Redes neuronales recurrentes y autónomas para la formación de categorías

Resumen

En la tesis doctoral se proponen cinco modelos de redes recurrentes multivaluadas y autónomas para resolver problemas de agrupación de datos (patrones) basada en particiones permitiendo que los datos puedan ser también no métricos. La función de energía computacional es precisamente la función de similitud seleccionada. Cuando la función de similitud es el opuesto de la función de distorsión cuadrática hemos visto que el problema de agrupación es equivalente al problema de la cuantificación vectorial. Sin embargo, el problema de la cuantificación vectorial se reduce a datos métricos solamente, puesto que utiliza el controide de los grupos como su mejor representación. Los modelos propuestos no utilizan este concepto como elemento para la formación de los grupos, sino la similitud (semejanza, analogía o parecido) entre cada patrón y la clase a la que debe pertenecer, de manera que los patrones más similares pertenezcan a la misma clase. Los modelos neuronales propuestos buscan que las unidades de procesos más fuertemente conectadas (patrones más similares) presenten el mismo estado. Dos de las redes diseñadas son deterministas (el modelo exacto y el simplificado), y para su construcción ha sido necesario usar los conceptos de potencial sináptico y potencial de acción. Se ha demostrado la convergencia de la red para el modelo exacto, es decir, de que la regla de actualización de las neuronas conduce a un mínimo local de la función de energía asociada y que la dinámica de la computación asegura el decrecimiento de la función de energía en cada actualización de la red hasta alcanzar un estado de equilibrio. Y para el modelo aproximado se da también ese comportamiento, aunque ocasionalmente produzca un crecimiento de la función de energía. Se ha definido una red multivaluada estocástica, inspirada en el modelo anterior, buscando paliar el problema de la escasa eficiencia computacional. Para ello se def