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

Resumen

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.