Resumen

En este artículo se presenta el análisis hecho a un conjunto de datos que representan diferentes imágenes, clasificadas como: Tierra roja, Cosecha de algodón, Tierra gris, Tierra gris húmeda, Tierra con vegetación, Cada terreno gris húmedo. El artículo se estructura en: una introducción en la cual se destaca la importancia del modelo de los mapas auto-organizativos de Kohonen (SOM) y la red de resonancia adaptativa (ART2) para la clasificación de imágenes; descripción de los algoritmos utilizados por las dos redes neuronales artificiales en mención; información relevante al problema; uso de las redes SOM y ART2 en la clasificación de imágenes satelitales; y planteamiento de conclusiones y trabajos futuros.

INTRODUCCIÓN

Existen evidencias que demuestran que en el cerebro hay neuronas que se organizan en muchas zonas, de forma que la información  captada a través de los órganos sensoriales se representan en forma de mapas bidimensionales. Por ejemplo, en el  sistema  visual se han detectado mapas del espacio en zonas del córtex (capa  externa  del  cerebro). Aunque en gran medida esta organización neuronal está predeterminada genéticamente, es probable que parte de ella se origine mediante el aprendizaje. Esto sugiere, por tanto, que el cerebro podría poseer la capacidad inherente de formar mapas topológicos de la información  recibida  del  exterior. De hecho, esta teoría podría explicar el poder de operar del cerebro con elementos semánticos. 

Algunas áreas del cerebro simplemente podrían crear y ordenar neuronas especializadas o grupos con características  de  alto  nivel  y  sus  combinaciones. Se trataría, en definitiva, de construir mapas espaciales para atributos y características. 

A partir de estas ideas, T. Kohonen presentó en 1982 un sistema con un comportamiento semejante. Se trataba de un modelo de red neuronal con capacidad para formar mapas  de  características  de  manera  similar  a  como  ocurre en el cerebro. El objeto de Kohonen era demostrar que un estímulo externo (información de entrada) por sí solo, suponiendo una estructura propia y una descripción funcional  del  comportamiento  de  la  red,  era  suficiente  para forzar la formación de los mapas.

Por otro lado, cuando se desarrolla una red para organizar una tarea de clasificación de patrones, se suele reunir un conjunto de ejemplares que serán utilizados durante la fase de aprendizaje o entrenamiento de la red. Durante esta etapa la información es registrada en el sistema mediante el ajuste de los valores de los pesos de las conexiones entre las neuronas. 

Una  vez  concluido  el  aprendizaje,  la  red  está  lista  para  funcionar  y  no  se  permite  ningún  cambio  adicional  de  los  pesos.  Este  procedimiento  es  factible  si  el  problema  que  se  pretende  resolver  por  la  red  está  bien  limitado  y  puede  definirse  un  adecuado  conjunto  de  información  de entrada que permita entrenar a la red para resolver el problema. Sin embargo, en muchas situaciones reales los problemas a resolver no tienen unos límites claros.

En  respuesta  a  este  dilema,  Grossberg,  Carpenter  y  otros  colaboradores  desarrollaron  la  denominada Teoría  de  Resonancia  Adaptativa  (ART).  Esta  teoría  se  aplica  a  sistemas competitivos en los cuales cuando se presenta cierta  información  de  entrada  sólo  una  de  las  neuronas  de salida de la red (o una por cierto grupo de neuronas) se activa y alcanza su valor de respuesta máxima después de competir con las otras. Esta neurona recibe el nombre de vencedora. Se pretende entonces categorizar los datos que se introducen en la red. 

• Materias:Sistemas de imágenes Redes neuronales (Computadores) Formación de las imágenes Aprendizaje electrónico
• Subjects:Imaging systems Neural networks (Computer science) Formation des images E-learning
• Palabras claves:Red neuronal artificial, mapas auto-organizativos de Kohonen, redde resonancia adaptativa, aprendizaje computacional, clasificación de imágene
• Keywords:Neural networks, self-organizing maps, adaptive resonance network, machine learning, image classification