Ventajas y Desventajas de las Redes Neuronales

Hay muchas buenas razones para el uso de redes neuronales y los avances en
este campo incrementarán su popularidad. Son excelentes como
clasificadores/reconocedores de patrones - y pueden ser usadas donde las
técnicas tradicionales no funcionan. Las redes neuronales pueden manejar
excepciones y entradas de datos anormales, muy importante para sistemas que
manejan un amplio rango de datos (sistemas de radar y sonar, por ejemplo).
Muchas redes neuronales son biológicamente plausibles, lo que significa que
pueden proveer pistas de como trabaja el cerebro según progresen. Avances en la
neurociencia también ayudarán al avance en las redes neuronales ¡hasta el punto
en que sean capaces de clasificar objetos con la precisión de un humano y la
velocidad de una computadora! El futuro es brillante, el presente por otro lado...

Sí, hay unas cuentas desventajas en las redes neuronales. La mayoría de ellas,
de todas maneras, padecen nuestra falta de hardware. La capacidad de las redes
neuronales radica en su habilidad de procesar información en paralelo (esto es,
procesar múltiples pedazos de datos simultáneamente). Desafortunadamente, las
máquinas hoy en día son serie - sólo ejecutan una instrucción a la vez. Por ello,
modelar procesos paralelos en máquinas serie puede ser un proceso que
consuma mucho tiempo. Como todo en este día y época, el tiempo es esencial, lo
que a menudo deja las redes neuronales fuera de las soluciones viables a un
problema.

Otros problemas con las redes neuronales son la falta de reglas definitorias que
ayuden a construir una red para un problema dado - hay muchos factors a tomar
en cuanta: el algoritmo de aprendizaje, la arquitectura, el número de neuronas por
capa, el número de capas, la representación de los datos y mucho más. De nuevo,
con el tiempo siendo tan importante, las compañías no pueden permitirse invertir
tiempo de desarrollo para resolver los problemas eficientemente. Esto puede
cambiar al avanzar las redes neuronales.

Redes Neuronales Artificiales para clasificar canciones

Debido a la masificación del Internet y el creciente fenómeno de distribución de

música a través de éste, surge la necesidad de clasificar la música de manera
automática.

A través de Redes computacionales, hoy en día es posible compartir bases de

datos de música en formato digital sin problemas y como consecuencia es
necesario contar con métodos eficientes que permitan la búsqueda y organización
de dichas bases.
Se han realizado múltiples estudios con el fin de establecer cuales son aquellas
características que constituyen un estilo musical, que parámetros son relevantes
para hacer la clasificación y cuales son las técnicas de aprendizaje de máquina
mas efectivas para procesar dicha información.

A raíz de todo lo anterior, se realizó un estudio de la información contenida en los

archivos digitales de música con la finalidad de determinar parámetros
representativos de un determinado género musical que luego son usados como
entrada a un sistema clasificador implementado con Redes Neuronales Artificiales.

La extracción de estos parámetros se realizó utilizando análisis en el dominio del

tiempo, el dominio de la frecuencia y la Transformada de Wavelet (comparación de
señales).

Para esto se implementaron tres topologías diferentes de Red Neuronal:

Perceptrón multinivel, Red de funciones de base radial (RBF) y Adaboost.

Dicho estudio se realizó enfocado hacia la clasificación de canciones de tres

géneros: Merengue, Salsa y Vallenato. Centrándose en la identificación y
extracción de características relevantes y que puedan ser usadas como entradas a
una Red Neuronal Artificial.

Para lograr todo esto se hicieron análisis extrayendo características a partir de

archivos digitales de música en formato WAV, así como el pseudo-código de los
algoritmos de entrenamiento que fueron empleados para cada una de las tres
topologías de red que fueron implementadas y probadas.

Los parámetros que son extraídos a partir de las canciones pueden ser divididos
en tres grupos: el primero de ellos se realiza por medio de un análisis en tiempo
que hace uso de la correlación. El segundo grupo de parámetros se basa en un
análisis en frecuencia que utiliza la Transformada de Fourier y se aplica a
diferentes intervalos de frecuencia. El último grupo de parámetros se obtiene a
partir de la extracción de dos aportes rítmicos independientes haciendo uso de la
Transformada de Wavelet.
A_ Red de propagación inversa del error (Backpropagation).

El perceptrón multinivel es la primera topología de red empleada.

B_ Red de funciones de Base Radial.

Una red cuyas funciones de activación son gaussianas, es la segunda topología

empleada.

C_ Mejoras en el desempeño

El conocimiento previo es un factor fundamental en cualquier proceso de

clasificación. Este concepto de emplea con el fin de obtener desempeños
superiores a aquellos que obtienen los clasificadores mediante un proceso de
entrenamiento.

D_ Adaboost

Adaboost de emplea como algoritmo de aprendizaje con el objetivo de disminuir el

error de evaluación a medida que la red se sigue entrenando, incluso después de
que el error de entrenamiento a alcanzado el valor de cero. En este caso se
escoge como clasificador débil una red de funciones de base radial de 11
neuronas puesto que presenta una buena relación entre el tiempo de
entrenamiento y el porcentaje correcto de clasificación.