Investigadores de la Facultad de Informática de la UPM han desarrollado nuevos algoritmos de entrenamiento y visualización de redes neuronales autoorganizativas para su aplicación en teledetección, generando así modelos simplificados de grandes volúmenes de información de naturaleza multiespectral. La investigación propone un nuevo algoritmo que mejora la adaptación de esta red a la topología del espacio de entrada.
Una investigación desarrollada en la Facultad de Informática de la Universidad Politécnica de Madrid ha dado un paso importante en la aplicación de redes neuronales autoorganizativas en el campo de la teledetección, según informa la mencionada Facultad en un comunicado.
Más concretamente, esta investigación ha desarrollado nuevos algoritmos de entrenamiento y visualización de redes neuronales autoorganizativas para su aplicación en teledetección, generando así modelos simplificados de grandes volúmenes de información de naturaleza multiespectral.
Las redes neuronales son modelos matemáticos inspirados en el funcionamiento de las redes de neuronas biológicas que se aplican en la actualidad a una amplia área de disciplinas para resolver una gran variedad de problemas. Uno de los modelos de redes neuronales más ampliamente utilizado es el denominado mapa autoorganizativo.
La teledetección se puede definir como la disciplina que permite la adquisición de información de la superficie de la tierra sin realizar ningún contacto con el material objeto de la observación. El desarrollo de herramientas para analizar y procesar imágenes multiespectrales capturadas por sensores a bordo de satélites ha ofrecido la posibilidad de automatizar tareas que no podrían realizarse de otra manera.
El principal problema relacionado con la teledetección es el gran volumen de datos de naturaleza multidimensional que debe manejarse. La red neuronal autoorganizativa, concretamente el modelo planteado por Kohonen, ha demostrado ser una herramienta versátil y útil en el análisis exploratorio de datos.
El modelo de Kohonen presenta, sin embargo, ciertas limitaciones relacionadas principalmente con su arquitectura, lo que ha hecho surgir nuevos tipos de mapas autoorganizativos que palian esta problemática, como el modelo Growing Cell Structures (GCS).
El modelo GCS permite visualizar las relaciones de los patrones de entrada de información sin las limitaciones topológicas del modelo de Kohonen, aunque tiene a su vez un inconveniente en la configuración de determinados parámetros de entrenamiento, ya que a pesar de tener asignados valores constantes, no tienen acotado el rango de valores que estos patrones pueden tomar.
Más información en Tendencias 21
