Resumen de Procesamiento neuronal con mapas autoorganizados: arquitecturas digitales
ESTA TESIS VERSA SOBRE MODELOS DE PROCESAMIENTO PARALELO Y ADAPTATIVO DENOMINADOS REDES NEURONALES ARTIFICIALES (RNA). ESTOS MODELOS PUEDEN MATERIALIZARSE, BIEN EN FORMA DE PROGRAMA DE ORDENADOR, BIEN ELECTRONICAMENTE. NUESTRO OBJETIVO ES EL ESTUDIO DE UNA DE LOS SISTEMAS NEURONALES MAS CONOCIDOS, LOS MAPAS AUTOORGANIZADOS O SOFM (SELF-ORGANIZING FEATURE MAPS), EMPLEADO, POR EJEMPLO, EN LA REPRESENTACION DE DATOS MULTIVARIADOS, CLASIFICACION DE PATRONES Y MONITORIZACION DE PROCESOS.
EN LA PRIMERA PARTE (CAPITULOS 1 Y 2), REALIZAMOS UNA INTRODUCCION GENERAL Y RIGUROSA A LAS RNA, INCIDIENDO ESPECIALMENTE EN EL APRENDIZAJE COMO PROCESO DE OPTIMIZACION DE UNA CIERTA FUNCION COSTE.
A CONTINUACION NOS CENTRAMOS EN LOS MAPAS AUTOORGANIZADOS. EN EL CAPITULO 3 LLEVAMOS A CABO UNA SINTESIS DE LOS CONOCIMIENTOS TEORICOS EXISTENTES SOBRE EL MODELO SOFM, MUY DISPERSOS EN LA LITERATURA DE REDES NEURONALES. ASIMISMO, SE DESCRIBE UNA METODOLOGIA DE DEDUCCION SISTEMATICA DE ALGORITMOS DE APRENDIZAJE AUTOORGANIZADOS, LO QUE PROPORCIONA UNA VISION UNIFICADA DE MULTITUD DE REGLAS. POR ULTIMO, SE PRESENTA UN NUEVO MODELO DE NEURONA DE KOHONEN CON UMBRAL, DE INTERES POR SU SENCILLEZ Y FACILIDAD DE IMPLEMENTACION.
EN EL CAPITULO 4, EMPLEANDO COMO CASO DE ESTUDIO UN PROBLEMA REAL DE ANALISIS DE DATOS, ESTUDIAMOS EL TIPO DE PROCESAMIENTO QUE EFECTUAN DIFERENTES ARQUITECTURAS DE SOFM, Y COMPARAMOS CON TECNICAS ESTADISTICAS CLASICAS. ES DE DESTACAR POR SU ORIGINALIDAD LA RELACION QUE SE ESTABLECE ENTRE LOS SOFM Y LAS ESCALAS MULTIDIMENSIONALES. ADEMAS, SE DESARROLLAN NUEVAS ARQUITECTURAS MULTICAPA BASADAS EN REDES DE KOHONEN, Y SE INTRODUCEN DIFERENTES TECNICAS PARA EL TRAZADO NO SUPERVISADO DE REGIONES SOBRE EL MAPA.
POR ULTIMO, LA EXISTENCIA DE APLICACIONES QUE PRECISAN EL TRATAMIENTO DE GRAN CANTIDAD DE DATOS ENTIEMPO REAL (QUE NO PUEDEN ABORDARSE MEDIANTE SIMULACION POR ORDENADOR) NOS DA PIE A TRATAR EN LA ULTIMA PARTE DE LA TESIS LA REALIZACIO
