Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas,




descargar 132.14 Kb.
títuloResumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas,
página1/3
fecha de publicación12.03.2016
tamaño132.14 Kb.
tipoResumen
b.se-todo.com > Documentos > Resumen
  1   2   3
MATRICES EVOLUTIVAS
Fernando Galindo Soria

Escuela Superior de Cómputo (ESCOM)

Instituto Politécnico Nacional (IPN)

Av. Miguel Othón de Mendizábal y Av. Juan de Dios Bátiz s/n

Zacatenco, Cd. de México

07738 MÉXICO

fgalindo@ipn.mx

Original 27 de Septiembre de 1993

Ultimas modificaciones 31 de Mayo de 1998, 20 de Febrero de 1999


Resumen
En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I.A.: Reconocimiento de Imágenes y en general de Formas, Sistemas Expertos y Redes Neuronales se pueden apoyar en su representación mediante Matrices Evolutivas.
Como primer punto se comenta que las matrices evolutivas surgieron de la conjunción de trabajos sobre redes neurales desarrollados en los años 70's y sistemas evolutivos para reconocimiento de imágenes realizados durante los 80's, como siguiente punto se presenta el uso de las matrices evolutivas en el tratamiento de imágenes y en el área de los sistemas expertos.
Finalmente se ve que, las matrices evolutivas representan espacios n-dimensionales que permanentemente están cambiando. Originalmente la matriz evolutiva está vacía, por lo que el espacio que representa también lo está, mas adelante cuando llegan las primeras reglas o imágenes surgen los primeros puntos, pero estos no están fijos, ya que, cuando una regla de la matriz evolutiva se modifica el punto que la representa también cambia de posición, con lo que, en forma natural el espacio se está afinando y evolucionando.

Palabras claves:
Sistemas Evolutivos, Matrices Evolutivas, Redes Neuronales, Reconocimiento de Formas, Sistemas Expertos, Aprendizaje de Maquinas.


1.-) Antecedente: Una Representación Matricial para Redes Neuronales.
A mediados de los 70's en un seminario de Inteligencia Artificial organizado en el Centro Nacional de Cálculo (CENAC) del IPN de la Cd. de México en colaboración con la Escuela Superior de Física y Matemáticas (ESFM) del mismo instituto, trabajando junto con Gustavo Nuñez Esquer llegamos a una representación de red neuronal[4].
Donde, a partir del modelo de neurona desarrollado por Mc Cullot y Pitts[1][2][3], generamos nuestra propia propuesta, basada en una representación matricial de la red neuronal, en la cual cada una de las señales de entrada a las neuronas se representa como una columna de la matriz y cada una de las neuronas equivale a un renglón, de tal forma que, en la intersección de cada renglón y columna se almacena el valor que toma la dendrita en caso de que reciba una señal de entrada, como se puede ver en el siguiente ejemplo, donde la red neuronal de la figura 1:


Fig. 1 Ejemplo de una red neuronal.


Se representa como:


a1

a2

a3

a4

a5

a6

a7

a8

h













-1

1

1

0

0

0

0

0

h1




s1




n1

0

0

0

-1

-1

1

0

0

h2




s2

=

n2

0

0

0

0

0

0

1

-1

h3




s3




n3































s4





































s5





































s6





































s7





































s8





































-1








donde


sí n1 >= 0 entonces

s7=1

sí n2 >= 0 entonces

s8=1

sí n3 >= 0 entonces

s9=1


La matriz representa a la red neuronal, el vector a las señales de entrada / salida a la red (si), los renglones representa a las neuronas (nj) y las columnas corresponden a la señales de entrada a la neurona (ak).
La matriz se multiplica por el vector de señales de entrada al sistema y si el valor resultante es mayor o igual a cero entonces se considera que la neurona es excitada por lo que se genera un valor de salida de la neurona igual a uno.
2.-) Matriz Evolutiva y Reconocimiento de Formas.
El anterior es un modelo simple de red neuronal representada mediante una matriz y actualmente es común encontrar representaciones matriciales de redes neuronales, por lo que el modelo desarrollado en 1976 se podría ver como antecedente y como un resultado independiente.
Sin embargo desde el principio se presentó el problema de obtener los valores de las neuronas y es ahí donde a mediados de los 80's, Cuitláhuac Cantú [4][5], al estar trabajando sobre reconocimiento de imágenes llegó en forma independiente a una representación matricial prácticamente equivalente a la encontrada para las redes neuronales, pero con capacidades evolutivas[6][7][8].
En esta idea se parte de que originalmente la matriz está vacía y lo que hace el sistema es llegar y buscar una imagen, como no encuentra nada la coloca en el primer renglón, mas adelante cuando llega la segunda imagen, si son similares la reconoce y la acumula con la primera si no son similares entonces la coloca en el siguiente renglón y así sucesivamente.
Para lo cual cada imagen se representa como un vector, de tal forma que por ejemplo, si se tiene un gato, un perro y un ratón, cada uno de ellos se almacena como un vector y entre los tres forman una matriz como la siguiente


a1

a2

a3

a4

a5

a6

a7

a8

a9




1

0

1

0

0

1

0

1

0

gato

0

1

0

1

0

1

1

0

1

perro

1

1

0

0

1

0

0

1

1

ratón


Si se perciben varios gatos, en lugar de almacenar cada gato en un vector independiente se suman los vectores que representan cada uno de los gatos y el resultado se toma como la representación de la estructura general del gato y se almacena en la matriz.
( 5 1 4 0 0 5 0 4 1 20 ) gato

Por otro lado si se tienen varios gatos, perros y ratones, la matriz seria de la forma:


a1

a2

a3

a4

a5

a6

a7

a8

a9

h




5

1

4

0

0

5

0

4

1

20

gato

0

3

0

3

0

2

3

2

1

14

perro

1

1

0

0

1

0

0

1

1

5

ratón



Donde cada renglón representa un tipo de objeto y h es un valor donde se acumula el número de puntos en el vector (En este caso se puso h como la suma de los valores del vector por facilidad del ejemplo, sin embargo existen otros métodos para asignar este valor).
Lo anterior es equivalente a que cada gato se dibujara en un acetato y posteriormente se sobrepusieran los acetatos, con lo que las características repetitivas del gato quedan más recalcadas y equivale a números mayores en el vector que lo representa.
Si se desea reconocer un nuevo objeto, se representa también como un vector, se multiplica por la matriz, se ve en que renglón se obtuvo el máximo valor y se le asocia a ese renglón el objeto. Por ejemplo si tomamos la matriz anterior y llega el objeto 1 0 1 0 0 1 0 1 0, se multiplica por la matriz y les restamos el valor de h quedando: -2 para el gato, -10 para el perro y -3 para el ratón. De donde se propone que el objeto reconocido es un gato.
Como siguiente punto el sistema acumula el nuevo vector en la matriz, con lo que, en el ejemplo anterior el nuevo vector se suma al renglón del gato y la matriz queda:


a1

a2

a3

a4

a5

a6

a7

a8

a9

h




6

1

5

0

0

6

0

5

1

24

gato

0

3

0

3

0

2

3

2

1

14

perro

1

1

0

0

1

0

0

1

1

5

ratón


Con lo que, el sistema evolutivo esta transformando permanentemente su imagen de la realidad.
Como se puede observar este método reúne la característica de que esta evolucionando en forma natural y encontrando la imagen acumulada (y por tal, la imagen promedio), con lo que no existe un proceso previo de aprendizaje y otro de aplicación, sino que por el proceso natural de conocer y reconocer las imágenes va evolucionando.
Es importante observar que, la matriz obtenida es prácticamente igual a la de la red neuronal de 1976, con lo que se plantea como un mecanismo para la representación de sistemas evolutivos y en particular de redes neuronales evolutivas, ya que, los valores de la matriz están cambiando en tiempo real y ésto es equivalente a modificar las interrelaciones entre las neuronas (ya que en el modelo original cada entrada de la matriz representa una conexión entre neuronas y estas conexiones se están modificando en tiempo real). Lo anterior es la base de un proyecto desarrollado por Alejandrina Salazar Torres sobre redes neuronales evolutivas en 1993.
Este mecanismo de matriz que se esta transformando permanentemente se conoce como matriz evolutiva [4] y tiene la ventaja de que siempre se está actualizando para reflejar una imagen de la realidad. Las matrices evolutivas constituyen por si solas una herramienta con múltiples aplicaciones [9][10][11][12][13].
  1   2   3

similar:

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconResumen en el resumen se deben plantear brevemente los objetivos...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, icon¿Cómo deben ser las matrices rectangulares m y n para que puedan...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconResumen En este trabajo se presenta un análisis acerca de la identidad...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconLa Capacitación para el Desarrollo Integral de los Mineros Artesanales...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconNos define como una sociedad de enorme niveles de consumo. Si lo...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconEnsayo en el que se plasme el reconocimiento de las formas de enseñanza...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconResumen En este trabajo investigaremos sobre los distintos tipos...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconResumen en este artículo se muestra el amplio conocimiento que tienen...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconTarea Trabajo sobre Terminología Medica: Menciona las la o las formas...

Resumen En este trabajo se presentan las matrices evolutivas y se muestra como tres de las grandes áreas de la I. A.: Reconocimiento de Imágenes y en general de Formas, iconResumen El presente trabajo de investigación bibliográfica trata...




Todos los derechos reservados. Copyright © 2019
contactos
b.se-todo.com