Professional Documents
Culture Documents
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.
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).
C_ Mejoras en el desempeño
D_ Adaboost