dc.description | Este trabajo busca proponer una memoria un poco distinta, pero rescatando lo mejor de los modelos existentes para el reconocimiento de dígitos manuscritos, una memoria que sea más eficiente pero que tenga un menor coste computacional, para esto se analizaron dos memorias autoasociativas, tres heteroasociativas y una BAM, frente a dígitos manuscritos que fueron extraídos de la base MNIST, donde ya están normalizados en una imagen en escala de grises de 28x28 pixeles.
Este trabajo está dividido en seis capítulos, el primero es la introducción al tema donde se plantea el problema, se revisa la justificación que se consideró para iniciar el presente trabajo, se plantean claramente los objetivos y se enuncian brevemente los trabajos que antecedieron a este, que resaltaron por su singularidad, y sirvieron de guía e inspiración para el modelo propuesto.
El capítulo dos revisa aspectos teóricos generales acerca de las redes neuronales, que nos permite recordar el origen de las memorias asociativas, como son los modelos computacionales básicos de las redes neuronales artificiales y los algoritmos de aprendizaje, destacando entre estos el aprendizaje Hebbiano que juega un papel importante en este trabajo y en varios modelos existentes.
Con el capítulo tres ocurre algo similar, sin embargo, los conceptos teóricos esta vez nos revelan los aspectos importantes acerca del reconocimiento de caracteres, seguidamente se revisan los fundamentos y el origen de las memorias asociativas más relevantes hasta la actualidad caseificándolas previamente en memorias autoasociativas, heteroasociativas y bidireccionales (BAM).
El capítulo cuatro juega un papel decisivo y apasionante en este trabajo ya que en este se analizan seis memorias asociativas, previamente implementadas en Matlab, frente a patrones alterados con
diversos niveles y tipos de ruido, patrones desplazados y finalmente frente a patrones escritos a mano provenientes de la base MNIST.
En el capítulo cinco se compara el desempeño de las memorias previamente diseñadas y se escoge lo mejor de cada una, tomando como base para nuestro modelo una memoria heteroasociativa, la cual es modificada en su arquitectura para obtener un mejor desempeño, también se define el algoritmo de aprendizaje a utilizar que con la experiencia de las memorias implementadas nos permita minimizar lo más que se pueda el error cuadrático medio. Y finalmente el capítulo seis es dedicadas enteramente a diversas pruebas y resultados del modelo propuesto, comparándolo incluso en tiempo de respuesta con los otros modelos.
Esta tesis contiene en la parte final las conclusiones del trabajo realizado, puntos a revisar en un trabajo futuro y un apéndice donde se anexan las técnicas de procesamiento de imágenes utilizadas en este trabajo, el algoritmo para acondicionar y extraer los dígitos de la base MNIST y los códigos en Matlab utilizados para modelar las memorias asociativas estudiadas. Así mismo se incluye una lista bibliográfica de los libros y artículos utilizados.
Se trata de un trabajo que pretende dar un atisbo en el mundo de las memorias asociativas y una luz inicial para que quienes pretendan seguir este fascinante camino, espero pueda representar una lectura lógica e interesante, y por último aportar con ese algo distinto que a todos nos hace soñar con que se pueden hacer las cosas cada vez mejor. | |