Resumen
El agrupamiento de datos estadísticos es una de las aplicaciones
más comunes del aprendizaje máquina no supervisado, estando presente en en
muchos procesos de análisis de muestras llevados a cabo por científi cos e
ingenieros. Debido a sus propiedades especiales, algunas clases de Redes
Neuronales Artifi ciales han demostrado resultar de especial efi cacia en
tareas de agrupamiento de muestras procedentes de distribuciones de
probabilidad con cierto componente aleatorio. El Gas Neuronal Creciente o
GNG por sus siglas en inglés, es un buen ejemplo del mencionado tipo de
redes no sólo por su capacidad para revelar, optimizando el número de
neuronas necesarias, las distintas clases subyacentes en una distribución
de probabilidad dada; sino para describir con delidad las relaciones
topológicas existentes entre dichas clases. No obstante, son muchos los
fenómenos que debido a su naturaleza intrínseca, tendrán ciertas
restricciones a la hora de producirse, haciendo que haya regiones del
espacio de estados que sean inalcanzables y que por tanto constituyan
regiones prohibidas a las cuales el modelo de red neuronal utilizado se
tendrá que adaptar. Con el objetivo de realizar un proceso de agrupamiento
en muestras de datos que siguen este tipo de distribuciones de
probabilidad, en este trabajo se presenta un nuevo modelo de red neuronal
artifi cial inspirado en el Gas Neuronal Creciente que
tiene la capacidad de mantener los prototipos de las neuronas que va
generando fuera de un conjunto de regiones previamente especi cadas al que
llamaremos Gas Neuronal Creciente con Regiones Prohibidas o FRGNG por sus
siglas en inglés. Además,
se demostrará que el camino mínimo entre dos neuronas del FRGNG consistirá
en un camino de nido a trozos que pasa por los vértices de las regiones
prohibidas involucradas. Los resultados experimentales ilustran cómo el
modelo diseñaado en este trabajo mejora en términos de precisión el
rendimiento su competidor más cercano.