Redes neuronales alfa-beta sin pesos: condiciones suficientes para la recuperaciónde patrones

Abstract

En este trabajo de tesis se presenta una contribución tanto teórica como experimental para describir y caracterizar el funcionamiento de la red neuronal Alfa-Beta sin pesos, denominada CAINN. Este modelo combina las características inherentes a las redes neuronales sin pesos con la teoría subyacente de las memorias asociativas __, logrando así un modelo competitivo. Se introducen 9 de.niciones, así como la demostración de 7 lemas y 10 teoremas que nos permiten construir la base para establecer las condiciones su.cientes que exhiban y expliquen formalmente la recuperación del conjunto fundamental completo, así como para proponer un algoritmo alternativo cuyo número de operaciones y tiempo de procesamiento, es menor al necesitado para el funcionamiento del algoritmo original de CAINN. Adicionalmente se realizan experimentos sobre recuperación y clasificación de patrones entre CAINN y ADAM utilizando bases de datos contenidas en el repositorio de la Universidad de California en Irvine (UCI Machine Learning Repository). Estos experimentos son comparados contra algunos otros modelos inmersos en la literatura. Los resultados obtenidos permiten colocar a la red neuronal Alfa-Beta sin pesos como una buena alternativa para clasi.cación y reconocimiento de patrones. This work presents an experimental and theoretical contribution to describe and characterize the behavior of theWeightless Alpha-Beta Neural Network, denoted CAINN. This model combines the inherent properties of the weightless neural networks with the underlying theory of the __ associative memories to obtain, thus, a competitive model. Also, 9 de.nitions, and the proof of 7 lemmas and 10 theorems which let us build the su¢ cient conditions that formally exhibit and explain the correct recalling for the entire fundamental set are proposed. In addition, this formalism is used to propose an alternative algorithm that reduces the time and number of operations needed for the CAINN original algorithm. Furthermore, there were made experiments based on pattern recognition and classi.cation between CAINN and ADAM, where two datasets included in the