Redes neuronales atractivas, ya que los sistemas dinámicos se utilizan generalmente como modelos para resolver una variedad de problemas. Debido a su naturaleza inherente del procesamiento paralelo y distribuido de la información, las redes neuronales atractivas son modelos computacionales prometedores para una amplia variedad de aplicaciones científicas y de ingeniería que incluyen control de procesos, procesamiento de señales e imágenes, reconocimiento y clasificación de patrones, etc. Información espacialmente localizada en Attractor Neural Networks con conectividad métrica. La información espacial examinada se organiza en estructuras de actividad / memoria de bloques y baches y se caracteriza en la topología del mundo pequeño (conectividad local a aleatoria) de la red. La transición entre información local (estructurada espacialmente) y global se evalúa para la capacidad de almacenamiento de la red y los parámetros topológicos de la red. Se investigan aplicaciones a patrones del mundo real. Se demostró la viabilidad de almacenar y recuperar videos de tráfico de automóviles utilizando una ANN de codificación dispersa con una topología de mundo pequeño. El enfoque se probó con éxito en dos patrones complejos, las secuencias de video de tráfico de una encrucijada de Kiev y una rotonda de Valencia, para diferentes combinaciones de los parámetros de red involucrados. En otra aplicación, la red métrica fue probada con éxito para diferentes configuraciones de huellas dactilares ruidosas, y la recuperación demostró ser robusta con una gran cuenca de atracción. La evolución dinámica condujo a un estado de red final que coincidía mejor con la huella dactilar de referencia correspondiente, de un candidato aparentemente más distante, lo que ayudó a distinguir entre dos huellas dactilares que podrían atribuirse al mismo individuo. Además, las huellas dactilares superpuestas encontradas en escenarios forenses se podrían separar utilizando redes neuronales de atracción métrica. Finalmente, se presenta el reconocimiento de los gestos 2D, se utiliza un conjunto de redes atractivas para aprender el conjunto de datos altamente correlacionado. Los patrones se dividen en subconjuntos, que se asignan a diferentes módulos de conjunto. El conjunto de atractor demostró reconocer los gestos para diferentes condiciones iniciales que muestran robustez a la traducción de gestos, movimientos múltiples y rotación hasta cierto punto. La optimización de entrada de los patrones a los conjuntos de conjuntos para maximizar la recuperación de patrones en términos de cantidad y calidad abre un enfoque interesante para el reconocimiento de patrones utilizando redes atractivas.
Mario Gonzalez
Mario Gonzalez recibió un Ph.D. en Informática por la Universidad Autónoma de Madrid (UAM) en 2012. Su investigación doctoral se realizó en el Grupo de Investigación en Neurocomputación Biológica de la Escuela Politécnica de la UAM, participando en proyectos financiados por el Ministerio de Educación y Ciencia de España. Hizo una estancia de doctorado en la Facultad de Ingeniería de la Universidad de Porto (FEUP), Portugal, financiado por el programa EMECW Lot 20. Actualmente es profesor e investigador en la Universidad de las Américas, Quito, Ecuador. Ha publicado en el área de Inteligencia Artificial, procesamiento de información utilizando redes neuronales, sistemas complejos y socio-física. Ha colaborado en proyectos multidisciplinarios en áreas como el modelado de redes Attractor y el reconocimiento de patrones, el modelado de la calidad del aire mediante aprendizaje automático, la telemedicina para la detección y rehabilitación de la actividad física y el modelado socio-físico, entre otros.