Metodología para el desarrollo de sistemas de extracción de conocimiento en RNA

Abstract

Las Redes de Neuronas Artificiales (RR,NN.AA.) son de fácil implementación y utilización, así como otras características que las hacen idóneas para resolver problemas en muchos campos, sin embargo muchos desarrolladores e investigadores evitan su uso porque se consideran "cajas negras", es decir, son sistemas donde a partir de una serie de entradas produce unas salidas de respuesta y el proceso o explicación de por qué produce esas salidas es desconocido. Hasta ahora se han utilizado diferentes técnicas de extracción de reglas a partir de RNA, pero en la gran mayoría de los casos aplicados exclusivamente a RR.NN.AA., multicapa genéricas o sobre ciertos algoritmos de entrenamiento de redes multicapa o recurrentes. Estas limitaciones son debidas a que son más fáciles de tratar los procesos de extracción sobre ciertas arquitecturas o sobre ciertos algoritmos de entrenamiento particulares. En esta tesis se propone una metodología para la obtención del conocimiento de las RR.NN.AA., independientemente de su arquitectura: multicapa o recurrente. En cuanto a las RR.NN.AA., recurrentes la extracción de reglas se complica de forma exponencial debido a que intervienen estados pasados en las activaciones de las neuronas, y su capacidad de conocimiento distribuido es considerablemente muy superior a las RR.NN.AA., multicapa puesto que no existen restricciones en la conectividad entre neuronas. En esta tesis se aplica la Programación Genética (PG) para la extracción del conocimiento de las RR.NN.AA. La utilización de la PG conlleva la ventaja de que la forma de representación y estructuración de la información se realiza mediante un árbol semántico. Esta representación en árbol es la forma natural de representación de una regla simbólica.