Un nuevo modelo de red neuronal con aprendizaje competitivo

Resumen

En esta Tesis se presenta un modelo de red neuronal artificial denominado RCIPD. Este modelo se enmarca en redes de tipo competitivo, donde se incluye, a nivel de neurona, un mecanismo de autoinhibición temporal consecuente al disparo de un potencial de acción (denominado Inhibición Post-Disparo). El grado de autoinhibición temporal es variable y se define a través de una función, (t), teniendo consecuencias organizativas neuronales importantes en la fase de aprendizaje con RCIPD, dando lugar a representaciones internas diferentes (dependiendo de los valores de ) en donde se codifican características espacio temporales con un alto contenido de información. Se proponen variantes de RCIPD útiles en aplicaciones, tanto supervisadas como no supervisadas, tales como clasificación de patrones, cuantización vectorial, segmentación de objetos y extracción de características espacio temporales en los estímulos de entrada. Se establecen y justifican criterios para definir los parámetros involucrados en el aprendizaje con RCPID, además de dotar a dicho proceso de opciones de control automáticas para obtener comportamientos dinámicos deseados durante la evolución del aprendizaje. Se presentan esquemas de aprendizaje en etapas incluyendo como primitivas configuraciones de RCIPD, así como la planificación de éstos para adecuarlos a los diferentes tipos de problemas de clasificación. Se presentan resultados experimentales de clasificación utilizando "benchmarks" usuales en la literatura.