Hispanopedia Wiki
Articulo de referencia

Red neuronal probabilística

Una red neuronal probabilística ( PNN ) [ 1 ] es una red neuronal de alimentación directa , ampliamente utilizada en problemas de clasificación y reconocimiento de patrones. En ...

Hispanopedia WikiContenido en espanolLectura gratuita

Una red neuronal probabilística ( PNN ) [ 1 ] es una red neuronal de alimentación directa , ampliamente utilizada en problemas de clasificación y reconocimiento de patrones. En el algoritmo PNN, la función de distribución de probabilidad (PDF) de cada clase se aproxima mediante una ventana de Parzen y una función no paramétrica. Luego, utilizando la PDF de cada clase, se estima la probabilidad de clase de un nuevo dato de entrada y se emplea la regla de Bayes para asignar la clase con la mayor probabilidad posterior a los nuevos datos de entrada. Mediante este método, se minimiza la probabilidad de clasificación errónea. [ 2 ] Este tipo de red neuronal artificial (ANN) se derivó de la red bayesiana [ 3 ] y de un algoritmo estadístico llamado análisis discriminante de Kernel Fisher . [ 4 ] Fue introducido por DF Specht en 1966. [ 5 ] [ 6 ] En una PNN, las operaciones se organizan en una red de alimentación directa multicapa con cuatro capas:

  • Capa de entrada
  • Capa de patrón
  • Capa de suma
  • Capa de salida

Capas

Las PNN se utilizan frecuentemente en problemas de clasificación. [ 7 ] Cuando se recibe una entrada, la primera capa calcula la distancia entre el vector de entrada y los vectores de entrada de entrenamiento. Esto genera un vector cuyos elementos indican la proximidad de la entrada a la entrada de entrenamiento. La segunda capa suma la contribución de cada clase de entradas y produce su salida neta como un vector de probabilidades. Finalmente, una función de transferencia completa sobre la salida de la segunda capa selecciona el valor máximo de estas probabilidades y genera un 1 (identificación positiva) para esa clase y un 0 (identificación negativa) para las clases no objetivo.

Capa de entrada

Cada neurona en la capa de entrada representa una variable predictora. En variables categóricas, se utilizan N-1 neuronas cuando hay N categorías. El proceso estandariza el rango de valores restando la mediana y dividiendo por el rango intercuartil . Posteriormente, las neuronas de entrada envían estos valores a cada una de las neuronas de la capa oculta.

Capa de patrón

Esta capa contiene una neurona por cada caso en el conjunto de datos de entrenamiento . Almacena los valores de las variables predictoras para cada caso junto con el valor objetivo. Una neurona oculta calcula la distancia euclidiana del caso de prueba desde el centro de la neurona y luego aplica la función de núcleo de base radial utilizando los valores sigma.

Capa de suma

En las redes neuronales probabilísticas (PNN), existe una neurona de patrón para cada categoría de la variable objetivo. La categoría objetivo real de cada caso de entrenamiento se almacena en cada neurona oculta; el valor ponderado que sale de una neurona oculta se alimenta únicamente a la neurona de patrón que corresponde a su categoría. Las neuronas de patrón suman los valores de la clase que representan.

Capa de salida

La capa de salida compara los votos ponderados para cada categoría objetivo acumulados en la capa de patrones y utiliza el voto más alto para predecir la categoría objetivo.

Ventajas

Existen varias ventajas y desventajas al usar PNN en lugar de perceptrón multicapa . [ 8 ]

  • Las redes neuronales probabilísticas (PNN) son mucho más rápidas que las redes perceptrón multicapa.
  • Las redes neuronales probabilísticas (PNN) pueden ser más precisas que las redes perceptrón multicapa.
  • Las redes PNN son relativamente insensibles a los valores atípicos.
  • Las redes PNN generan puntuaciones de probabilidad objetivo predichas con precisión.
  • Las PNN se aproximan a la clasificación óptima bayesiana.

Desventajas

  • Las PNN son más lentas que las redes perceptrón multicapa a la hora de clasificar nuevos casos.
  • Las PNN requieren más espacio de memoria para almacenar el modelo.

Aplicaciones basadas en PNN

  • redes neuronales probabilísticas en el modelado del deterioro estructural de tuberías de aguas pluviales. [ 9 ]
  • Método de redes neuronales probabilísticas para el diagnóstico de muestras de endoscopia gástrica basado en espectroscopia FTIR. [ 10 ]
  • Aplicación de redes neuronales probabilísticas a la farmacocinética poblacional. [ 11 ]
  • Redes neuronales probabilísticas para la predicción de clases de leucemia y tumores embrionarios del sistema nervioso central . [ 12 ]
  • Identificación de buques mediante redes neuronales probabilísticas. [ 13 ]
  • Gestión de configuración de sensores basada en redes neuronales probabilísticas en una red inalámbrica ad hoc . [ 14 ]
  • Red neuronal probabilística en el reconocimiento de caracteres.
  • Clasificación de imágenes de teledetección. [ 15 ]

Referencias

  1. ↑ Mohebali, Behshad; Tahmassebi, Amirhessam; Meyer-Baese, Anke; Gandomi, Amir H. (2020). Redes neuronales probabilísticas: una breve descripción general de la teoría, la implementación y la aplicación . Elsevier. pp. 347–367 . doi : 10.1016/B978-0-12-816514-0.00014-X . S2CID 208119250 .  
  2. ↑ Zeinali, Yasha; Story, Brett A. (2017). "Red neuronal probabilística competitiva" . Ingeniería asistida por computadora integrada . 24 (2): 105– 118. doi : 10.3233/ICA-170540 .
  3. ↑ "Redes neuronales probabilísticas" . Archivado del original el 18 de diciembre de 2010. Consultado el 22 de marzo de 2012 .
  4. ↑ "Copia archivada" (PDF) . Archivado del original (PDF) el 31/01/2012 . Recuperado el 22/03/2012 .{{cite web}}: CS1 mantenimiento: copia archivada como título ( enlace )
  5. ↑ Specht, DF (1967-06-01). "Generación de funciones discriminantes polinomiales para el reconocimiento de patrones". IEEE Transactions on Electronic Computers . EC-16 (3): 308– 319. doi : 10.1109/PGEC.1967.264667 . ISSN 0367-7508 . 
  6. ↑ Specht, DF (1990). "Redes neuronales probabilísticas". Redes neuronales . 3 : 109–118 . doi : 10.1016/0893-6080(90)90049-Q .
  7. ↑ "Redes neuronales probabilísticas :: Redes de base radial (Neural Network Toolbox™)" . www.mathworks.in . Consultado el 6 de junio de 2022 . {{cite web}}: CS1 maint: servicio de archivado obsoleto ( enlace )
  8. ↑ "Redes neuronales de regresión probabilística y general" . Archivado del original el 2 de marzo de 2012. Consultado el 22 de marzo de 2012 .
  9. ↑ Tran, DH; Ng, AWM; Perera, BJC; Burn, S.; Davis, P. (septiembre de 2006). "Aplicación de redes neuronales probabilísticas en el modelado del deterioro estructural de tuberías de aguas pluviales" (PDF) . Urban Water Journal . 3 (3): 175– 184. Bibcode : 2006UrbWJ...3..175T . doi : 10.1080/15730620600961684 . S2CID 15220500. Archivado del original (PDF) el 8 de agosto de 2017. Recuperado el 27 de febrero de 2023 . 
  10. ↑ Li, QB; Li, X.; Zhang, GJ; Xu, YZ; Wu, JG; Sun, XJ (2009). "[Aplicación del método de redes neuronales probabilísticas al diagnóstico de muestras de endoscopio gástrico basado en espectroscopia FTIR]". Guang Pu Xue Yu Guang Pu Fen Xi . 29 (6): 1553– 7. PMID 19810529 . 
  11. ↑ Berno, E.; Brambilla, L.; Canaparo, R.; Casale, F.; Costa, M.; Della Pepa, C.; Eandi, M.; Pasero, E. (2003). "Aplicación de redes neuronales probabilísticas a la farmacocinética poblacional". Actas de la Conferencia Internacional Conjunta sobre Redes Neuronales, 2003. pp. 2637–2642 . doi : 10.1109/IJCNN.2003.1223983 . ISBN  0-7803-7898-9. S2CID 60477107 . 
  12. ↑ Huang, Chenn-Jung; Liao, Wei-Chen (2004). "Aplicación de redes neuronales probabilísticas a la predicción de clases de leucemia y tumores embrionarios del sistema nervioso central" . Neural Processing Letters . 19 (3): 211– 226. doi : 10.1023/B:NEPL.0000035613.51734.48 . S2CID 5651402 . 
  13. ↑ Araghi, Leila Fallah; d Khaloozade, Hami; Arvan, Mohammad Reza (19 de marzo de 2009). "Identificación de buques mediante redes neuronales probabilísticas (PNN)" (PDF) . Actas de la Multiconferencia Internacional de Ingenieros y Científicos Informáticos . 2. Hong Kong , China . Consultado el 27 de febrero de 2023 .
  14. ↑ "Copia archivada" (PDF) . Archivado del original (PDF) el 14-06-2010 . Recuperado el 22-03-2012 .{{cite web}}: CS1 mantenimiento: copia archivada como título ( enlace )
  15. ↑ Zhang, Y. (2009). "Clasificación de imágenes de teledetección basada en una red neuronal probabilística mejorada" . Sensors . 9 (9): 7516– 7539. Bibcode : 2009Senso...9.7516Z . doi : 10.3390/s90907516 . PMC 3290485. PMID 22400006 .