| Sumario: | Estudiamos numéricamente redes neuronales artificiales multicapa con procesamiento unidireccional (feedforward) y su optimización con respecto a dos propiedades de especial importancia en el campo de las redes complejas y los modelos computacionales de sistemas biológicos: el cumplimiento de una función compleja con generalización de lo aprendido y la robustez estructural.
En primer lugar, interesa optimizar las redes para cumplir cierta función: el reconocimiento de las vocales en una matriz de píxeles. Con ello, se espera no sólo que cada red sepa clasificar los patrones
aprendidos, sino que pueda generalizar a casos novedosos lo que se le enseñó en casos particulares, clasificando correctamente las vocales aun cuando las señales que se le muestren presenten ruido o sean defectuosas.
En segundo lugar, buscamos que las redes creadas sean estructuralmente robustas, esto es, conserven su buena operatividad luego de sufrir daños en su topología. Usualmente, para la optimización de redes neuronales artificiales, los algoritmos de aprendizaje que se emplean dependen de un agente externo implícito en su formulación que durante el proceso guía a la red en la modificación de sus parámetros hasta que ésta alcanza un desempeño satisfactorio u óptimo.
La línea central de este trabajo es la implementación de un método estocástico de aprendizaje por refuerzo, denominado aprendizaje autónomo, según el cual el propio estado de la red define la magnitud y la dirección de los cambios para que ésta logre optimizarse.
|
|---|
Biblioteca Digital de Vanguardia