Estudio, aplicaciones y optimización de algoritmos neuronales de cuantización vectorial mediante algoritmos genéticos

Resumen

EN ESTA TESIS SE PRESENTA UN NUEVO ALGORITMO DE CLASIFICACION DENOMINADO G-LVQ, ESTE ALGORITMO CONSISTE BASICAMENTE EN UNA OPTIMIZACION CON POCOS PARAMETROS LIBRES DEL ALGORITMO DE CLASIFICACION SUPERVISADA LVQ DE KOHONEN. LA OPTIMIZACION DE LA RED NEURONAL LVQ SE LLEVA A CABO UTILIZANDO ALGORITMOS GENETICOS, QUE SON POTENTES METODOS DE OPTIMIZACION BASADOS EN LA SELECCION NATURAL Y LA BASE MOLECULAR DE LA MISMA. PARA OPTIMIZAR UNA RED LVQ, SE CODIFICA CADA RED EN UN "CROMOSOMA" Y SE CREA UNA POBLACION DE LOS MISMOS. CADA RED ES EVALUADA EN UNA TAREA DE CLASIFICACION, Y DEPENDIENDO DE SU EXITO EN ESTA TAREA, SE LE ASIGNA UNA PUNTUACION QUE CONSISTE EN LA EXACTITUD EN LA CLASIFICACION, EL TAMAÑO FINAL DE LA RED, Y LA DISTORSION O ERROR ENTRE EL CONJUNTO DE ENTRADA Y LA RED NEURONAL OBTENIDA. LOS "CROMOSOMAS" CORRESPONDIENTES A LAS REDES NEURONALES CON MAS EXITO SE ENTRECRUZARAN Y MUTARAN, DANDO LUGAR A NUEVAS REDES QUE SERAN TAMBIEN EVALUADAS. ADEMAS, SE INTRODUCEN NUEVOS OPERADORES GENETICOS, QUE PERMITEN ALTERAR LA LONGITUD DE LOS CROMOSOMAS. ESTOS OPERADORES AUMENTAN LA LONGITUD DE LA RED NEURONAL SIEMPRE QUE ALGUNA NEURONA GANE DEMASIADAS VECES PARA MUESTRAS DE ENTRADA, Y SE DISMINUYE LA LONGITUD SIEMPRE QUE ALGUNA NEURONA NO GANE NUNCA. EL ALGORITMO G-LVQ ESTA PREPARADO PARA EJECUTARSE EN ARQUITECTURAS DE TIPO HIPERCUBO O REJILLA DE PROCESADORES, YA QUE TODAS LAS OPERACIONES SOBRE GENOMAS Y REDES NEURONALES SE REALIZAN A NIVEL LOCAL. LOS RESULTADOS OBTENIDOS EN TAREAS DE CLASIFICACION MEJORAN SUSTANCIALMENTE A LOS OBTENIDOS CON OTROS ALGORITMOS CLASICOS.