de las tecnologías de grabación de múltiples electrodos y de imágenes, se ha vuelto cada vez más exigente el desarrollo de herramientas estadísticas para analizar la actividad de picos de grandes conjuntos neuronales. Aquí presentamos una visión general de los métodos bayesianos y sus aplicaciones representativas en el análisis de trenes de picos neuronales, tanto a nivel de neurona única como de población. En el lado teórico, nos centramos en varias técnicas aproximadas de inferencia bayesiana aplicadas al estado latente y a la estimación de parámetros. En cuanto a la aplicación, los temas incluyen la clasificación de picos, la estimación de la curva de sintonía, la codificación y decodificación neuronal, la deconvolución de trenes de picos a partir de señales de imágenes de calcio y la inferencia de la conectividad funcional neuronal y la sincronía. Se discuten algunos retos y oportunidades de investigación para el análisis de trenes de picos neuronales.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

An Overview of Bayesian Methods for Neural Spike Train Analysis

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Modeling the Formation Process of Grouping Stimuli Sets through Cortical Columns and Microcircuits to Feature Neurons

Modeling the Formation Process of Grouping Stimuli Sets through Cortical Columns and Microcircuits to Feature Neurons

Por: Hindawi Publishing Corporation | Fecha: 2013

Se presenta un modelo computacional de una red neuronal autoestructurada en la que conjuntos de patrones aplicados repetidamente inducen la formación de columnas corticales y microcircuitos que decodifican patrones distintos tras una fase de aprendizaje. En un estudio de caso, se demuestra cómo neuronas específicas de una capa clasificadora de rasgos se vuelven selectivas en cuanto a la orientación si reciben patrones de barras de diferentes pendientes desde una capa de entrada. La capa de entrada es mapeada y entrelazada por microcircuitos neuronales auto-evolutivos a la capa clasificadora de características. En este resumen temático, se discuten varios modelos que indican que la formación de redes converge en su funcionalidad a una transformación matemática que mapea el espacio de patrones de entrada a un espacio de salida que representa características. Se discute el autoaprendizaje de la transformación matemática y se interpretan sus implicaciones. Se deducen supuestos del modelo que sirven de guía para aplicar conjuntos de patrones de estímulos repetitivos derivados del modelo a cultivos in vitro de conjuntos de neuronas para condicionarlos a aprender y ejecutar una transformación matemática.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Modeling the Formation Process of Grouping Stimuli Sets through Cortical Columns and Microcircuits to Feature Neurons

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Hippocampal Anatomy Supports the Use of Context in Object Recognition, A Computational Model

Hippocampal Anatomy Supports the Use of Context in Object Recognition, A Computational Model

Por: Hindawi Publishing Corporation | Fecha: 2013

El hipocampo humano recibe señales distintas a través del córtex entorrinal lateral, normalmente asociado a las características de los objetos, y del córtex entorrinal medial, asociado a la información espacial o contextual. La existencia de estos distintos tipos de información exige algún medio para poder gestionarlos de forma adecuada, integrándolos o manteniéndolos separados según sea necesario para mejorar el reconocimiento. Nuestra hipótesis es que varias características anatómicas del hipocampo, incluyendo la diferenciación en la conectividad entre las láminas superior/inferior del GD y las regiones distal/proximal de CA3 y CA1, trabajan juntas para desempeñar este papel de gestión de la información. Construimos un conjunto de modelos de redes neuronales con estas características y comparamos su rendimiento de reconocimiento cuando se les dan versiones ruidosas o parciales de contextos y sus objetos asociados. Encontramos que las regiones anterior y posterior del hipocampo requieren naturalmente diferentes proporciones de entrada de objetos y contextos para un rendimiento óptimo, debido al mayor número de objetos frente a los contextos. Además, descubrimos que tener regiones de procesamiento separadas en el GD ayudaba significativamente al reconocimiento en situaciones en las que las entradas de objetos estaban degradadas. Sin embargo, el procesamiento dividido tanto en el GD como en el CA3 dio lugar a compensaciones de rendimiento, aunque el hipocampo real puede tener formas de mitigar tales pérdidas.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Hippocampal Anatomy Supports the Use of Context in Object Recognition, A Computational Model

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Augmenting Weak Semantic Cognitive Maps with an ?Abstractness? Dimension

Augmenting Weak Semantic Cognitive Maps with an ?Abstractness? Dimension

Por: Hindawi Publishing Corporation | Fecha: 2013

El consenso emergente en los modelos dimensionales de sentimiento, apreciación, emociones y valores se centra en la semántica de las dimensiones principales, típicamente interpretadas como valencia, excitación y dominancia. La noción de mapas semánticos débiles se introdujo recientemente como distribución de representaciones en espacios abstractos que no se derivan de juicios humanos, psicometría o cualquier otra información a priori sobre su semántica. En su lugar, se definen completamente por relaciones semánticas binarias entre representaciones, como la sinonimia y la antonimia. Una cuestión interesante es la capacidad de los mapas semánticos basados en la antonimia para captar todas las dimensiones semánticas "universales". El presente trabajo muestra que esos mapas semánticos débiles y estrechos no son completos en este sentido y pueden ser aumentados con otras relaciones semánticas. En concreto, al incluir las relaciones hipónimo-hipérnimo se obtiene una nueva dimensión semántica del mapa denominada aquí "abstracción" (o generalidad ontológica) que no es reducible a ninguna dimensión representada por los pares de antónimos ni a las dimensiones tradicionales del espacio afectivo. Se espera que la inclusión de otras relaciones semánticas (por ejemplo, meronimia/holonimia) también dé lugar a la adición de nuevas dimensiones semánticas al mapa. Estos resultados tienen amplias implicaciones para la evaluación cuantitativa automatizada del significado del texto y pueden arrojar luz sobre la naturaleza de la experiencia subjetiva humana.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Augmenting Weak Semantic Cognitive Maps with an ?Abstractness? Dimension

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Multiobjective Optimization of Evacuation Routes in Stadium Using Superposed Potential Field Network Based ACO

Multiobjective Optimization of Evacuation Routes in Stadium Using Superposed Potential Field Network Based ACO

Por: Hindawi Publishing Corporation | Fecha: 2013

El problema de optimización de rutas de evacuación multiobjetivo se define para encontrar las rutas de evacuación óptimas para un grupo de evacuados bajo múltiples objetivos de evacuación. Para mejorar la eficiencia de la evacuación, abstraemos la zona de evacuación como una red de campo potencial superpuesta (SPFN), y presentamos el algoritmo ACO basado en SPFN (SPFN-ACO) para resolver este problema basándonos en el modelo propuesto. En el caso del Centro Deportivo de Wuhan, comparamos el algoritmo SPFN-ACO con el algoritmo HMERP-ACO y el algoritmo ACO tradicional bajo tres objetivos de evacuación, a saber, el tiempo total de evacuación, la longitud total de la ruta de evacuación y el grado de congestión acumulado. Los resultados experimentales muestran que el algoritmo SPFN-ACO tiene un mejor rendimiento en comparación con el algoritmo HMERP-ACO y el algoritmo ACO tradicional para resolver el problema de optimización de rutas de evacuación multiobjetivo.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Multiobjective Optimization of Evacuation Routes in Stadium Using Superposed Potential Field Network Based ACO

Copia el enlace o compártelo en redes sociales

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones

¿Deseas limpiar los términos de la búsqueda avanzada?

Vas a limpiar los términos que has aplicado hasta el momento para poder rehacer tu búsqueda.

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones