Resumen de Modelo neuronal artificial multi-dendrítico de unidades con campo receptivo
La Tesis se centra en la descripción y simulación de un paradigma neuronal artificial. Las redes neuronales de este modelo adoptan arquitecturas en base a una descripción de la conectividad entre capas de tipo multi-dendrítica, donde cada capa de la red conecta con sus entradas desde otras capas estableciendo haces dendríticos de conexiones. Ese tipo de descripción arquitectural permite la selección de vias procesadoras en la red mediante habilitación-inhabilitación de haces dendríticos.
La funcionalidad de las unidades o neuronas artificiales implementadas en las simulaciones está basada en la definición de campos receptivos dendríticos. La fase de recuerdo del sistema neuronal sigue una dinámica ascendente en las capas de la red, cuyo proceso en las neuronas consiste en: estimulación, evaluación de excitaciones dendríticas y cálculo de la respuesta de salida (sigmoide multidendrítica normalizada).
El proceso de aprendizaje puede ser de tipo auto-organizado o supervisado. La auto- organización se determina por una dinámica competitiva (tipo K-WTA) cuyo mecanismo de consciencia es una variante del algoritmo FSCL. La supervisión puede implementarse de dos formas: directamente, por asignación de etiquetas de supervisión a las activaciones de competición de las unidades, o asociativamente, mediante vías dentríticas auto-organizadas estimuladas con las etiquetas de supervisión.
Las simulaciones muestran las capacidades computacionales de los diversos módulos de arquitectura, principalmente en problemas de clasificación de patrones. Se pueden aplicar a la ortogonalización de los estímulos (módulo seguidor), asociación de estímulos (módulo seguidor-asociativo), diversificación de las particiones del espacio de entrada (plano diferenciador) y su recombinación en nuevas particiones (módulo diferenciador-integrador).
Las diversas capacidades computacionales de estos módulos permiten ori
