Optimización de Encuestas Electorales mediante Redes Neuronales Artificiales

Autores/as

  • Yessica Yazmin Calderon-Segura Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas
  • Gennadiy Burlak Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas
  • José Antonio García Pacheco Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas https://orcid.org/0009-0005-6072-9551

DOI:

https://doi.org/10.30973/progmat/2024.16.2/5

Palabras clave:

Red Neuronal Artificial, Conservadora, Algoritmo

Resumen

El objetivo de este estudio es buscar los principales factores que pueden influir para predecir los resultados de las encuestas de votación. Se desarrolla un sistema que permite la optimización de Redes Neuronales Artificiales para identificar los factores que afectan el resultado electoral, a través de un método computacional que permite evaluar las características que influyen en un voto electoral exitoso. Se utiliza una Red Neuronal Artificial con tres capas y un algoritmo de aprendizaje de retro propagación. La primera fase carga el sistema desarrollando una base de datos sintética aleatoria. Éste contendrá los datos que servirán de entrada a la Red Neuronal Artificial para optimizar los atributos más destacados que afectan una votación. El sistema identifica las entradas a la Red Neuronal Artificial y las iteraciones que se pueden realizar para optimizar sus salidas.

Biografía del autor/a

Yessica Yazmin Calderon-Segura, Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas

She has experience in algorithm optimization, mathematical models, processes to minimize time, Neural Networks, simulation, percolation systems, nanostructures and electromagnetic phenomena. She has published co-authored articles in international journals with a high impact factor. She as well as other knowledge on the topics of image processing, neural networks and systems. She is currently a member of the SNI, as a candidate. She is the author and co-author of 14 articles in international journals. She has participated in 24 presentations at national and international conferences. Under her direction they have graduated: 1 bachelor's thesis and 2 master's thesis at FCAeI-CIICAp-UAEM. Currently 3 FCAeI-UAEM bachelor's theses in process, under her direction.

Gennadiy Burlak, Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas

In 1975 he studied bachelor's and master's degrees at the kyiv National University (KNU), at the Faculty of Physics and at the Department of Theoretical Physics. He also obtained the Ph. D. (candidate in Physical-Mathematical Sciences) and the D. Sc. (Doctor in Physical-Mathematical Sciences) at the KNU in 1979 and 1988, respectively. He worked as a professor in the Department of Theoretical Physics. Currently, he is Professor-Researcher C of the Centro de Investigacion en Ingeniería y Ciencias Aplicadas (CIICAp) of the Universidad Autónoma del Estado de Morelos (UAEM), since 1998. Dr. Burlak is the author and co-author of four books and 150 articles in international magazines. He has participated in 157 presentations at national and international conferences. Under his direction they have graduated: 5 doctoral theses and 8 master's and bachelor's theses. Currently 2 doctoral theses in process under his direction.

José Antonio García Pacheco, Universidad Autónoma del Estado de Morelos. Centro de Investigación en Ingeniería y Ciencias Aplicadas

A Master's student in Engineering and Applied Sciences at the Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAp). He obtained his degree in Computer Science from the Universidad Autónoma del Estado de Morelos (UAEM) in 2022. His passion and experience focus on artificial neural network research, software development, and algorithm optimization. His focus and dedication are exemplary, making him a promising researcher and professional in the field of applied computing.

Citas

Gámez A. H., Cabrera, J., Salas, O., Bravo B. J. (2016). Aplicación de mapas de Kohonen para la priorización de zonas de mercado: una aproximación práctica. Revista EIA. 2016, 13, 157-169. https://doi.org/10.24050/reia.v13i25.1024.

Ballesteros, A. (2001). Neural Network Framework. Last accessed 4, Sep, 2023, http://www.redes-neuronales.com.es/tutorial-redesneuronales/tutorial-redes.htm, 2001.

Bobbio, N. Derecha e Izquierda. Madrid: Taurus, 1998, 120-132.

Callejas, I., Pineros J., Del Valle J., Hernán F., Delgado F. Implementación de una red neuronal artificial tipo SOM en una FPGA para la resolución de trayectorias tipo laberinto. II International Congress of Engineering Mechatronics and Automation (CIIMA). 2013, 1-6. https://doi.org/10.1109/CIIMA.2013.6682790.

D’Adamo, O., García Beaudoux, V., Kievsky, T. Comunicación política y redes sociales. Análisis de las campañas para las elecciones legislativas de 2013 en la ciudad de Buenos Aires. Revista Mexicana De Opinión Pública, 2015, (19), 107–125. https://doi.org/10.22201/fcpys.24484911e.2015.19.50206.

Ciresan, D. C., Meier, U., Masci, J., Gambardella, L.M., Schmidhuber, J. Flexible, High Performance Convolutional Neural Networks for Image Classification. Proc. of the 22nd International Joint Conference on Artificial Intelligence JCAI, 2011. https://doi.org/10.5591/978-1-57735-516-8/IJCAI11-210.

Rojas, J., Trujillo-Rasúa, R., Bello, R. A continuation approach for training Artificial Neural Networks with meta-heuristics. Pattern Recognition Letters, 2019. https://doi.org/125.10.1016/j.patrec.2019.05.017.

Xefteris, D. Multidimensional electoral competition between differentiated candidates, Games and Economic Behavior, 2017, vol. 105(C), 112-121. https://doi.org/10.1016/j.geb.2017.07.005.

Fukushima, K. Neocognitron: A Self-organizing Neural Network Model. Tokyo: Springer-Verla, 1980, (36), 193–202.

Hilera, J., Martinez-Hernando, V. Redes neuronales artificiales: fundamentos, modelos y aplicaciones. Madrid: RA-MA Editorial, 1995.

Johnson, Joel W. and Hoyo, Verónica, Beyond Personal Vote Incentives: Dividing the Vote in Preferential Electoral Systems, Electoral Studies, 31(1), 131–142. Recuperado (September 28, 2021) de https://ssrn.com/abstract=2001725.

Péronnet, M. Vocabulario básico de la Revolución Francesa. Barcelona: Critica, 1985.

Ramírez, F. Historia de la IA: Frank Rosenblatt y el Mark I Perceptrón, el primer ordenador fabricado específicamente para crear redes neuronales en 1957, Recuperado el 29, septiembre, 2021, de https://telefonicatech.com/blog/historia-de-la-ia-frank-rosenblatt-y-e, 2018.

Rojas, R. Neural Networks: A Systematic Introduction. Springer, 1996.

Tran, Dat, Kiranyaz, S., Gabbouj, M., Iosifidis, A. PyGOP: A Python library for Generalized Operational Perceptron algorithms. Knowledge-Based Systems, 2019, 182(4), 855-863. https://doi.org/10.1016/j.knosys.2019.06.009.

Tijskens, A., Roels, S., Janssen, H. Neural networks for metamodelling the hygrothermal behaviour of building components, Building and Environment, 2019, 162, 106282, https://doi.org/10.1016/j.buildenv.2019.106282.

Caraballo, I. Diseño de redes neuronales con aprendizaje combinado de retropropagación y búsqueda aleatoria progresiva aplicado a la determinación de austenita retenida en aceros TRIP. Revista de Metalurgia, 2010, 46(6), 499-510. https://doi.org/10.3989/revmetalmadrid.0924.

Wang, C. H. Gender differences in the effects of personality traits on voter turnout, Electoral Studies, 2014, 34, 167-176, https://doi.org/10.1016/j.electstud.2013.10.005.

Hu, Z., Bodyanskiy, Y., Tyshchenko, O. A deep cascade neuro-fuzzy system for high-dimensional online fuzzy clustering. 2016 IEEE First Int. Conf. on Data Stream Mining & Processing (DSMP), 2016, 318-322. https://doi.org/10.1109/DSMP.2016.7583567.

2024-16-02-05

Descargas

Publicado

01-06-2024

Cómo citar

Calderon-Segura, Y. Y., Burlak, G., & García Pacheco, J. A. (2024). Optimización de Encuestas Electorales mediante Redes Neuronales Artificiales. Programación matemática Y Software, 16(2), 49–59. https://doi.org/10.30973/progmat/2024.16.2/5

Número

Vol. 16 Núm. 2 (2024): Junio de 2024

Sección

Artículos

Licencia

Derechos de autor 2024 Yessica Yazmin Calderon-Segura, Gennadiy Burlak, José Antonio García Pacheco

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.

Artículos más leídos del mismo autor/a

1 2 > >>