Programa de Posgrado en Computación
Examinar
Examinando Programa de Posgrado en Computación por Autor "Castro Ramírez, Arturo"
Mostrando 1 - 1 de 1
Resultados por página
Opciones de ordenación
Ítem Construcción de una red neuronal artificial para clasificar cantos de aves: una aplicación de la inteligencia artificial a la biología(2006) Castro Ramírez, Arturo; Marín Raventós, Gabriela; Vargas Morales, Juan JoséEn el presente trabajo se implementaron y probaron tres diferentes modelos de redes neuronales artificiales, orientadas al reconocimiento y a la clasificación de patrones en señales acústicas de cinco especies de aves de Costa Rica. Se le dio particular énfasis al tema de la codificación de los datos, proponiéndose tres métodos basados en la extracción de características para generar vectores que sirvieran como las entradas de las redes neuronales. Se experimentó con diversas arquitecturas de red y estrategias de entrenamiento con el fin de encontrar una o varias redes que pudieran aprender a clasificar cantos de aves en períodos razonables de tiempo y con altos porcentajes de éxito en su respuesta. Se demostró que las estrategias de codificación propuestas permiten reducir de manera importante y sin excesiva perdida de información, el número de valores que describen a una señal bioacústica. Los esquemas de codificación basados en la vectorización de las imágenes o espectrogramas de los cantos mostraron ser mejores descriptores en términos de los resultados de clasificación obtenidos, comparados con aquellos basados en la vectorización de la frecuencia fundamental de los cantos. Redes neuronales artificiales que utilizaron el aprendizaje supervisado alcanzaron porcentajes de éxito que superaron el 90% de éxito cuando se les entrenó y evaluó con el 50% de los datos, mientras que aquellas que utilizan el aprendizaje no supervisado requirieron de la totalidad de los datos para alcanzar porcentajes similares en la clasificación de patrones de entrenamiento. La mejor red lograda fue del tipo perceptrón multicapa (100% de éxito en la clasificación de datos de entrenamiento y 91°/o en la generalización), la cual fue entrenada con el algoritmo clásico de retropropagación y gradiente descendente con momentum, esto a pesar de los mayores tiempos requeridos...