Clasificación eficiente de patrones usando una sola neurona artificial

Abstract

RESUMEN: En la literatura existe un método exitoso de clasificación de patrones que usa la frecuencia de los pulsos que son producidos por una neurona pulsante. La forma en la que realiza la clasificación es a través de la frecuencia de disparo que es producida cuando le es presentada una corriente de estimulación. Esta corriente de estimulación es obtenida a través del producto punto de un patrón con un vector de pesos que es ajustado mediante algoritmos evolutivos para mejorar la clasificación. El problema principal de este clasificador es que para obtener la frecuencia de disparo, se simula la neurona pulsante mediante métodos numéricos, lo que hace que este método sea costoso computacionalmente. Para reducir el costo computacional, en este trabajo de tesis se propone obtener la frecuencia de disparo a través de una función por partes que se ajusta a la curva de respuesta en frecuencia de la neurona pulsante, y sustituirla en el método descrito para disminuir el tiempo en el que la frecuencia de disparo es obtenida. Los resultados obtenidos son la mantención del desempeño en la clasificación, la reducción del costo computacional de la obtención de la frecuencia de la neurona pulsante en un 6 000, 000 %, y aún más importante, la reducción sustancial del costo computacional de la clasificación de las bases de datos usadas en el método descrito. Alcanzando una disminución en el costo computacional de hasta el 25, 300 % en las fase de entrenamiento y del 77, 771 % en la fase de prueba. Teniendo como consecuencia principal, que el método de clasificación de patrones sea más eficiente.

ABSTRACT: In the literature there exists a successful method for pattern classification which uses the firing frequency produced by a single spiking neuron. The way in which this method classifies is through the frequency produced by the spiking neuron when a stimulation current is presented. This current is obtained through dot product between a pattern and a weight vector, which is optimized by evolutionary algorithms to improve classification. The main problem of this method relies in the necessity of simulate the spiking neuron trough numeric methods to obtain the firing frequency, which makes that this method be computationally costly. In order to reduce computational cost, in this thesis work it is proposed to get the firing frequency through a piecewise function adjusted to the neuron’s frequency behavior, and then substitute it in the mentioned method to decrease the time in which the firing frequency is obtained. Results obtained are classification performance maintenance, reduction of computational cost of getting frequency rate in 6 000, 000 %, and more important, the substantial reduction of computational cost of classification of datasets used in the method described. Reaching a decreasing of computational cost of 25 300 % in training phase and 77 771 % in testing phase. Having as a main consequence that this method be more efficient.