Resumen de Multilayer neural networks: learning models and applications
ESTA TESIS ESTA DEDICADA AL ESTUDIO DE LAS REDES DE NEURONAS ARTIFICIALES, TANTO DESDE UN PUNTO DE VISTA TEORICO COMO PRACTICO, 1.- INTRODUCCION A LAS REDES NEURONALES. 2.- DIVERSAS SOLUCIONES AL PROBLEMA DE LA MEMORIA ASOCIATIVA USANDO REDES MULTICAPA, ELIMINANDO ASI LOS PRINCIPALES PROBLEMAS DE LAS REDES DE HOPFIELD. 3.- APRENDIZAJE SUPERVISADO CON REDES DISCRETAS: - CODIFICACION DE PATRONES BINARIOS CON REDES MULTICAPA, LIMITACIONES Y POSIBLES SOLUCIONES - NUEVA REGLA DE APRENDIZAJE PARA PERCEPTRONES SIMPLES MULTIESTADO, SU CONVERGENCIA Y LA UNICIDAD DEL PERCEPTRON MULTIESTADO DE MAXIMA ESTABILIDAD. - "TILING ALGORITHM" BASADO EN NUESTRA REGLA DE APRENDIZAJE MULTIESTADO. 4.- APRENDIZAJE SUPERVISADO CON REDES CONTINUAS Y DIFERENCIABLES: - VERSION SIMPLIFICADA DE LA "BACK-PROPAGATION THROUGH TIME" QUE PUEDE APLICARSE A CUALQUIER RED RECURRENTE. - ESTUDIO ANALITICO DE LA FUNCION DE ERROR UTILIZADA EN LA "BACK-PROPAGATION", E IMPLICACIONES EN LA FORMA DE ESCOGER LA REPRESENTACION DE LOS PATRONES DE SALIDA. - APLICACION DE REDES MULTICAPA Y "BACK-PROPAGATION" PARA LA RECONSTRUCCION DE IMAGENES CON RUIDO.Ñ- - APLICACION Y MEJORAS DE LA "SELF-SUPERVISED BACK-PROPAGATION" PARA LA COMPRESION DE IMAGENES. - APLICACION DE REDES RECURRENTES Y "BACK-PROPAGATION THROUGH TIME" PARA LA PREDICCION DE SERIES TEMPORALES.
