Descubriendo estructuras en los datos mediante aprendizaje competitivo y reproductivo

Résumé

En la tesis doctoral se proponen diferentes modelos de redes neuronales competitivas no supervisadas para la cuantificación vectorial, el análisis de imágenes, la detección de esqueletos de caracteres en imágenes digitales, la determinación del número de grupos de un espacio de entrada y para el descubrimiento de estructuras en los datos, Se propone una condición necesaria y suficiente para que un determinado conjunto de vectores representantes constituyan una solución óptima al problema de la cuantificación vectorial. Dicha condición implica que la solución óptima viene dada por aquella partición del espacio de entrada en donde los vectores representantes están más separados entre sí. Se ha desarrollado una nueva topología de red neuronal no supervisada denominada red expansiva y competitiva que incorpora una estrategia heurística en la regla de aprendizaje basada en la condición de mínimo global descrita. Dicha red obtiene mejores resultados que la red competitiva simple en problemas de cuantificación vectorial con muchos mínimos locales, como es el caso de la compresión de imágenes, que se detalla en esta tesis. Se ha desarrollado una red neuronal competitiva no supervisada basada en segmentos con fase de expansión en la que cada unidad de proceso tiene asociado un par de vectores sinápticos que constituyen los extremos de un segmento, denominado segmento sináptico. Con la fase de expansión se controla el tamaño de los segmentos sinápticos durante el proceso de aprendizaje, evitando que abarquen más de un grupo de patrones del espacio de entrada y obteniendo la dirección predominante de cada uno de los grupos en los que se han ubicado. Se ha aplicado la nueva red basada en segmentos al problema de la detección de esqueletos de caracteres y se muestra que, con una adecuada elección del parámetro que la gobierna, la red obtiene el esqueleto de cualquier carácter con el mismo procedimiento y de for