Un modelo neuronal basado en la metaplasticidad para la clasificación de objetos en señales 1-d y 2-d

• Autores: Alexis Marcano Cedeño
• Directores de la Tesis: Diego Andina de la Fuente (dir. tes.)
• Lectura: En la Universidad Politécnica de Madrid ( España ) en 2010
• Idioma: español
• Tribunal Calificador de la Tesis: José Manuel Ferrández Vicente (presid.), Juan Isidoro Seijas Martínez Echevarría (secret.), Francisco Javier Ropero Pelaez (voc.), Antonio Vega Corona (voc.), Rubén Ruelas Lepe (voc.)
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
• Enlaces
  • Tesis en acceso abierto en: Archivo Digital UPM
• Resumen
  • español

    El Algoritmo de Retropropagación (Algoritmo Backpropagation, ABP), es uno de los algoritmos más conocidos y utilizados para el entrenamiento de las Redes Neuronales Artificiales, RNAs. El ABP ha sido empleado con éxito en problemas de clasificación de patrones en áreas como: Medicina, Bioinformática, Telecomunicaciones, Banca, Predicciones Climatológicas, etc. Sin embargo el ABP tiene algunas limitaciones que le impiden alcanzar un nivel óptimo de eficiencia (problemas de lentitud, convergencia y de exactitud en la clasificación). Estos problemas han dado lugar a un gran número investigaciones para mejorar al mencionado algoritmo. Pero a pesar de todas las modificaciones y mejoras propuestas para el ABP, todavía no existe una solución optima, que se pueda aplicar a todos los problemas. En esta Tesis Doctoral se propone una alternativa para mejorar algunas de las deficiencias del ABP. El algoritmo propuesto, es una aplicación de un modelo neuronal basado en la propiedad biológica de la Metaplasticidad. La Metaplasticidad es un concepto biológico ampliamente conocido y usado en muchos campos relacionados con la Biología, Neuro-Biología, Psicología, Neurología y Neuro-Fisiología entre otros. La Metaplasticidad está relacionada con los procesos de la memoria y del aprendizaje. Una de las ventajas del algoritmo propuesto de la Metaplasticidad Artificial (Artificial Metaplasticity, AMP) es que, se puede implementar en cualquier RNA, en esta tesis, se implementó por primera vez para diversas aplicaciones multidisciplinarias en un Perceptron Multicapa (Multilayer Perceptron, MLP). De todos los modelos AMP probados en la literatura, el modelo más eficiente (en función del tiempo de aprendizaje y rendimiento) es el enfoque que conecta la metaplasticidad con la Teoría de la información de Shannon, que establece que los patrones menos frecuentes tienen más información que los patrones más frecuentes. Este modelo deiii fine la metaplasticidad artificial como un procedimiento de aprendizaje que produce una mayor modificación en los pesos sinápticos de los patrones menos frecuentes que de los patrones más frecuentes, como una forma de extraer más información de los primeros que de los últimos. El modelo de la Metaplasticidad Artificial en un Percentrón Multicapa (Arti- ficial Metaplasticity on Percentrón Multilayer, AMMLP) se aplicado en la fase de entrenamiento de las RNAs. Durante esta fase, el algoritmo AMMLP a dado más relevancia a los patrones menos frecuentes y se ha restado importancia a los más frecuentes, asegurando así un entrenamiento más eficaz, mientras se mantiene el rendimiento del MLP. El algoritmo propuesto AMMLP se ha aplicado a diferentes problemas relacionados con la clasificación de patrones en distintas áreas (Médica, Finanzas e Industriales), demostrando en todos los casos ser superior en términos de exactitud en la clasificación, velocidad de convergencia, fiabilidad y bajo coste computacional a los algoritmos propuestos recientemente por otros investigadores y que han sido comparados en esta tesis.

  • English

    The Backpropagation Algorithm, BPA, is one of the most known and used algorithms to training the Artificial Neuronal Networks, ANNs. The BPA has been success used in problems of patterns classification in areas such as: Medicine, Bioinformatic, Telecommunications, Banking, Climatological Predictions, etc. However the BPA has some limitations that prevent to reach an optimal efficiency level (slowness problems, convergence and classification accuracy). These problems have provoked a big number researches to improve the BPA. However, in general none of the modifications have been capable of delivering satisfactory performance for all problems. In this doctoral Thesis is proposed an alternative to improve some of the BPA deficiencies. The suggested algorithm, is a neuronal model based on the biological property of the Metaplasticity. The Metaplasticity is a biological concept widely known in the fields of biology, medical computer science, neuroscience, physiology, neurology and others. The Metaplasticity is related to the processes of memory and of the learning. The main advantage of the suggested Artificial Metaplasticity algorithm, AMP, is that, it is able implementing in any ANNs, in this thesis, algorithm was implemented in a Multilayer Perceptron, MLP. The most efficient AMP model (as a function of learning time and performance) is the approach that connects metaplasticity and Shannon’s information theory, which establishes that less frequent patterns carry more information than frequent patterns. This model defines artificial metaplasticity as a learning procedure that produces greater modifications in the synaptic weights with less frequent patterns than frequent patterns, as a way of extracting more information from the former than from the latter.