000013517 001__ 13517 000013517 005__ 20190219123642.0 000013517 037__ $$aTESIS-2014-027 000013517 041__ $$aeng 000013517 080__ $$a621.3 000013517 1001_ $$aPelayo Campillos, Enrique 000013517 24500 $$aMagnitude Sensitive Competitive Neural Networks 000013517 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2014 000013517 300__ $$a177 000013517 4900_ $$aTesis de la Universidad de Zaragoza$$v2014-25$$x2254-7606 000013517 500__ $$aPresentado: 14 03 2014 000013517 502__ $$aTesis-Univ. Zaragoza, Ingeniería Electrónica y Comunicaciones, 2014$$bZaragoza, Universidad de Zaragoza$$c2014 000013517 506__ $$aby-nc-nd$$bCreative Commons$$c3.0$$uhttps://creativecommons.org/licenses/by-nc-nd/3.0/ 000013517 520__ $$aEn esta Tesis se presentan un conjunto de redes neuronales llamadas Magnitude Sensitive Competitive Neural Networks (MSCNNs). Se trata de un conjunto de algoritmos de Competitive Learning que incluyen un término de magnitud como un factor de modulación de la distancia usada en la competición. Al igual que otros métodos competitivos, MSCNNs realizan la cuantización vectorial de los datos, pero el término de magnitud guía el entrenamiento de los centroides de modo que se representan con alto detalle las zonas deseadas, definidas por la magnitud. Estas redes se han comparado con otros algoritmos de cuantización vectorial en diversos ejemplos de interpolación, reducción de color, modelado de superficies, clasificación, y varios ejemplos sencillos de demostración. Además se introduce un nuevo algoritmo de compresión de imágenes, MSIC (Magnitude Sensitive Image Compression), que hace uso de los algoritmos mencionados previamente, y que consigue una compresión de la imagen variable según una magnitud definida por el usuario. Los resultados muestran que las nuevas redes neuronales MSCNNs son más versátiles que otros algoritmos de aprendizaje competitivo, y presentan una clara mejora en cuantización vectorial sobre ellos cuando el dato está sopesado por una magnitud que indica el ¿interés¿ de cada muestra. 000013517 6531_ $$aredes neuronales 000013517 6531_ $$ainteligencia artificial 000013517 6531_ $$atratamiento digital de imágenes 000013517 700__ $$aBuldain Pérez, David$$edir. 000013517 700__ $$aOrrite Uruñuela, Carlos$$edir. 000013517 7102_ $$aUniversidad de Zaragoza$$bIngeniería Electrónica y Comunicaciones 000013517 8560_ $$fzaguan@unizar.es 000013517 8564_ $$s17472480$$uhttps://zaguan.unizar.es/record/13517/files/TESIS-2014-027.pdf$$zTexto completo (eng) 000013517 909CO $$ooai:zaguan.unizar.es:13517 000013517 909co $$ptesis 000013517 909CO $$pdriver 000013517 9102_ $$aIngeniería telemática$$bIngeniería Electrónica y Comunicaciones 000013517 980__ $$aTESIS