Tesis:
Design new supervised ART-type artificial neural networks, and their performances for classification Landsat TM Images.
- Autor: AL-RAWI, Kamal. R
- Título: Design new supervised ART-type artificial neural networks, and their performances for classification Landsat TM Images.
- Fecha: 2001
- Materia: Sin materia definida
- Escuela: FACULTAD DE INFORMATICA
- Departamentos: ARQUITECTURA Y TECNOLOGIA DE SISTEMAS INFORMATICOS
- Acceso electrónico:
- Director/a 1º: GONZALO MARTIN, Consuelo
- Resumen: En este trabajo, se han desarrollado e implementado nuevas arquitecturas supervisadas tipo ART (Adaptive Resonance Theory), así como sus correspondientes algoritmos de aprendizaje y operación. La principal ventaja de las arquitecturas propuestas frente a las existentes hasta este momento es su sencillez, ya que se han construido a partir de un único módulo ART, eliminando así otro modulo ART y el módulo map field, utilizados habitualmente en este tipo de arquitecturas. Se han propuesto dos algoritmos de aprendizaje diferentes: Supervised ART-I y Supervised ART-II. Estos nuevos algoritmos, reducen el número de parámetros dinámicos, los requerimientos de memoria, así como el tiempo de aprendizaje, manteniendo la misma precisión en aplicaciones de clasificación que los algoritmos originales. Además, también se han propuesto dos versiones simplificadas de la red neuronal artificial no supervisada Fuzzy ART. Los algoritmos de aprendizaje propuestos, reduce los requerimientos computacionales del algoritmo original, manteniendo las mismas prestaciones de clasificación. A estos algoritmos se les ha denominado Flagged Fuzzy ART y Compact Fuzzy ART. La evaluación de los algoritmos supervisados propuestos se ha llevado a cabo mediante su aplicación al problema real de clasificación temática de imágenes remotamente detectadas por el sensor Thematic Mapper (TM). La sencillez de los algoritmos ha permitido hacer un estudio exhaustivo del comportamiento de dichos algoritmos en el dominio definido por los parámetros dinámicos que intervienen en el funcionamiento de la red, para diferentes conjuntos de entrenamiento. Este estudio ha permitido interpretar la influencia de dichos parámetros en las capacidades de la red. Así como la importancia del llamado parámetro de aprendizaje en los resultados de clasificación obtenidos. En este sentido se han propuesto y evaluado tres dinámicas diferentes del parámetro de aprendizaje alternativas a la utilizada hasta este momento en la literatura. Se ha determinando las ventajas y desventajas de cada una de ellas.