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

Abstract

En esta tesis se presenta un nuevo algoritmo de clasificación denominado g-lvq. Este algoritmo consiste básicamente en una optimización con pocos parámetros libres del algoritmo de clasificación supervisada lvq de kohonen. La optimización de la red neuronal lvq se lleva a cabo utilizando algoritmos genéticos, que son potentes métodos de optimización basados en la selección natural y la base molecular de la misma. Para optimizar una red lvq, se codifica cada red en un "cromosoma" y se crea una población de los mismos. Cada red es evaluada en una tarea de clasificación, y dependiendo de su éxito en esta tarea, se le asigna una puntuación que consiste en la exactitud en la clasificación, el tamaño final de la red, y la distorsión o error entre el conjunto de entrada y la red neuronal obtenida. Los "cromosomas" correspondientes a las redes neuronales con mas éxito se entrecruzaran y mutaran, dando lugar a nuevas redes que serán también evaluadas. Además, se introducen nuevos operadores genéticos, 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 clasificación mejoran sustancialmente a los obtenidos con otros algoritmos clásicos.