Resumen de Aprendizaje competitivo para la cuantificación vectorial.
El aprendizaje competitivo se ha utilizado, con sus variantes, en muchos trabajos para la cuantificación vectorial, pues se basa en dos condiciones necesarias para la minimización de la función de distorsión. Por ello, las soluciones que ofrece son mínimos locales, como los demás algoritmos tradicionales. En este trabajo se caracteriza la solución óptima (mínimo global) con una propiedad adicional y se propone una red de neuronas artificiales, con aprendizaje competitivo, para el diseño de cuantificadores vectoriales óptimos, cuya regla de aprendizaje incorpora un término que se basa en dicha propiedad. Se muestra como esta red de neuronas artificiales aprende los parámetros de una mixtura de distribuciones normales y, además, produce siempre mejores cuantificadores que el aprendizaje competitivo simple.
