Magnitude Sensitive Competitive Neural Networks
Enrique Pelayo Campillos, David Buldain Pérez, Carlos Orrite Uruñuela · Dialnet (Universidad de la Rioja) · 2014
En esta Tesis se presentan un conjunto de redes neuronales llamadas Magnitude Sensitive Competitive Neural Networks (MSCNNs). Se trata de un conjunto de algoritmos de Competitive Learning que incluyen un termino de magnitud como un factor de modulacion de la distancia usada en la competicion. Al igual que otros metodos competitivos, MSCNNs realizan la cuantizacion vectorial de los datos, pero el termino de magnitud guia el entrenamiento de los centroides de modo que se representan con alto detalle las zonas deseadas, definidas por la magnitud. Estas redes se han comparado con otros algoritmos de cuantizacion vectorial en diversos ejemplos de interpolacion, reduccion de color, modelado de superficies, clasificacion, y varios ejemplos sencillos de demostracion. Ademas se introduce un nuevo algoritmo de compresion de imagenes, MSIC (Magnitude Sensitive Image Compression), que hace uso de los algoritmos mencionados previamente, y que consigue una compresion de la imagen variable segun una magnitud definida por el usuario. Los resultados muestran que las nuevas redes neuronales MSCNNs son mas versatiles que otros algoritmos de aprendizaje competitivo, y presentan una clara mejora en cuantizacion vectorial sobre ellos cuando el dato esta sopesado por una magnitud que indica el ?interes? de cada muestra.