Ir al contenido

Documat


Resumen de Arquitecturas dinámicas para sistemas neuronales autoorganizados

Esteban José Palomo Ferrer Árbol académico

  • El proceso de extracción y descubrimiento de conocimiento, relaciones y patrones en grandes bases de datos se puede llevar a cabo de manera satisfactoria con sistemas neuronales autoorganizados. El más importante de todos es el Mapa Autoorganizado (SOM, Self-Organizing Map) propuesto por Kohonen. Aunque este mapa es uno de los más populares dentro del paradigma del aprendizaje no supervisado, presenta una serie de inconvenientes, a saber, la necesidad de establecer de antemano el tamaño del mapa, la imposibilidad de reflejar relaciones jerárquicas que puedan haber entre los datos, la sensibilidad al ruido y a patrones anómalos, la topología fija que tienen estos mapas y métrica utilizada (distancia euclídea), la cual puede que no sea la más adecuada para representar a los datos.

    Por todo ello, en esta Tesis Doctoral se pretende caracterizar, diseñar y desarrollar sistemas neuronales autoorganizados que posean las siguientes propiedades deseables: crecimiento (determinación automática del tamaño del mapa), jerarquía (reflejo de las posibles relaciones jerárquicas en los datos), robustez (eliminación de la sensibilidad al ruido y a patrones anómalos), flexibilidad (uso de grafos dinámicos como espacio de representación), manejo de la incertidumbre (captura de la distribución de los datos de entrada como mixturas probabilísticas) y generalización de la métrica (uso de divergencias de Bregman como alternativa a la distancia euclídea). Además, se pretende que todos los modelos desarrollados sean útiles en distintos campos de aplicación de la informática.

    Durante la segunda parte de esta Tesis Doctoral, se analiza el modelo Mapa Autoorganizado Jerárquico y Creciente (GHSOM, Growing Hierarchical Self-Organizing Map), el cual nos sirve como punto de partida para desarrollar las arquitecturas propuestas, ya que este modelo incorpora las propiedades de crecimiento y jerarquía. Además, este modelo lo utilizamos para implementar aplicaciones novedosas en el campo del procesamiento de imágenes (compresión de imágenes, segmentación de imágenes, segmentación de vídeo y detección de objetos de primer plano en secuencias de vídeo) y en el de la seguridad en redes (ciencias forenses de redes telemáticas y sistemas de detección de intrusiones).

    Durante la tercera parte de esta Tesis Doctoral, se exponen los modelos neuronales autoorganizados propuestos, en concreto, el modelo Grafo Autoorganizado Probabilístico (PSOG, Probabilistic Self-Organizing Graph), el cual incorpora las propiedades de flexibilidad y falta de manejo de la incertidumbre; el modelo Grafo Autoorganizado Probabilístico Jerárquico y Creciente (GHPSOG, Growing Hierarchical Probabilistic Self-Organizing Graph), el cual es una extensión del PSOG con las propiedades añadidas de jerarquía y crecimiento; el modelo Mapa Autoorganizado de M-Estimadores (MESOM, M-Estimator Self-Organizing Map), el cual es robusto; y el modelo Mapa Autoorganizado de Bregman Jerárquico y Creciente (GHBSOM, Growing Hierarchical Bregman Self-Organizing Map), el cual se basa en divergencias de Bregman , además de ser jerárquico y creciente. Además de comprobarse las capacidades autoorganizativas de todos estos modelos, se ha comprobado su utilidad en aplicaciones de clasificación, agrupamiento, cuantificación de imágenes, restauración de imágenes comprimidas con pérdidas, segmentación de imágenes y minería de contenidos web. Los resultados experimentales demuestran la utilidad de todos los modelos propuestos.


Fundación Dialnet

Mi Documat