Full text
UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA DEPARTAMENTO DE INFORMÁTICA Y SISTEMAS CONTRIBUCIONES A LA INTEGRACIÓN MULTISENSORIAL Y COMPUTACIÓN NEURONAL PARALELA. APLICACIONES CARMEN PAZ SUÁREZ ARAUJO Las Palmas de Gran Canaria, 1990 TESIS DOCTORAL
Dpto. de lnformatica y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria TESIS DOCTORAL CONTR~SUC~ONES A LA INTEGRACI~N MUL~ENSORIAL Y CONIPUTACION NEURONAL PARALELA. APLICACIONES Aferentes Especificas Autora: Cqen Paz Suárez &u jo Director: 4. Roberto Moreno Díuz
Dpto. de Informática y Sistemas Facultad de Informática TESIS DOCTORAL CONTRlBUClONES A LA INTEGRACIÓN MULTISENSORIAL Y COMPUTAClON NEURONAL PARALELA. APLlCAClONES Merentes Específicos Autora: Carmen Paz Suárez Araujo Director: Dr. Roberto Moreno Día
1NL)ICE GENERAL INDICE RESUMEN Resumen Marco Conceptual de los Procesos de Integración Sensorial y Computación Neuronal 1.1.- Teoría de la Computación Neuronal 1.1.1.- Introducción 1.1.2.- Modelo Neuronal de McCulloch-Pitts 1.1.3.- Análisis y Síntesis en la Teoría de la Computación Neuronal. Interacción de Aferentes 1.2.- Estructura Conceptual del Sistema Auditivo. 1.3.- Teoría Retinal. 1.3.1 .- Introducción 1.3.2.- Proceso de Datos Visuales en la Retina. Estructuración por Capas CAPITULO 2 Integración Multisensorial 2.1.- Bases de la Integración Multisensorial. Transformaciones Intersensoriale 2.1.1,- Introducción. 2.1.2.- Transformaciones Intersensoriales 2.2.- Teoría de la Integración Multisensorial 2.2.1 .- Introducción 2.2.2. Estructura de la Información Multisensorial 2.3.- Arquitectura Computacional Generalizada 2.3.1. - Introducción PAGINA
2.3.2.- La Corteza como Matriz de Procesadores de Propósito General. Paradigma de Acción y Fiabilidad Cortical 2.4.- Integración para la Percepción-Planificación-Acción 2.4.1 .- Introducción 2.4.2.- Estructura General para la Integración de Percepción- Planificación-Acción 2.4.3.- Componentes Esenciales de la Estructura General para la Integración de Percepción-Planificación-Acción. 2.4.3.1 .-Mando y Control. 2.4.3.2.- Representación Multisensorial del Entorno. 2.4.3.3.- Planificación. CAPITULO 3 Sobre Autómatas y Computación Paralela. 3.1.- Modelo Neuronal Computacional de Percepción de Invariantes Auditivos 3.1.1.- Estructura Espacial de la Corteza Auditiva Primaria (AI) 3.1.2.- Modelo para la Percepción de Invarianzas Auditivas 3.2- Nuevos Teoremas en Descomposición Paralelo 3.2.1.- Computación de Invariantes Auditivos por AI, frente a Homotecias. Sintetización Neuronal 3.2.2.- Formulación, en Matemática Cuasi-Continua, de la Sintetización Neuronal 3.2.3.- Teoremas en Descomposición Paralela 3.3.-- Red Alternativa para la Computación de Invarianzas Homotéticas 3.3.1- General CAPITULO 4 Generación de Representaciones Invariantes. Aplicaciones a Procesos Visuales 134 4.1.- Introducción 4.2.- Estructura Formal de los Parmetros de Invarianza 4.2.1.- Representaciones Directas. Dominios y Funcionales
4.2.2.- Determinación de Dominios. Transformaciones Afines 140 4.2.2.1.- Transformaciones Afines como Parámetros de Invarianza 142 4.3.- Proceso de Generación de Invariantes 145 4.3.1 .- Sistema Experimental 145 4.3.2.- Preproceso 148 4.3.3.- Cómputo de los Parmetros de Invarianza 158 4.4.- Generación de las Representaciones Invariantes 163 4.4.1.- Irnplementación Formal en la Generación de Invariantes 164 4.4.2.- Implementación por Tratamiento en la Generación de 1 Invariantes 167 4.4.2.1.- Método del Promedio de Vecindad Umbralizado. 168 4.4.2.2.- Método de Interpolación. 171 4.5.- Bondad de los distintos Métodos de Implementación para la Generación de Representaciones Invariantes. 177 CAPITULO 5 Conclusiones y Principales Aportaciones APENDICE Bases Neurofisiologicas de los Sistemas Sensoriales Auditivo y Visual. 187 A.1.- Bases Neurofisiológicas de los Procesos Auditivos. 188 A.l.l.- Estructura de Conducción Mecánica Periférica (ESMP). 188 A.1.2.- Sistema Auditivo Central (SAC). 202 A.2.- Organización Estructural de la Retina. 229 BIBLIOGRAFIA. Bibliografía
RESUMEN
RESUMEN Los objetivos de la disciplina en la cual está enmarcado nuestro trabajo son, en general muy ambiciosos, y su campo de actividad muy extenso. Los que nosotros nos propusimos, de una manera amplia en dicho trabajo los podemos enmarcar en los aspectos siguientes: a) Obtener estructuras computacionales generalizadas, capaces de explicar los procesos sensoriales en Lodo su conjunto, desde niveles inferiores, partiendo de los estímulos sensoriales, hasta los niveles más alto de proceso, donde se obtiene una o varias identificaciones o diagnostico de la situación global de manera eficaz y fiable. Es decir, proponer un paradigma de acción y fiabilidad cortical, que ayude y permita a reflexionar y teorizar sobre ciertas propiedades computacionales del sistema nervioso, así como explicarlas. b) Desarrollar modelos estructurales que nos permitan explicar la percepción de invarianzas auditivas, as1 como modelos de redes neuronales para la computación de invariantes por la corteza auditiva primaria, extendiendo esta forma de cómputo a estructuras bidimensionales, lo cual nos permitirá abarcar el cómputo de invariantes en el sistema visual de manera relaciona1 con el sistema auditivo. c) Llevar a cabo la implementacion de tales estructuras en procesos visuales. Nuestros esfuerzos han estado centrados, pues, en alcanzar estas metas, basándonos en un sustrato conceptual y práctico acorde con las mismas, recogiendo esta memoria, todo el conjunto de propuestas, desarrollos y conclusiones realizados a lo largo del trabajo. La memoria la hemos estructurado, acorde con la cronología del trabajo en cinco capítulos: l.- Marco conceptual de los procesos de integración sensorial y computación neuronal. 2.- Integración mul tisensorial. 3.- Sobre autómatas y computación paralela.
4.- Generación de representaciones invariantes. Aplicaciones a procesos visuales. 5.- Conclusiones y principales aportaciones. - Un apéndice que contiene las bases neurofisiológicas de los sistemas auditivo y visual. - Bibliografía, la cual consta de un conjunto de referencias bibliográficas en las que hemos apoyado todo el proceso. El capítulo primero constituye un constructo conceptual necesario para nuestra movilidad operativa en las áreas de investigación que tratamos. En él, se presenta un estudio de la teoría de la computación neuronal, la teoría retina1 y &? la estructura del sistema auditivo. El primer aspecto de este capítulo, trata de la teoría de redes neuronales iniciada por McCulloch-Pitts, la cual, junto con la teoría de la información de Shannon, la identificación de los sistemas que tienden a un fin y los sistemas realimentados, da origen a una de las facetas más discutidas y fascinantes de la cibernética. La idea que en general se persigue, es contribuir a un mayor conocimiento de los posibles mecanismos que yacen bajo la actividad cerebral y del sistema nervioso del hombre y de los animales superiores, con fines que, la mayor parte de las veces, obedecen a un mejor entendimiento del cerebro y otras veces a la búsqueda de inspiración para resolveralgún problema tecnico concreto. La organizacion del desarrollo de esta parte del capítulo tienen una estructura de abajo-arriba. En ella hacemos un estudio exaustivo del modelo neuronal de McCulloh- Pitts, llegando hasta las redes de neuronas formales, a lo largo del cual tratamos los conceptos de aprendizaje, que tanta flexibilidad y adaptabi lidad proporciona a los sistema de redes neuronales. Concluímos este punto, tratando dos aspectos de crucial importancia en la teoría de computación neuronal, como son el análisis y la síntesis neuronal, problemas de relación entre redes neuronales y autómatas, abarcando desde los autómatas deterministas hasta los probabilistas arbitrarios. Todo ello nos lleva a introducirnos en sistemas de redes neuronales más complejos y completos, estudiando los conceptos de interacción de aferentes y eferent es y sus implicaciones en las redes neuronales y en los problemas tratados.
MARCO CONCEPTUAL DE LOS PROCESOS DE INTEGRACION SENSORIAL Y COMPUTACION NEURONAL
1.1, TEORIA DE LA COMPUTACION NEURONAL. 1.1..1. Introducción. El tema de este apartado es uno de los tres grandes temas que confluyeron temporalmente en 1943 para dar origen a una de las facetas más discutidas y más fascinantes de la Cibernética. Nos referimos a la Teoría de la Información de Shannon, la Identificücion de los Sistemas que tienden a un Fin y los Sistemas Realimentados, realizada por Wiener, Liosemblueth y Higelow y la propia Teoría de Redes Neuronales, iniciada por McCulloch y Pitts. La confluencia de estos tres enfoques sobre el problema de los procesos volitivos y cognitivos en el hombre ha dado lugar, desde entonces, a una progresiva inmersión en este campo que pretende, por los procedimientos más diversos, llegar a una mecanización de los procesos mentales. La idea que, en general se persigue, es contribuir a un mayor conocimiento de los posibles mecanismos que yacen bajo la actividad cerebral del sistema nervioso del hombre y de los animales superiores, con fines que, la mayor parte de las veces, obedecen a un mejor entendimiento del cerebro humano y otras veces a la búsqueda de inspiración para resolver algún problema técnico concreto. El cerebro humano realiza tareas tales como visión, habla, recuperación de información, reconocimiento de formas complejas espacial y temporalmente de manera pura e incluso en presencia de ruido y de distorsión de datos. Un buen nivel de realización de estas tareas precisan procesamiento de información en paralelo. Esto hace que los computadores digitales secuenciales encuentren grandes dificultades en dichas tareas, lo que, por ende, dificulta el análisis y síntesis de sistemas naturales en artificiales. Este proceso de análisis y síntesis nos ayudaría al entendimiento y posible mejora tanto en su estructura como en su funcionamiento, de los sistemas naturales.
Aciuaiinenie se estima, que eii el cerebrv humano, e! fi-;irTIeru de fie-iruaas es de 1011, las cuales están organizadas en una compleja y desconocida estructura de interconecciones. Aún no se entiende cómo este sistema de neuronas interconectadas paralelamente (red neurona1 biológica) nos permite almacenar, representar, recuperar, manejar datos tales como imágenes, sensaciones, pensamientos, etc. El intento de descifrar este misterio, es lo que ha llevado desde años atrás, a un gran número de investigadores interdiscipiinarios, a estudiar los sistemas naturales intentanto hacer modelos que los explicaran, así como implementar los mismos. Ellos estudian y formulan teorías acerca de cómo sucede realmente la computación en los sistemas naturales. Todo esto, es lo que rodea ti los Sistemas Neuronales Artificiales, empezando con la neurona formal de McCulloch-Pitts. El porqué de sistemas neuronales artificiales es debido a la interrelación entre los métocios iógicos utiiizacios en ia teoría de ios computadores y las descripciones formales de la actividad del Sistema Nervioso (S.N.), siendo los elementos de proceso de! cerebro, las neuronas; la:. de Ins computadores elementos electrónicos y las de los sistemas neuronales artificiales, la neurona formal. No obstante, existen fenómenos, como visión y habla, por ejemplo, que se entienden lo suficiente para poder reducirlos a una forma algorítmica. Pueden entonces ser realizados en computadores digitales convencionales, así como en sistemas neuronales artificiales. En este punto, será el coste de su realización lo
que indicará qué tecnología o combinación de tecnologias será empleado para 11 ---A-- A --L- _1:-1--- 1-1-_1..- llevar a cauu urcrias capaciuaues. Esta línea de investigación, deja de ser realmente una línea para convertirse, en símil de computación, en un bus, tomando cada investigador una línea de ese bus, siendo la información total que viaja por el mismo, la necesaria para abordar ese intento del hombre de alcanzar, e incluso superar, las funciones cerebrales 4 humanas. Unos acoincten los estudios inlent~ndo entender la biología implicada en cómo trabaja el cerebro. Otros se ocupan de nuevos modelos de computación basados en modelos sencillos yue son parte de las nuevas teorías. Algunos de los nuevos modelos, es mejor que se diga que estan Dioitg"rcaiiit?~ite iiifliuerrciados porque ellos implican afirmaciones que no son biológicamente precisas. Estos modelos computacionales con inferencias bilógicas han sido usados para resolver problemas de optimización y para implementar memorias asociativas. Lo que si está claro, es la potencialidad de esta línea de investigación y la posibilidad de exploración de muy diferentes áreas en el mismo campo. En el contexto general de las teorías y modelos del comportamiento del sistema nervioso, ia teoría de ias reaes ae neuronas hrmaies es ia más abstracta. La teoría tiene una belleza formal en sí misma, pero es conveniente y necesario mantener siempre las conexiones con los conceptos intuitivos subyacentes que se corresponden con la realidad neurofisiológica si se pretende alguna utilidad inmediata de la teoría. Así mismo, debemos tener presente los conceptos y herramientas hasta ahora dominantes en Inteligencia Artificial (1.A.). De hecho, los modelos conexionistas se pueden ver como una sintetización de las dos aproximaciones tradicionalmente opuestas a LA., como vemos en la figura i. i.
Fig. 1.1. Aproximaciones a la inteligencia artificial. 1.1.2. Modelo Neurona1 de McCulloch-Pitts. Según las propiedades básicas microscópicas detectadas en la membrana neuronal y en el comportamiento de una motoneurona, frente a estímulos eléctricos o químicos (Eccles, 1946) se puede hacer un esquema funcional idealizado, esquema que sirvió de partida a la propuesta lógica de McCulloch-Pitts en el año 1943, (McCulloch, Pitts, 1943) que dió como resultado su modelo neuronal. La formulación lógica de las Redes de Neuronas Formales (RNF) se hizo pensando en la obtención de un modelo neurofisiologico mínimo, capaz de sintetizar lo que hoy en día llamaríamos un Autómata Determinista Arbitrario.
T d... ----:,..-ic..-i..,, L.,.. A,. l., ,,.,I ..,, ..,,aJ-1,n rnc.iimir hnriinnrln tina UQ3 pl UpLGUUUCU UQUIC~QJ UG IU LIGUI UIIU 1 GUL ~b ~UGU~AA A rouirrAr AAurabrruv u&&- combinación de propiedades que son estrictamente adjudicables a la membrana neúronal y sobre todo a la acción dentrítica, con otras que aparecen sólo cuando se considera la neurona como un todo que integra la información aferente, realiza una computación sobre ella y envía los resultados de ésta computación a lo largo de su axón para comunicarse con otras neuronas de la red. Dichas propiedades, desde el punto de vista microscópico, se pueden resumir como: a) La neurona es capaz de realizar una integración espacial de las señales que !iegaii a áitJu! dentritiev e ine!üsu a sU cUerí;v ee!Ujar, pU&er,da ser est8 integración de efectos excitadores o inhibidores. b) Es capaz de realizar una integración temporal. C) La respuesta de la motoneurona típica es en forma de potencial de acción generado en la colina axónica. d) Con una concepción de la motoneurona como sistema de proceso de datos, se e) La neurona después de producir un pulso de salida, pasa a nivel local, a un estado refractario, durante el cual existe una parte de refractariedad absoluta, y otra relativa. Es a partir de estas propiedades generales que McCulloch-Pitts se proponen obtener la base de su modelo neuronal, la Neurona Formal (NF). Este modelo constituye el primer modelo neuronal, y tiene la capacidad de enlazar las Teorías 1- rn . * del Cerebro con leoria Conipuiacional. La de rrOrueSt~ origlEr;!
estriba en que sólo algunas de las propiedades neurofisiológicas fueron inzGrPoradas a dichas neGicaas, cfemostran&j el resto de el!as era sinteiiz&!e a partir de las primeras. Así mismo, el análisis biofísico de los fenómenos que tienen lugar en la membrana neuronal nos conduce a sistemas de ecuaciones diferenciales no lineales, en lo que al campo de herramienta formal se refiere, con una serie de variantes de estado para cada neurona. Obviamente se hace necesario simplificar las matemáticas, siempre que se mantengan lo esencial del comportamiento dinámico real. Una neurona formal es un elemento con "N" entradas, cada una de las cuales tiene un peso sináptico y una única salida. Están caracterizadas por un umbral, se activan sólo si la función lineal, que realiza el conjunto total de la actividad resultante es mayor que el mismo. En dicha función cada variable de entrada es afectada por un peso sináptico positivo o negativo. En la figura 1.2, observamos un modelo de neurona, (NF), las señales de entrada están conectadas a la neurona con diferentes transmitancias, correspondientes a los pesos de las uniones neuronaies denominadas sinapsis. Estas últimas son denotadas por aij, donde i es el índice que corresponde a la neurona y J a su entrada. De forma similar Xij cs el valor de la señal o actividad, realmente la frecuencia del impulso neuronal, en la entrada j de la neurona i.
Dinámico Real Entradas Xi 1 Salida Fig. 1 2. Símbolo de una neurona formal (N.F.) Cada neurona se piensa que actua corno un modulador de pulsos de frecuencia, produciendo una actividad de salida Yi, la cual se obtiene integrando las señales de entrada de acuerdo con la ecuación diferencial (l.l), (Kohonen, 1988). Las neuronas biológicas tienen una membrana activa con una capacidad que integra corrientes de entrada y provoca una descarga de impulsos cuando se alcanza un nivel crítico de despolarización.
El primer término de la derecha corresponde al acoplamiento de las senales de entruda a !a ze~r~na a través de !us diferentes trun~~itumius, es lineu!, ekrtv superpositivo. El término [- 0 (Yi)] proporciona el efecto no lineal, describe todas las propiedades no lineales de la neurona. Se asume que es más fuerte que la función lineal de Y; y que la función inversa 8-1 existe. Si Xij se mantiene estacionaria o cambia sauvemente, podemos considerar que dYi/dt - 0, luego: Se pudo introducir, como se verá más adelante, él concepto de aprendizaje en estas neuronas, lo cual se consigue haciendo que las transmitancias también varíen. Esto es lo que se llama un proceso adaptivo. La elección clásica es considerar que las variaciones son proporcionales al producto de actividades de entrada y salida (ley de liebb). Esta elección es poco natural puesto que los paránietros cambiarían sólo en una dirección. Esta ley se modifica incluyendo un término de no linealidad: donde V es una constante positiva, el primer término es el término Hebbiano y el último representa la no iineaiidaci. El primer término define cambios en aij en tal dirección que la neurona se hace más sensible y selectiva para una combinación particular de señales de entrada. Este es el efecto adaptivo básico.
En este tipo de stprendizaje, mostrado en la figura 1.3, la célula postsináptica, y, posee otra enirada sinziptica, z, 1a cual coritrola el refüerzo de sus sinapsis aferentes ordinarias. Una sinapsis ci, llamada sinapsis de Hebb, inicialmente inefectiva, es reforzada si hay una actividad prcsinaptica xi en conjunción con la señal de control z. Fig. 1.3. Modificación tipo Hebb. : Modificable (Sinapsis 1 lebb) Otros tipos de modificaciones sinápticas, anteriormente propuestas a utilizar en las redes neuronales, las cuales no han sido tampoco fisiológicamente sostenidas, y que han constituido siempre materia de conjetura, son las mostradas en ia fig-ura 1.4. En la hipótesis de la figura 1.4a, una sinapsis aferente modificable, es en un principio, excitatoria. Puede llegar a ser inefectiva, si y sólo si la célula postsináptica, y, enciende sin actividad presina&a, x;. Esta hipótesis se base en la idea de que sinapsis irrelevantes pueden hacerse inefectivas. Esta hipótesis tiene una gran desventaja, y es que si se le da un estímulo impropio a la red neuronal, la red sufriría una incorregible daño, ya que las sinapsis son modiÍicadas, irreversiblemente, sólo hacia la extinción.
. , La f~~~luc:m de E!um (l961), sin rmharg~, adolece de cierta falta de generalidad, no considera asuntos como la redundancia sináptica. Esto hizo que se presentara una reformulación de la teoría de interacción de aferentes (Monroy, 1981), que es más consistente y que a la luz de la neurofisiológia actual permite interpretaciones acerca de la seguridad de funcionamiento ,en redes neuronales, no basadas en los conceptos multicapa que el grupo de McCulloch dedujo en el año 1958 a partir de las ideas de Von Neumann, (Von Neumann, 1956). Para la formulación de esta interacción de aferentes se admite que cada --....--c. C-..mnl r-n:b,i M I;r\~oc. rln nntradalc. ovt~r¡nroc fX :, XZ,-.-,xM), 18s cuales ut;uluua LULLLL~L LGLL G LIL LALL~UO ub WAYAUU~~ v-ur.. -..- \-- pueden interaccionar presinápticamente, siendo entonces los resultados que alcanzan a la neurona, en terminología booleana: Xi, XiX' .,...., xix1. X', J J" ' (1.4) Estos procesos los mostramos graficamente, según la notación de McCulloch y Blum, en la figura 1.8. Fig.l.8. Neuronas formales con interacción de aferentes. a) Inhibición presináptica de una fibra por otra. b) Inhibición presináptica general.
donde ai, aij, aij...l corresponden a los pesos de los botones sinápticos que acceden a las neuronas. El número de grados de libertad implícitos en la formulación presináptica, que viene dado por la suma del número de coeficientes que aparecen en ia expresión (1.5), como se muestra en la siguiente ecuación: supera, en general, el número de grados de libertad que son necesarios para la síntesis de una función booleana arbitraria de M variables. Esto implica una evidente redundancia presináptica, la cual se manifiesta, desde el punto de vista neurofisiológico, por una profusión del árbol dendrítico y de sus interconecciones con las ramificaciones axonales de otras neuronas. Desde el punto de vista lógico, esta redundancia se transparenta por la posibilidad que tiene, en principio, una neurona de computar todo el conjunto de funciones lógicas diferentes a medida que su umbral cambia. Luego el caso límite de no redundancia corresponde, para una neurona de M entradas, al computo de 2M + 1 funciones diferentes, incluyendo la tautología y la contradicción, que es precisamente el número máximo de funciones que puede computar una neurona con interacción de aferentes con anatomía fija. Por tanto, si suponemos cambios
unitarios en el umbral, partiendo de O, y asignamos este valor de umbral al termino compuesio por iodos ios dores negativos, la variación será preeisalxzr~te 2M, lo que nos proporcionará 2M-1 ecuaciones resultantes de particularizar la expresión (1.5) para cada termino mínimo y cada valor de umbral, los cuales pueden ser, tanto positivos como negativos, según el caso lo requiera. Asi, nos encontramos con un sistema de 1 =2M-1 ecuaciones y L =M2(M-1) incógnitas, lo que lo convierte en indeterminado. Para lograr una solución tendremos que elegir, arbitrariamente, 1,-1 coeficientes. La solución más sencilla es seleccionar dichos coefientes iguales a cero, significando ésto, un número mínimo de botones terminales. AdemBs, podemos simplificar al miinimo 1% conexiones neuronales haciendo cero aquellos botones terminales que supongan un mayor número de interacciones de aferentes. Desde el punto de vista de fiabilidad, entendiendo ésta como la invarianza de la función frente a la variación de umbral, se ve que la neurona formal con interacción de aferentes capaz de computar las 2M+ 1 funciones posibles, es precisamente la menos fiable. Esto nos lleva a cuncluir la existencia de un compromiso entre la fiabilidad y la potencialidad de computo. El concepto de fiabilidad se puede caracterizar utilizando parámetros apropiadosí como el índice de fiabilidad, que al mismo tiempo nos da el índice de redundancia funcional. Estos conceptos se suman a los ya clásicos de McCulloch, sobre redundancia multicapa, y los de Von Neumann de redundancia multicanal, para proporcionar un modelo neurofisiológico más completo de la fiabilidad lógica. Su expresión general podremos obtenerla, considerando una neurona concreta con una invariancia funcional extendida a P saltos de umbral. Puesto que la neurona óptima extiende esta invariancia a 2M-1 saltos, el índice de fiabilidad se puede definir como:
f tendrá un valor mínimo que dependerá del número de entradas y estará expresada por: y un valor máximo que es la unidad. Si variamos los umbrales de las redes de acuerdo con una ley probabilista, el máximo de fiabilidad podrá representarse así: Umbrales T. Mínimo Prob(0 = 8i) Prob(F = fi) donde no tiene interés considerar más que el caso de mayor probabilidad, dado la constancia de la función que realiza frente a cambios de umbral, (Hernández Guarch, 1983). La verdadera utilidad de la teoría de Redes Neuronales con interacción de aferentes, estriba en que proporciona modelos neurofisiológicos plausibles de
autómatas deterministas. Cuando el autómata a modelar o sintetizar ne-uronalmeiite coi=respUii~e a de los fUiieioaa!es de ür; .;ivo, 21 modelo proporciona así mismo, un paradigma de posible actividad neuronal, que en general sirve para esclarecer la estructura y funciones de la maquinaria neuronal subyacente. EXPKESIÓN FORMAL EN EL LENGUAJE DE LA TEOHIA 1)E AUT~MATAS SINTESIS NEUKONAL DEL AUTOMATA ------+ DETERMINISTA RED NEURONAL Fig. 1.9. Esquema de síntesis neuronal. Por la tanto, los problemas de máximo interés en la teoría, son los problemas de síntesis, los cuales vienen representados en ia figura í.9, donde tenemos e! esquema a seguir para pasar, de un autómata determinista, expresado por la función de transición de estados, a su contrapartida neuronal. La ecuación de síntesis viene dada por la siguiente expresión:
siendo fk(X,Y) la función calculada por la k-esima neurona, Mij(X) la matriz f~miona! e Y; e! término ~~inixm, ccrresp~ndiefite U! est~d~ Y; en 12s s-_lids?s de las neuronas. De aquí se deduce que la ecuación de salida de la neurona en el instante t es : para k = 1,2, ....., N, con lo que la red queda univocamente definida. En ei piano de las redes neuronaies probaiisias, el pro"ulema de anzilisis se reduce a determinar el conjunto de matrices estocásticas de transición entre estados del autómata, lo que se consigue suponiendo que el disparo de cada unidad neurona1 no depende del disparo de las demás neuronas que componen la red (Moreno-Díaz, Hernández Guarch, Limiñana, 1980). Los demás elementos del autómata se fijan, a partir de la red, de una manera trivial. El problema de síntesis se formula a partir de un conjunto de 2C"rd"' matrices estocásticas de transición entre estados, siendo preciso encontrar la red a la que corresponcie. Para caua configuración de entradas externas existe una matriz estocástica de transición entre estados, la inversa no es cierto, lo que se comprueba determinando los grados de libertad de ambos sistemas. El problema tiene solución si se admite que las salidas neuronales interaccionan entre sí. Es decir, existe una interacción de eferentes (axones) a través del medio no perfectamente aislante que lo separa, de modo que habrá una influencia jerarquizada entre las neuronas. Más formalmente, numeraremos las neuronas de una red de N a 1, de abajo hacia arriba y supondremos luego que cada
neurona está influenciada por los disparos en los axones de todas las neuronas que esi&ii por encirria de figura. 1.10, Fig.l.í.0. Representación de ia red neuronai La neurona n-esima, ha sido especificada por 2"LN-1) probablidades, una por cada estado posible en el instante (t-l), combinada con las 2'N-1J posibles configuraciones del resto de las salidas neuronales en el instante t. Así, en la k-ésima neurona, el disparo está determinado por 2(2N-k' probabilidades.
El número de grados de libertad de la red sera entonces: lo que coincide con el número de grados de libertad del autómata probabilista. De esta manera se logra establecer un isomorfismo entre las redes neuronales probabilistas y los autómatas de este mismo tipo. De acuerdo con estas formulaci~nes, se deduce que los aspectos formales de la teoría de redes neuronales probabilistas, se corresponden con la descomposicfón modular de autómatas probabilistas. El problema de síntesis de máquinas secuenciales estocásticas ha sido abordado por Booth (Booth, 1964), y otros muchos. Para nosotros dicho problema está en calcular el conjunto de probabilidades de di~par~para cada neurona, ya que cada una de ellas viene determinada por una posibilidad de disparo para cada configuración de entrada. Siguiendo el procedimiento de calcular la probabilidad de disparo de la primera neurona, será, siempre bajo la entrada x: y la probabilidad de que la neurona no dispare, será:
y así sucesivamente. Teniendo en cuenta el sí o no disparo de las anteriores, se !!egu. u. !u expresiSn generuliz~du: J J = l+<l-1)2 (N- k+ 1) pil(k) = l$N-k+l, Las probabilidades solo estarán definidas si el denominador es distinto de cero, de otra forma son indeterminadas. Estas indeterminaciones admiten una sencilla interpretación, pues se tratará de conmutadores aislados que nunca entrarán en acción. Es decir, en la práctica no deberán ser considerados. Estas ecuaciones muestran además que el suceso cuya probabilidad aparece en el denominador, contiene el siiceso cuya prcbabilidad aparece en el numerador. Es decir, si la probabilidad del denominador vale 0, tembién lo vale la del numerador. Lo expuesto nos muestra la gran potencialidad de la Teoría de la Computación Neurona1 en la obtención de modelos computacionales de los Sistemas Neurofisiológicos. Una de las motivaciones más importantes en el estudio de un Sistema Fisiológico (SF), es el interés que despierta el comportamiento esperado del mismo.
Con relación a los sistemas físicos y artificiales, los sistemas naturales son . I granaes ciesconocicios. ignorarnos i-ekitivmente, SU f~ncmil, eutracturu y ~llerlns de operación, luego, estamos dirigiendo nuestros esfuerzos a entender y describir fenómenos bastantes complejos. Ésto nos hace realizar aproximaciones fenomenológicas, lo cual nos lleva a una identificación funcional del sistema, que junto con la identificación estructural, constituyen los conceptos más importantes en el conocimiento total del mismo. Con ellos cubrimos la neurofisiología y anatomía del sistema fisiológico en estudio, que en nuestro caso se trata del sistema auditivo (SA). ,m. \ Ei sistema auditivo (>A) es un sistema afereiite de gran importanci=. en !u comunicación humana. Este sistema sensorial especial, es de una gran selectividad y complejidad en su funcionamiento y estructura, sólo superadas por la percepción visual. Los estudios realizados hace unos 100 años por el físico Georg Ohm, explicaron el principio que gobierna la función del oído, el cual ha sido confirmado por investigaciones modernas en este campo. Ohm sugirió que el SA realiza un análisis en frecuencia, ésto es, un análisis de Fourier teniendo en cuenta la - . variabilidad de esta señal con ei tiempo, de los soiiidos iriiiis=itidos por el aire. Este principio, junto con la Teoría de la Computación Neuronal, nos proporciona !US bases de 1a fomirlartión matemática en nuestro trabajo, sustentado, claro está, por la estructura neuronal, anatómica y fisiológica del sistema en estudio. Los mecanismos usados para transformar la onda sonora en impulsos nerviosos que llegan al cerebro y son percibidos como sonidos, están cubiertos por la estructura de conducción mecánica periférica (ECMP) y el sistema auditivo central (SAC).
Este concepto de computación por capas, está contenido en germen en los eseribs de ?deCü!!ueh y litts (litts, MeCü!!och, 1965), ea reluci6n a !u c~rtrzu. visual. Tiene un poder predictivo realmente nuevo y poderoso, y parece apuntar nítidamente hacia una teoría unificada de la retina de los vertebrados. Su justificación más efectiva viene dada por la estructura anatómica por capas de células con un claro sentido funcional, que presentan las retinas de todas las especies estudiadas, desde vertebrados inferiores hasta superiores, llegando incluso al hombre. La correspondencia entre !as capas compütaeiona!ess y !as capas redes anatómicas y funcionales no es necesariamente biunívoca. En modelos microscópicos algunas capas pueden corresponder a una capa simple de sinapsis o células. En modelos más globales una sencilla capa computacional puede representar distintas estructuras anatómicas. En general, la computación por capas ocurre no sólo en sistemas de proceso visual o retinal, sino en cualquier sistema cuya función total pueda ser descompuesta en subhnciones que se realicen por elementos computacionales de caracpristicas funciúIiiiies semejantes. Estos eleirlenius cür~p~iaciuna!es s~fi las componentes de cada capa, tal que una integración de sus funciones proporciona la función de la capa. Integración se usa aquí para significar cualquier tipo de acción cooperativa, si bien muchas veces se resuelven con estrictas integraciones matemáticas.
Entradas Capa 1 Salidas Fig. 1.13. Esquema de computación por capas. La estructura de computación por capas se ilustra en la figura 1.13. En principio no hay restricciones en las posibles interconexiones entre elementos computacionales, y por tanto, la realimentación es permitida entre cualquier capa, (Moreno-Díaz, Rubio, 1979). Los últimos objetivos de una teoría de proceso retina1 son: a) determinar los mecanismos de proceso de datos en las distintas capas de la retina y b) las reglas de codificación en las que está basado el propio lenguaje de las células retinales tanto para comunicarse entre ellas, como con los centros superiores. Para converger en dicha teoría se proponen varios conceptos que son consecuencia de la revisión y formulación cuantitativa de diversos modelos y esquemas teóricos, (Moreno-Díaz et al., 1978; Moreno-Díaz, Rubio Royo, 1981;
Mira et al., 1983), así como el funcionamiento hipotético de la retina, el cual puede Uintetizarse comu sipe: Los datos espacio-temporales de entrada a la retina son procesados por los fotorreceptores, bipolares y horizontales de las capas exteriores, ofreciendo canales o niveles de propiedades espacio-temporales, según la especie en cuestión. La información de cada canal es el resultado de operaciones que pueden ser cualitativamente descompuestas en una transformación lineal espacio-temporal seguida de umbrales adaptivos. A D. iinn An Ina nonaInc intnra~tíia Isit~raIrnent~ de un peculiar En ia uA LQU~ ulrv uu rvo bursuAru rsrurr --v..-- --------- para cada tipo de ganglionar. Esta interacción lateral no lineal, estaría gobernada por las sinapsis bipolar-ganglionar y amacrina-ganglionar. Las capas exteriores, generan versiones con diversos retardos de la senales que al interactuar en la CPI, explican las propiedades tanto de las ganglionares simples como de las complejas y codificadoras de color. Con ello, estas bases unificadas son apropiadas, a nivel conceptual, para elucidar los mecanismos que determinan la totalidad de los procesos retinales en los vertebrados, tal como han Por otro lado, los conceptos propuestos para converger en la teoría tratada son: a) Las capas externas proporcionan diferentes versiones rápidas y retardadas del patrón incidente en los receptores después de alguna interacción lateral. Esto constituye una generalización del concepto neurofisiológico de los dos caminos a la ganglionar, el camino fotorreceptor-bipolar-ganglionar, y el camino fotorreceptor- B. 1 - 1 1 :.. -l--- --- -1:- norizonr;ai-a~puiar--ga~~g~~~nsir ( Femández Escutin, At~rene-Eiaz, 1978). Sin
embargo hay razones anatómicas para admitir que no sólo existen dos caminos, 1 L L -1 1 -1: ,,,,,,:X- rl--Ad+ri ovnnal nntva IQC róli~lac retinalec por el rlecriu ue iíi riluiwprí3 LULLGALULL UGLLUA~V-~~~~~~~ uLLVAY - rr----i--.ir, resultando más apropiado el admitir múltiples retardos de una misma señal, cuando ésta alcanza el árbol dendrítico de una célula ganglionar. b) Las versiones retardadas son suministradas principalmente por la acción de las células horizontales, las cuales provocan una traslación lateral de la información. c) Las versiones rapidas y retardadas interactuan no linealmente en la CPI, interacción que es mediada por las cé:ülas amacrinas. d) Hay al menos, tres lugares anatómicos para la interacción de dichas señales, dos en la CPI y una tercera en las células ganglionares. Las señales rápidas y retardadas, espacialmente distribuidas, interactuan centralmente en las sinapsis de las células amacrina-bipolar-ganglionar. Las señales rápidas centrales, espacialmente distribuidas, interactuan perifericamente con las señales retard~das locales y lateralmente trasladadas a través del mismo tipo de sinapsis. Los resultados son entonces tomados por las células ganglionares. e) Los procesos anteriores son formulados usando expresiones matemáticas que constituyen un tipo de convolución generalizada en el espacio-tiempo. f) La no-linealidad dominante en las sinapsis amacrina-bipolar-ganglionar, es similar a una rectificacion de media onda o de onda total. g) Análisis de los registros cuantitativos presentados en la literatura (Nochstein, Shapley, 19751, se tienen en cuenta para la especificación del tipo de
acción presináptica, la cual incluye dos tipos de mecanismos temporales n.7nc.:~'-,,.nlnln.Z bua~~ya~ ULF~LLJO. -Dentro.de este esquema, es preciso especificar las operaciones mínimas plausibles que determinan la acción de la CPI para dar cuenta de las respuestas ganglionares. Se han propuesto diversos mecanismos en lo que respecta a la acción de dicha capa. Discutiremos hasta que punto tales mecanismos aclaran la función neurona1 dentro de los conceptos típicos de teoría de sistemas, para lo que tratamos los fenómenos de respuesta local. Las primeras i~vestitig~cimeu experiment~les en vlectrnficiologia de la retina (Hartline, 1938), originaron las primeras clasificaciones de los campos receptivos ganglionares en zonas (o a veces células) tipo ON, tipo OFF o tipo ON-OFF. El siguiente paso consistió en la identificación de zonas antagónicas (estructuras centro-periferia) en dichos campos receptivos. Para algunos vertebrados superiores, se encontró que la relación entre el estimulo (magnitud local) y la respuesta, era aproximadamente lineal. Esto, aunque una forma de descripción extremadamente pobre del comportamiento retinal, es un punto inicial razonablemente válido en teoría retinal si no se extrapola fuera de los procesos de Con las restricciones y precauciones que han sido indicadas (Mira et al., 1982), la relación entre estímulo-respuesta local puede ser teorizada a nivel sensorial.
Fig.l.14. Interacción de las señales rápida y retardada sin interacción en la CPI. B: celular bipolar, H: celular horizontal, G: celular ganglionar. Las distintas formulaciones para explicar los efectos ON-OFF lineales, fueron condensadas en una estructura general por Escartin y Moreno-Díaz en 1978 como un resultado de aplicar la teoría de sistemas lineales en el espacio-tiempo a ciertas estructuras anatómicas en la retina. La figura 1.14 ilustra la idea básica de esos autores, que explica la interacción de señales rapidas y retardadas f~, f~ sin intermedio de la capa plexiforme interna. La formulación citada quedó posteriormente englobada en el primer esquema funcional que hacia compatible, de una forma elegante, los procesos lineales y no lineales, presentando una clasificación estructural de la práctica totalidad de los tipos especializados o no de la retina, dentro de un único esquema funcional (Moreno-Díaz, Rubio, 1980). La figura 1.15 muestra el esquema (actualizado) de interacción, vía amacrinas, propuesto entonces. Con posterioridad dichas propuestas fueron elaboradas, llegándose a una concepción unificada (Nunez, 1981). Pero la filosofía básica es esencialmente la misma, y es criticable a la luz de la coherencia requerida por una
teoría según la concepción de la síntesis de sistemas, (Rubio, Moreno-Díaz, Rubio- Royo, 1983). La formulación puede ser realizada de la siguiente forma. Supongamos que f~ y f~ son las dos versiones mínimas, rápida y retardada, de los estímulos (o imagen) incidentes en la retina. Las dos posibilidades de interacción presináptica en la CPI proporciona: donde se ha supuesto una inhibición lineal con factores k~ y kv. La rectificación en media onda genera, después de una int&acción aditiva en la propia ganglionar: Las ecuaciones (1.12) corresponden a procesos tipo ON y tipo OFF respectivamente, y en la ecuación (1.13) aparece por consiguiente, los términos ON-OFF no lineales gracias a los dos mecanismos introducidos por (1.12). El caso de proceso lineal aparece en la ecuación (1.13) como consecuencia de suponer que no existe interacción presináptica, por lo que k~ y k~ serían nulos. Poniendo además la condición de que f~ y f~ sean positivos, (1.13) queda reducida a: que generan de nuevo respuestas tipo ON, u OFF, dependiendo de los signos de ki y k2, pero lineales en este caso.
Fig. 1.15. Interaccción vía amacrinas, donde no aparece la acción de horizontales. A: Células amacrinas. Desde el punto de vista formal, el razonamiento anterior es impecable. La primera dificultad seria en este esquema procede de que, en los registros de potenciales lentos en retinas uisladas (Boyccot, 1974) las señales que provocan la respuesta OFF son señales de depolarización. Esto obliga a reforrnular la ecuación (1.13),_que quedaría de la forma: Esta expresión, formalmente equivalente a la ecuación (1,13), tiene una interpretación muy distinta en lo que respecta a los posibles mecanismos presinapticos, ya que en lugar de dos operaciones básicas presinápticas, obliga a admitir una única operación de rectificación en doble onda. La síntesis de las dos opciones anteriormente expuestas, es posible dentro de un único diagrama que confirma la ecuación (1.15) como la más probable en los mecanismos presinápticos. Tal síntesis está esquematizada en la siguiente figura:
Fig.l.16. Opción de síntesis de las dos situaciones dadas por las figuras 1.14, y 1.15. De aquí es posible pasar a una formulación de acuerdo con la estructura por capas de la retina, con las expresiones espacio-temporales correspondientes. Una primera conclusión importante, es que los únicos procesos locales a nivel presináptico ocurren por medio de las células amacrinas. Los procesos ON-OFF en las células no especializadas no ocurren nui~ca, pues, como el resultado de una interacción local. As1 mismo, como consecuencia,las senales retardadas son siempre depolarizantes. I'or otro lado, lo anterior obliga a reformar la expresión (1.15) cuando se considera el espacio. De estas expresiones de las operaciones temporales ON-OFF, resulta importante, para dilucidar qué tipos de mecanismos operan en la retina, el estudiar el intervalo de separación entre los máximos de las respuestas ON-OFF y compararlo con la distancia entre las discontinuidades. Si la distancia entre dichas respuestas es mayor que la distancia entre las discontinuidades, y aproximadamente igual a la distancia de las discontinuidades positivas, el
intervalo entre el inicio de una respuesta ON y su completa desaparición, L--A.. -..,-. LCUUL~UUU üi~ ;;;eeaoismo retid ON=OFF en dende ni existe interacción de aferentes, independientemente del caracter lineal o no lineal de las operaciones postuladas acerca de los efectos acumulativos de la excitación total e inhibición. Si dichas distancias son comparables, se concluye que necesariamente debe haber un efecto de interacción lateral de aferentes, que neurofisiológicamente ha de corresponder a procesos inhibitorios presinápticos a las ganglionares. Este argumento se ilustra en la figura 1.17. El análisis de los resultados experimentales presentados por Hochstein y c IAVK\ .-...n..t,n, .-l Cfirmn ~;cfnrnitio~ n110 19 bi~t~nri2 entre anapley \LS r &i, LCI I d,, 111~1231,~ aii ~e LVL LULI IJ~~~~~~~~~-~~, -- --------- ----- máximos de las respuestas ON y OFF son siempre del orden de la distancia entre las discontinuidades del estímulo. La consecuencia inmediata es, que todas las células de respuesta ON-OFF han de tener un comportamiento no lineal que se deriva de la existencia de interacción lateral presináptica a las ganglionares, y no esencialmente debida a no linealidades que puedan estar presentes en la propia acción sináptica, tanto excitadoras como inhibidoras. De acuerdo con la estructura anatómica de la CPI, los candidatos obvios --Ll_-_I . . I .,. -----S-- -i- vrn rrrr\n>nnr\ 1-0 cnn onmn xrg PmnC Jirhn lsc. responsames ue urra inkr ar;wuu UAU~UQ pi=curiulrLbcr uvn, rvrrrv .. h------ -----, --- células amacrinas, que se intercalan y afectan a la sinapsis bipolar-ganglionar. Si aceptamos que la interacción lateral es de este tipo, esquematizado en la figura 1.17, se concluye, que esa interación lateral ha de ser siempre inhibidora presinápticamente a las ganglionares. Por otro lado, Frumkes y colaboradores, han encontrado a través de la acción farmacológica de la glicina y del ácido-aminobutírico, que la acción ganglionar es por lo general desfacilitada por la acción amacrina, (Frumkes et al., 1981). Esto,
b) Acelerar y optiniizar el-proceso de diagnostico que lleva a la identificación de la situación, por medio del uso cie pistas intersensoriaies que determinan el abanico de posibles situaciones que han de ser consideradas por cada modalidad sensorial por separado. C) Reparto de las estructuras de diagnóstico por diferentes modalidades sensoriales, de tal furnia que la inlOriiiaciQn cruzada es usada en reconocimiento con el fin de incrementar la fiabilidad, ya que introduce la posibilidad de suplir la carencia de datos por lesión de algún sensor, o la baja entrada de información. Este punto se consigue con el uso conjunto de las transformaciones intersensoriaies (Ti), entre mociaiidades sensoriales diferentes. Según ésto, las transformaciones i ntersensoriales no sólo serán importantes por ellas mismas, pues permiten reconocer apariciones de una modalidad sensorial usando otra modalidad de naturaleza sensorial diferente, como veremos mas adelante, sino que forman parte de un sistema complejo de reconocimiento de formas (KF), que incluye la posibilidad de la existencia de una lesión en las vías específicas de transmisión de información desde sensores a corteza, o una baja entrada de información a través de las vías sensoriales, o sea, fiabiliza el sistema. En principio, los procesadores correspondientes a la corteza sensorial primaria, podían quedarse fuera de uso por las posibilidades citadas. Sin embargo, experimentos de J. Gonzalo, teóricamente tratados por Mira y colaboradores, (Mira et al., 1978), muestran que éste no es estrictamente el caso. Es, en términos de TI, donde hay una solución sencilla a esta cuestión. Ésta consiste en la existencia de TI entre los procesadores especificos para cada modalidad sensorial,
en el córtex primario,(Moreno-Uíaz, Mira, 1984), (Mira, Moreno-Díaz, Delgado, Suárez-Hraujo, 1987 3. Por-todo ello las transformaciones intersensoriales son un concepto imprescindible, junto con el de integración rnultisensorial, para el buen funcionamiento de los sistemas naturales y artificiales en su aspecto reconocedor. De todo ello se deduce que los conceptos de transf'orinaciones intersensoriales e integración multisensorial, son dos conceptos revolucionarios en nuestro campo, por la amplia gama de posibilidades que abren, y el basto número de soluciones que ofrecen a 10s procesos sensoriales computerizacios. 2.1.2. 'I'ransformaciories Intersensoriales. En general, una transformación intersensorial se entiende como la conversión de datos sensoriales procedentes de una modalidad, en datos correspondientes a otra modalidad. Esta transformación se realiza con el amplio objetivo de reconocer propiedades o formas de la primera modalidad utilizando la segunda. El problema de las Transformaciones Tntersensoriales ha tenido su origen e inspiración en el anaiisis de ia estructura de prótesis sensoriaies generaiizacias, (SuBrez-Aráujü, 1984), (Suárez-Araujo, Moreno-Díaz, 1984). En las consideraciones teóricas de prStesis genera!izlid-_c esti imp!icit.amen'.e admitido que cada modalidad sensorial tiene sus propias estructuras para proceso y reconocimiento. En esencia, este problema se corresponde así mismo, en sus casos más sencillos, con la transducción, que es muy familiar en la instrumentación física. De hecho, considerando al observador humano normal al final de una cadena de instrumentación en un experimento, la propia cadena experimenta1 puede ser considerada como un transformador intersensoriui, que transforma datos
sensados y no perceptibles por dicho observador, en otros que sean accesibles por una de ias mociaiiciaaes sensoriaies ciei mismo, típicamente visual o audiiiva. Por consiguiente, los campos de aplicabilidad de una teoría apropiada de las transformaciones intersensoriales, van desde la teoría de la instrumentación, la formalización de las estructuras de prótesis sensoriales, a la obtención de estructuras computacionales corno paradigma de fiabilidad cortical, y cuando se incluye entre los efectores la posibilidad de acción mecánica, llega hasta el campo de la utilización de los datos sensoriales en sitemas robóticos, (Suárez-Araujo, 1984). Los datos sensoriales correspondientes a una modalidad A son recogidos por los transductores o sensores correspondientes, y en general alimentan un sistema complejo de reconocimiento de formas en dicha modalidad. Por otro lado, partiendo del apropiado espacio de representación de otra modalidad sensorial IB, existen reglas de síntesis o generación de datos que pueden ser percibidos, a través de los efectores correspondientes, por cualquier otro sistema con sensores para dicha modalidad. La estructura del espacio de representación de la modalidad B a de estar lógicamente de acuerdo con la naturaleza del análisis y percepción que el sistema exterior vaya a reaiizar sobre esos datos. i,a cuestión diferencial en un sistema de tranformaciones in tersensoriales, consiste en establecer transf0_rmrd0fie': & r.rlrrespcfi&fi& entre 1~s CIqp~-i~- rPprPs~n'.s&n las modalidades A y 11, (Suárez-Araujo, Moreno-Ilíaz, J 984). La naturaleza de los espacios de representación no está limitado, a priori, pudiendo ser espacios cuyas coordenadas representen: - Magnitudes fisicüs.
- Funciones de estas magnitudes, .como propiedades de bajo nivel de los patrones cie eniraaa íveciores de nionwnto, vectores de coeficiente de Bessel). - Propiedades expresadas a nivel semántico y las mismas a nivel simbólico. Asi mismo, 1á naturaleza del nivel del espacio de representación en la modalidad A no tiene, en principio, por qué coincidir con la naturaleza del nivel del espacio de representación de la modalidad H. Ei esquema general de un sisteniü que reaiice transformaciones intersensoriales, acorde a nuestra explicación, se muestra en la fig. 2.1, (Suárez- Araujo, 1984). I I ESPACIO IJh K:~ISA(:lO llh HEt'I<tiSYN'I'Aí:ION l(b~l'lil~,~itiN'~Al~lON l)k~~~~~lJl~l(~A(~lOP~ I>E LA MOI)AI.IIJAIJ A Ilk: l.A MO1JAI.IIJAIJ II 1 ESPACIOIJE ( Fig. 2.1. Esquema general de un sisterriü de transf0rniüciones intersensoriales.
El proceso de transformación intersensorial consta de tres etapas fi?uduurrntu!es: 1) Generación del espacio de representación, físico o abstracto, de una modalidad sensorial A, a partir de los datos recogidos por un sensor o mosaico de sensores. Este problema coincide con la generación de espacios de representación en reconocimiento de formas. El motivo de ésto, está en que el reconocer un patrón supone una categorización o clasilicücióri de un conjunto de entidades o apariciones, debiendo e A,,, A;,h* nn,:.,,c,, ,.,.... ,.,... 'J,. ..,- ....-----A- -J---:- ..-- ..- --a ...- I~GUGL ULCILN CIVAIJULLW, pai a wr I txuiiv~iuu, uiia cur 1 oapuiiucxicisi cvii uir cuiijurib de estados internos o características (Fu, 1980), que forman el llamado espacio de representación o espacio de características. En general, un espacio dc representación está construido por*un conjunto de parámetros medibles de !U configuraciún sensorial de entrada, que son significativos en una tarea de reconocimiento del mismo. En ese sentido un conjunto de valores de dichos parámetros, sirve para caracterizar el patrón de entrada correspondiente. La decisión acerca de que los parámetros elegidos para caracterizar los estímulos, sea o no significativa descansa. normalmente, en su utilidad en un proceso de reconocimiento. La manera típica de de terminar qué parámetros son significativos, consiste en la aplicación de procedimientos heurísticos seguidos de la correspondiente experimentación que determina la utilidad práctica, o significación de los parámetros elegidos. 2) Producción de datos sensoriales elementales, secuencia de ellos, acciones e!ezlenta~es e, de las misrlas, "irá B, a de
su propio espacio de representación. Dentro de este problema cae la generación de patrones visuaies o auciiiivos, así como, en generai, ia generación de cadenas de acciones robóticas. Las situaciones típicas eri Ins que se hace necesario la generación de patrones sensoriales a partir de espacios de representación son: a) Reconstrucción a partir de una representación en el espacio de propiedades, en el mismo espacio sensorial de entrada, con objeto de determinar semejanzas y discrepancias entre el estimulo inicial y el reconstruido. b) Generación de patrones sensoriales a partir de un alfabeto básico, más reglas de composición. La situación a) aparece en los esquemas de reconocimiento y clasificación de formas. En estos esquemas al llegar al espacio de representación de propiedades, se suele realizar un primer test de la velidez de la representación en dicho espacio, que lógicamente tiene un contenido de información muy reducida, tomando los descriptores correspondientes a un punto de dicho espacio, deshaciendo la transformación que ia produjo y originando otro patrón sensoriai en ia misma modalidad. El nuevo patrón generado, lógicamente, discrepará del original, tanto menns, riifin tn miis gpmpia& haya side 12 r~p-~s~fi!.i-ción redur.i&. ----- ------- Las tres situaciones más corrientes de este tipo de reconstrucción son las siguientes: al) Si el patrón ha sido caracterizado por una representación de Fourier, el espacio de representación corresponde a los términos de la serie una vez truncada ésta, o limitada en banda. La reconstrucción, por
consiguiente, trata de generar un nuevo patrón de la misma moaaiiciad, pero construido, en generai, a partir de muchos menos términos con sus amplitudes y fases adecuadas. términos, que en este caso se lirnita a la suma de los correspondientes unto Hn la caracterizwión por rnoinentos de patrones, se elige I un conji pequeno de éstus, que ha de hcr significativo. Con las reglas de síntesis apropiadas (Cantón, 1982), se genera el nuevo patrón en la misma modalidad sensorial, y se procede como anteriormente. En ia caracterización por medio de dobies transformaciones tipo Fourier, o por medio de núcleos tipo Bessel, se eligen de nuevo un conjunto reducido de éstos, como significativos. A patir de ellos es así mismo generado el patrón que ha de ser comparado con el original, a efectos de decidir la bondad de la elección realizada, siguiendo criterios apropiados de semejanza o discrepancia (Mendez, 1983). En el segundo caso de producción de datos sensoriales, el alfabeto básico contiene distintos estímulos sensoriales que pueden ser considerados como unidades más eiementaies. Así, por ejempio en el caso visuai, el alfabeto para generar patrones tipo blanco y negro consiste en los distintos niveles posibles para rada pix~!. Para g-n-ra~ian & pt.r~n~s en ci!~r, a!fahph puede c~n&t;ir en niveles de intensidad posibles para cada una de las componenentes cromáticas. Nótese que en el primer caso sólo existe un elemento del alfabeto para cada pixel mientras que en el segundo contiene tres símbolos. Esta situación es así en general, es decir, los símbolos pueden aparecer simultaneamente, todos o en partes.
La siguiente componente en este tipo de generación de patrones es la existencia de una regia o regias de composición, cie tai manera que a un punto del espacio de representación se le haga corresponder un conjunto de los elementos del alfabeto elegidos, compuestos según la regla. Para proyectar el espacio de representación en el espacio sensorial se puede seguir la opción es de: bl) Mantener la regla Fija y cambiar los elementos del alfabeto que son elegidos de acuerdo con el punto considerado. b2) Mantener los elementos del alfabeto y cambiar la regla de eomposición, b3) Situación mixta de las anteriores. En la generación de patrones auditivos, si los elementos del alfabeto son tonos puros, ta opción bl) supondrá el considerar un sólo tono, parejas de tonos, trios de tonos etc ... con una única regla de composición, por ejemplo el hacerlos sonar en acorde o en secuencia. . I La opcion bS) c<inristira tfim~r siemnro -r-U trwic~ VLaUvU los tenos h&iros y .lacer!oc, sonar en un tipo de secuencia o en otro, según el punto que se trate en el espacio de representación (permutación de los elementos del alfabeto). La opción b3) es, evidentemente, la mixta de acordes secuencias. La más apropiada para una aplicación concreta habrá de ser decidida en función ue la capacidad discriminadora del receptor que se esté considerando.
33 Esi;aijiecimien¿o cie ias apropiadas irünshrmücioneu, o co~=reuporideiicias, que permitan pasar del espacio de representación de la modalidad A al de la modalidad 8. Consideramos inicialmente el caso de espacios de representación de nivel medio, que son espacios continuos de una cierta dimensión N y que para una modalidad sensorial A viene dado por las coordenadas (a 1, az,....,~~). Un punto (al, ag, ....,=N) en este espacio, corresponde a los valores de los parámetros medibies de ia configuración sensorial de entrada que le caracteriza. La naturaleza de las (a¡) ha de ser tal que la distancia entre dos puntos del espacio de representación proporcione una medida de la semejanza o disparidad entre los patrones sensoriales a los que corresponde. Esta* distancia es cualquiera de las utilizadas normalmente en reconocimiento de formas (Euclidea, de Mahalanobis, etc, ..J. El espacio de representación de la modalidad sensorial 1i tiene una estructura semejante, aunque de diferente dimensioriaiidaci, M. fina\ lrlc prám~tris q~e -aracterk-_n_ &e segi~ndo espacio de Sem (DI, fi~ ,.... , rL"1, --w representación. En general, una correspondencia entre ambos espacios es cualquier regla de Lransforrnación, tal que: donde o: y P son vectores en los espacios correspondieriles, y 11, en principio, es una transformación arbitraria, incluso de niituralezii algorítmica, es decir un
programa o familia de programas, que actúa tomando como datos los valores de íaii para generar ios vaiores Se (jji). - El caso mas sencillo corresponde a las transfiwrnuciones lineales, es decir: Si p y son vectores horizontales, C es una matriz M x N, de números reales o complejos, según los espacios de representación A y H. Un requisito exigible en este tipo de transformaciones es, que si en el espacio A dos puntos correspondientes a dos patrones están próximos, esta proximidad se conserve en el espacio H. Esta condición se cumple si la distancia Euclidea entre dos puntos iniciales, d~, y la distancia entre los puntos transformados, d~, tiene una relación de la forma: donde -c es una función monótona creciente, tal que ~(0) = O. El ejemplo más sencillo de relación monótona creciente es : Ci, = KdA (4 1 Para este caso las condiciones que debe cumplir la matriz son inmediatas: cuando:
Operaciones Algoritmicas Globales Y Espacio de los ____) Sintomas Locales Fig. 2.3. Operaciones en el espacio multisensorial. Opción 2: (Opción analítica por modalidades sensoriales, pero un único clasificador final, Fig. 2.4 ). Opera de la siguiente forma: 1) Parte de espacios sensoriaies y extrae propieuacies en cada uno. 2 j Hiimenian, dichas propiedades, a un clasificador que genera a un nuevo espacio de propiedades multisensoriales, donde las reglas de clasificación típicas generan los síntomas. Si se analizan anatómicamente (no funcionalmente) los distintos sistemas sensoriales de los seres vivos, esta opción parece ser extraordinariamente atractiva como paradigma del sistema nervioso (Sutro et al., 1966), y co~no paradigma de la robótica actual.
Propiedades Sensoriales Kxtrac~ores de de En~racia i'ropiudnues Síntomas Locaes TEMI'EKATUKA ,F] Fig. 2.4. Esquema analítico por modalidades sensoriales. Gesde ei punto cie vista formai ia opción 2) es reciuciibie a la ii, pero no MEMORIA tviceversa. Modalidad Clasilit:atloreu AdiipLivos tle ltcsoluciórt Vuriul)lt: Fig. 2.5. Escalonamien to mu l tisensorial.
El escalonamiento "per se" de la adquisición y proceso de la información - m-a~tiseiisoi=~al tiene la funcional y simplifica& rLustrada en la figura 2.5. Este esquema simplificado está inspirado en una-visión globalizada y lógica de la evolución biológica de los sensores (McCulloch, 1968). En él, cada modalidad sensorial puede considerarse equivalente a un mosaico de sensores, seguido de un preproceso y un clasificador adaptivo. El clasificador es adaptivo en el sentido de que: a) Su resolución de salida es variable. b) Las clases de equivalencia que se seleccionan y las reglas de clasificación son asímismo variables. a) y b) Dependen 2 - 1 - - - -= - 1 3 - . .- L.-- -1 - - .- 1 ... - -1 12 -1 3 ue ia senai ae encraaa en ia rnoaaiiaaa, en otras mudaiidades ó de la hisiória del sistema a través de instrucciones de centros superiores. Las respuestas de los clasificadores aduptivos de cada modalidad pasan a un clasificador multisensorial, que es asímistrio adaptivo. Este clasificador actúa sobre datos de distinta significación, según el grado de resolución de los clasificadores de cada niodalidüd. El comportamiento de un sistema de adquisición y proceso estructurado de esla manera puede ilustrarse en los casos límites de mínima y máxima resolución. En el primer caso, los clasificadores adaptivos proporcionan una única salida cada uno; y el sistema rnultisensorial se cornport;i corno un conjunto de sensores: uno por modalidad, algo así como un fotosensor de amplio espectro, un micrófono integrador etc. Si la instrucción central es de accirjn con máxima resolución para todas las modalidades, a la entrada del clasificador multisensorial se reproduce el espacio multisensorial de entrada que caracteriza la estructuración integrada, y por lo tanto esta situación corresponde a la máxima finura y poder discriminante. En una situación intermedia, la instrucción central puede ser de búsqueda, de manera que una mociaiidaci, ia auciitiva, por ejempio clasifique en muy pocas
clases, por ejemplo composición espectral en tres bandas. El resultado de esta clasificación sencilla, determina enioiices la resdüci6n y tipo de patrvnes posibles a ser explorado por el sistema visual. 2.3. ARQUITECTURA COMf~UrI'ACIONAI, Cfl:NEKAIAIILSAílA. 2.3.1. Introducción. En el sistema nervioso central (SNC) los caminos sensoriales específicos se transforman en muiiifuncionaies en su trayectoria hacia heas nias cenides, donde tiene lugar la integración sensorial, de tal forma que estructuras que son específicas pueden, bajo circunstancias, ser usadas por diferentes modalidades sensoriales. En otras palabras, la especificidd funcional es menos dogmática y más circunstancial cuanto más zonas centrales sean consideradas en una vía sensorial. Consecuentemente, una estructura global teniendo valor paradigmático razonable para el sistema nervioso central puede ser obtenido cuando ambos conceptos, integración multisensoria1 y transformaciones intersensoriales, son tomadas en cuenta conjuntamente. Así, se obtienen esquemas pr&cticos, ius cuales son usadas para la síntesis de sistemas robóticos avanzados. Lo anteriormente expuesto nos dirije hacia la propuesta fundamental de una arquitectura computacional generalizada que constituye un paradigma de acción y fiabilidad cortical, que ayude a reflexionar, teorizar sobre las propiedades computacionales del sistema nervioso (SN), así corno intentar explicarlas. Centrandonos en la funcionalidad y estructura de la corteza, la formalización de la misma como una matriz de procesaciores de propósito general en los que las
transformaciones intersensoriales y la integración multisensorial constituyen parte indispensable ciei procesado de información entramos, de iieno, en la propuesta citada. . 2.3.2. I,a Corteza como Matriz de I'rocesadores de Propósito General. Paradigma de Acción y Fiabilidad Cortical. Una representación simplificada de diversas funciones corticales de nivel medio, como son aceptadas normalmente, en teoría del cerebro, se muestra en la figura 2.6. Representa un típico proceso de integración sensorial, cuyos objetivos son los diagnóticos de una situación global sensorial externa. Los datos sensoriales (DS) de cada modalidad son preprocesados en las vías específicas antes de que lleguen a la corteza, de tal forma que tiene lugar una traducción a un lenguaje simbólico específico. Este lenguaje es el que entiende el procesador en la corteza sensorial primaria. Es importante puntualizar que el mensaje transmitido a la corteza primaria está ya representado en un lenguaje, que probabiemente es mucho más complejo que ei código de puiso normaimenie aceptado en neurofisiológia tal que, en este nivel, la representación de la salida neirrinal tiene 1-bar a través de ir= prncesn alpnrítm-icn ( Mira, Delgal~, 1984);
Fig.2.6. Diagrama simplificado equivalente de cvrnputaciones corticales que conducen a la integración multisensorial. La corteza sensorial primaria clasifica y etiqueta las correspondientes *. apariciones sensurisiles. Esta c~as~ficaci~n etiqUetadu son cc;nsezüeneia de !u organización en espacios de representación y de la aplicación de reglas de clasificación y decisión que son adquiridas, unas por aprendizaje y otras por instinto. Una de las propiedades implicitas, normalmente adscritas a los procesadores de la corteza sensorial primaria, es su casi total especificidad, de tal manera que practicamente no posibilita que la transformaciones intersensoriales tengan lugar, sino que justo despues de la integración multisensorial converge en el diagnóstico global.
Lo anterior, es una consecuencia de admitir que el fenómeno crucial de conseguir una convergencia en diagnósticos es una integración muiiisensoriai de alto nivel sin comunicación intersensorial previa. El diagrama de Iü figura 2.6, satisface estos requisitos. Obviamente, este diagrama puede ser sofisticado añadiendo una serie de refinamientos en los procesadores correspondientes a la corteza sensorial primaria y a la corteza asociativa o de integración, tal como un modelo sensorial del entorno expresado en un lenguaje mas o menos abstracto. Asímisi~io, la existencia de caminos de realimentación pueden ser incluidos para adaptar la resolución y consiguiente coste computacionai de ios procesadorcs (Moreno-üíaz, ivíira, i984i. ¿os conceptos de Transformaciones lntersensoriales permiten, sin embargo, un cambio cualitativo en dicho diagrama. Si asumimos que sucede una lesión en las vías específicas, los procesadores correspondientes a la corteza sensorial primaria llegaran a estar fuera de uso, puesto que no hay entradas, según la figura 2.6. Sin embargo, éste no es estrictamente el caso, segun explicamos en sesiones previas. Ésto es, la especificidad absoluta de los procesadores en la corteza sensorial primaria (CSP) tiende a desaparecer en ei caso de iesión de ias aferencias específicas, después de un proceso de aprendizaje. Además, los inconvenientes que resultan de las . , lesierres de !U CSP pueden ser dismini?i& &QPQ& del mimo, tal que 1- fiincion eliminada es parcialmente asumida por las estructuras corticales restantes. Lo expuesto puede expresarse, en principio, en términos de un objetivo de comportamiento global, como se hacia antes para la integración multisensorial. Es decir, existe un compartimiento adaptivo de las estructuras específicas de diferentes modalidades sensoriales, tal que, después del aprendizaje, información intersensorial puede ser utilizada para aumentar la fiabilidad y contribuir a
optimizar el uso de las estructuras que quedan después de las lesiones o cuando hay una ba~a entrada de información en un cariiino sensoriai. Sclisorcs y Vius tispecili(:us Corteza Sensorial Primaria Diagnósticos Sensores Fig.2.7. Diagrama de computaciones corticales con fiabilidad de la CSP, mediante -1 m.,, a, +,nnncn-n,:,n,n :,+,,,,nn,,:n1,n CL UJU uc I,L aualuL LLL~LIUIICJ IL~~GL JGUJU~ 1alcs. En términos de transformaciones intersensoriales, hay una solución teoríca sencilla para la cuestión anterior. Esta solución se presenta en la fig.2.7. De acuerdo con ello, hay transformaciones intersensoriales entre los procesadores específicos para cada modalidad sensorial. La naturaleza de estas transformaciones corresponde, en principio, con la sugerida por Suárez-Araujo y Moreno-Díaz, (19841, ésto es, son transformaciones que relacionan espacios de r~nr~s~nt.nritín simhAlirv,<: JP Jif~rpntp rlim~nsinn~ilirlg-irj - -=- ------------ ------------ -- ----'------'---.
Es necesario distinguir dos cuestiones relacionadas con la forma en que estas transformaciones operan. Primero, la transformación entra en juego. 1) Cuando hay un exceso de información sensorial desde una vía sensorial A hasta su procesador central más espacífico, y hay dimensiones que están libres en los espacios de representación de otras modalidades sensoriales R,C. Este exceso de información aparece como una consecuencia de una reducción traumática en los procesadores de funcionalidad específica de A. La transformación sale desde A hasta H,C. 2) Cuando, debido a una lesión traumática o a efectos circunstanciales, hay un bajo flujo de información sensorial desde las vías sensoriales de una modalidad A, lo cual deja dimensiones libres en su espacio de representación. Llichas dimensiones pueden ser ocupadas por datos mediante transformaciones desde otras modalidades sensoriales H,C. La segunda cuestión de vital importancia en el proceso descrito, es que el papel del nuevo dato simbólico, que es representado en un espacio de representación diferente, debe ser aprendido de acuerdo con la experiencia total del sistema. El dato que era utilizado para etiquetar puntos en el espacio de representación.
2.4 INTEGRACION I'A HA I,A I'E ItC I!: I'C ION- I'I~ANTFICACION- 2.4.1 Introducción. Los sistemas robóticos generalizados son probablemente uno de los paradigrnas más completos del comportamiento natural, de tal forma que pueden ser considerados para mostrar un comportamiento artificial en el más alto sentido del término. capaz de sensar el entorno, percibirlo e interpretarlo en términos de modelos más o menos generales del entorno y de él mismo; capaz también de computar estratégias de acción apropiadas, planificar y proporcionar métodos de acción admisibles y capaz, finalmente, de activar secuencias de motor y acciones efectoras, teniendo formas de controlar dichas acciones. Dicho sistema completo es todavía un deseo. Una de las cuestiones centrales para este objetivo es cómo se integran meta reciente, herramientas de la inteligencia artificial moderna están dando alguna luz en la construcción de dispositivos prácticos. Hace más de veinte años, miembros de un programa de investigación llevado acabado en el laboratorio de instrumentación del M.I.T. (Su tro e t al., 1964), aunque inicialmente trataron con percepción visual artificial, comprendieron que muchos problemas de percepción artificial no serían comprensibles a menos que el sistema perceptual fuera considerado para ser integrado dentro de una clase de sistema robótico. Entonces, las cuestiones del uso óptimo de datos visuales era conjuntamente tratado con el
2.4.3. Componentes Esenciales de la Estructura General para la 2.4.3.1. Mando y Control. La función básica de un sistema de mando y control es comprometer al sistema total a un modo global de comportamiento que pertenece a un no muy largo conjunto de ellos. Ésto es lo que le permite comportarse como una unidad integrada en lugar de como una debil conexión de sensores, efectores y procesadores separados. En este sentido un computador de mando y control es un paradigma próximo a la operación de la formación reticuiar en vertebrados (Kilmer, McCulloch, 1969). Todos los modos de comportamiento son incompatibles entre ellos. Algunas propiedades generales pueden ser establecidas por dicho computador. Primero recibe información relativamente no procesada de todos los sensores situados en los subsistemas sensorial y efector. Segundo, proporciona señales que controlan, adaptan y regulan los filtros de todas las entradas externas. En palabras de McCulloch (Moreno-Diaz, Mira, 1984), "esta es la estructura que decide qué buscar y habiendolo buscado, qué tener encuenta". También controla todo el flujo de información desde y hacia los niveles mas altos de computación. nnnrln *ir. r\.-rntr\ rlri .r;c.tn ri<.trrlntiirn 1 nc-i-a c.;ctrimo Jrrhn tanor iin~ ~lrniiitantiira UG3UG ULI ~UII bu UG v 13I4 6011 U~IUL al, G~IG oioribiiiu urur ubri~i urru ui yur vvvuur u modular, o al menos, debe simularla. La idea básica es que un conjunto de unidades computacionales (UC) sea tal, que cada módulo computacional reciba información de solo una parte reducida del total. Cada UC es capaz de dar diagnósticos generales acerca de situaciones globales de entrada y diagnósticos especializados acorde con los valores de un subconjunto concreto de líneas de entrada.
- - Un consenso de ios ciiagnósticos, 10s cuales corresponden a la selección de un modo simple de comportamiento, deben ser buscados por las unidades computacionales en un tiempo reativamente corto. Ésto requiere una fuerte intercomunicación entre las unidades de computación, la cual es una característica de los procesadores cooperativos, (Mira, Moreno-Díaz, Delgado, Hay dos propiedades básicas de los módulos computacionales, que pueden ser establecidas fácilmente por medio de la terminología de sistemas expertos. En realidad, podemos mirar ias unidades computacionaies como si fueran sistemas expertos simplificados, trabajando sobre sus propias bases de datos y con su propia máquina de inferencia sobre su dominio especializado de entradas sensoriales. Además, ellas son capaces de ceder ante la evidencia en diagnósticos de otras unidades las cuales muestren tener información más relevante para el caso. Esta "cesión" debe ser entendida en el sentido de un reclutamiento del resto de los modulos por aquellos que tienen más información acerca de sus diagnósticos. El resultado de esta fuerte intercomunicación es que el sistema converge en un modo, en el sentido de que prácticamente todas las unidades deciden el mismo modo de comportamiento, aunque con diferente grado de confidencia. &&jdu!aridad y Uivic,ióE de habi!idud, con se!ap~TA~efit~, enke IUs de computación, son las dos características básicas de un sistema de proceso cooperativo. Así, reglas apropiadas de intercomunicación son el adendum necesario para alcanzar la convergencia. Esta arquitectura está supuesta para dos objetivos principales: 1) Acelerar los procesos de decisión por los que un modo de comportamiento es seleccionado; 2) El sistema está estructurado para presentar alta fiabilidad, de tal forma que llegará a un apropiado modo consensuado, incluso cuando alguno de los sistemas expertos estén destruidos.
La fiabilidad intrinseca exciuye cuaiquier decisión basada en un simple Órgano principal, porque su funcionamiento defectuoso implicaría una total inoperatividad. Ésto es, la conclusión de que se ha llegado a un concenso no puede ser la salida de cualquier unidad de testeo especial que recibe sus entradas de las unidades expertas. En lugar de ello, los modos decididos deben ser etiquetados de acuerdo con su procedencia para evitar mezclas, y se presentan en una estructura no computacional, ésto es, un conjunto de cables, o axones, o en otras palabras, en un tipo de bus de decisión que enviará esta información multisensorial al procesador central, al procesador de integración sensorial para obtener el modo o modelo multisensorial que determinará los diagnosticas sensoriales que serán utilizados en el proceso de planificación-acción. De ésto, se deduce que el lograr un concenso rápido, en el modo de comportamiento por el computador de mando y control es absolutamente necesario para que el resto del sistema opere coherentemente, porque, de otra forma, los diversos subsistemas de alto y bajo nivel a ser controlados, tendrán una alta probalidad de interceptar instrucciones de operación del bus de decisión, las cuales pertenecen a diferentes modos de comportamiento exclusivo, tal que se creará una situación neurótica. i;\, ,,,..,,, -1 ,A,,, 1 A,l ,,,,..+,A,, A,. ,,,A,, .. ,,,+,,1 ,, ,,,, 0,. l*c. ;lo+rrc uii LCDULLIGII, CI papr;i uci c,uliipubauul u6 uiaiiuu y ~usiuur 60 O~AA~UA iuu uuuvu sensoriales, decidir modos de comportamiento, enviandolos al bus de decisión, y tener una fuerte intercomunicación entre las distintas unidades para converger en un modo sencillo y único, tal que un comportamiento coherente sea garantizado. Todo ésto lo podemos observar en el esquema siguiente:
ENTRADAS SESORIALES BAJO PROCESAMIENTO A SENSORES Y EFECTORES Fig. 2.11. Estructura de un computador de mando y control. 2.4.3.2. Representación Multisensorial del Entorno. Como ya hemos explicado en secciones anteriores, hay dos formas básicas de estructurar la información multisensorial, que están presentes, o deben estar, en la estructura de percepción-planificación-acción, que estamos introduciendo. Ellas admiten diferentes niveles de representación, desde geométricos a altamente simbólicos, al menos para sistemas artificiales. Estas dos formas están
relacionadas con la finalidad de la representación, la cual tiende a ser óptima para discriminación entre patrones ambientaies o una representación para optimizar la adquisición de pistas por acciones. Estas corresponden, como sabemos a: a) Representación integrada, en niveles bajos de adquisición y en niveles altos de proceso de datos sensoriales. b) Representación escalonada, en la que la integración sólo ocurre en nivele altos, esto es, en estructuras simbólicas. Estas dos opciones están ilustradas en la figura 2.12 Estas dos posibilidades parecen coexistir en las estructuras computacionales altamente paralelas, (Moreno-Diaz, Mira, 1984). Así, cuando se intenta explicar el fuerte poder discriminante del sistema nervioso en niveles altos de reconocimiento y percepción, parece lógicamente necesario admitir que está presente un tipo de representación integrada, porque en bajo nivel, las pistas sensadas casi en primer lugar, como el pitch o el color, son pistas concretas para determinar situaciones de alto nivel. Tal dualidad está materializada en la estructura general propuesta en la figii-a 2.3. Ee hecho, e! sistema de mandu. y zontro! operará cm e! es<;Uemz de representación escalonada, ésto es dibido a que dicho sistema realiza, en los sistemas artificiales, las funciones corticales de nivel medio como son entendidas en teoría del cerebro. Por otro lado, los ficheros de representaciones del mundo y los sistemas de planificación, operan de acuerdo con la representación integrada. Ésto implica que, cuando el modo de operación es establecido, diferentes modalidades sensoriales llevan a cabo separadamente la taréa de extraer descriptores de nivel medio de las apariciones sensoriales presentadas, las cuales
son necesarios para la operación del computador de mando y control. Para ello, este subsistema está formado por ei esquema que hemos presentado, en secciones anteriores, considerando a la corteza como un array de procesadores de propósito general (Mira, Moreno-Díaz, Delgado, Suárez-Araujo, 1987). Sensores y Preprocesadores / e e e Extracción de Propiedades ESPACIO MULTISENSOKIAL PROPIEDADES DELMUNDO 1 REPRESENTACI~N DEL MUNDO Fig. 2.12. Ilustración de los dos mecanismos para representar datos multisensoriales. Estos procesadores están intercomunicados entre si para asegurar la fiabilidad del sistema. Ésto explica, en sistemas naturales, la capacidad del sistema nervioso de compartir estructuras computacionales de altos niveles después de la disminuición o destrucción de los canales sensoriales primarios, (Mira, et al.,
1979). Tal fiabilidad se consigue con las llamadas transformaciones intersensoriaies, entre los procesadores específicos para cada modalidad serrsorial (Mira, Moreno-Díaz, Delgado, Suárez-Araujo; 1987), las cuales sólo pueden ocurrir en espacios de representación integrados, como los de la figura. 2.12 (b). Una vez que los procesadores han realizado la clasificación y etiquetado de las operaciones sensoriales presentes tiene lugar una integración multisensorial que les permite converger en un diagnóstico global. Este diagnóstico alimentará a los restantes subsistemas, pertinentes, del esquema general, para poder completar el proceso del compo~tarniento de los sistemas naturales. Una vez percibida la sensación e icientificacia, se iieva a cabo una pianificación de ia acción a reaiizar y de los efectores a activar, lo cual se consigue con el subsistema de planificación y ficheros del mundo. Estos subsistemas trabajan con el esquema de representación integrada para la información multisensorial. Lo expuesto se puede plasmar en la figura. 2.13, que representa el esquema general de la estructura para la integración de percepción-planificación-acción extendida. De todo ésto se deduce, que el sistema de mando y control en sistemas naturales no tiene habilidad para usar directamente la información de las unidades computacionaies, actuando sobre datos sensoriales 10s cuales están disminuidos, mientras que en los espacios de representación multisensorial y nlanifiraririn, Pcta un-_ pQgihilida& En otras Pal&ras, parece haber dos r---------v- '-- --"- mecanismos diferentes para conseguir fiabilidad y rapidez en decisión y10 reconocimiento. Ésto es, el sistema de mando y control opera con unidades expertas que reciben datos restringidos, mientras que el planificador y estructuras de niveles más altos tienen unidades de propósito general que pueden trabajar con casi todos los datos procedentes de diferentes fuentes.
--m- $ PROCESA1)OK L) E -*, - IN'I'E(;IIACION SENSOKIAI. L I'LANIE'ICACION EN LA PKESENTE KEPKESENTACION DEL MUNDO FICIIEKOS DE: REPRESENTACI~N MUNDO REPRESENTACIONES DEL MUNDO ARCO REFLEJO Fig. 2.13. Esquema extendido de la estructura general para la integración de percepción-planificación-acción. 2.4.3.3. Planificación. La planificación tiene lugar en una etapa en la que ya tenemos la representación del mundo, diagnóstico global de la situación externa, la cual corresponde al modo de comportamiento seleccionado. Es normal considerar que ésto puede ser realizado en varios niveles de la elaboración de datos sensoriales. La cuestión de generar planes para resolver problemas complejos como una
cuestión de técnicas de inteligencia artificial, sugiere usar dos dominios problema de practica artificiai. Primero, está el problema del movimiento de formas sóiidas a través de un mundo restringido, y segundo, está el planificarla en bloques del mundo (Brooks, Lozano-Pérez, 1983), (Nilson, 1980). El primer dominio problema es muy cercano al de navegación de un robot evitando obstáculos, y está basado en un escenario cuya representación puede ser geométrica, teniendo bajo contenido semántico. El segundo dominio problema puede contener escenarios simbólicos y la planificación se realizará en niveles más altos. Esto sugiere una primera dicotomía en la planificación, que puede ser escalonada bajo el mando y control del modo de comportamiento seleccionado, como ilustramos en la figura. 2.14. La planificación en escenario de bajo nivel puede ser formulada en términos cuasigeométricos. El propio escenario es, la mayoría de las casos, determinado por un conjunto de variables independientes, definiendo un "espacio", más un número de zonas restringidas. Estas restricciones son volumenes Vi, con reglas de decisión que definen los miembros de Vi para cualquier punto del espacio. Los ob~etos son conjuntos de puntos (Pi ....., P,) no pertenecientes a Vi los cuales están sometidos a 1, ,,1,,:,,,, . , LcraGruiiGn ItK(lj). La generaz:ofi de üfi p!a~ cmsiste, esencialmente, en encontrar trayectorias para Pi, acordes con restricciones y relaciones, bajo un campo objetivo.
ESCENARIO DE BAJO NIVEL SELECCIONADO GENERADOR DE PLAN DATOS SENSORIALES ESCENARIO DE ALTO NIVEL SELECCIONADO GENERADOR DE PLAN Fig. 2.14. Ilustración funcional, no estructural, de una cadena de procesos en una planificación de dos niveles. En niveles altos, la planificación puede ser establecida de forma similar, cambiando apropiadamente el nivel de significación de los conceptos, y definiendo, convenientemente, las reglas para manejar escenarios, objetos, campos objetivo y A--- --- -LA ..: - LrayecLorlas. Realmente, pues, una vista integrada de un sistema que conlleve un comportamiento artificial no trivial requiere la inclusión, al menos, de los componentes generales descritos en las secciones precedentes. La estructura general propuesta es lo suficientemente concreta para poderse realizar en la práctica, y aplicarlas a sistemas robóticos visuales.
traslación lateral de la misma: a) Sin alleración alguna. b) En una cantidad pi.upurciuníi~ a S-c distaiieia a] P-unto = 0. En otras palabras, si suponemos un corte que contenga los ejes OX, OY, pasando por el supuesto origen, cada isolinea y, contiene el patrón aferente trasladado una cierta cantidad proporcional a y, como se ve en fig. 3.3. Restringiendonos, pues, al plano Z = O, y suponiendo un código de bajo nivel, es decir, un código expresable en términos analíticos, donde la variable x tiene cierta correspondencia con la frecuencia del patrón, o aparición de entrada, y la Llvarlauie y corresponde par&metro irldicaiivu de la. ijUi-2 traslación espacial, lo anterior es formulable en los siguientes términos: Sea V(x,t) la aparición tonotópica procedente de los centros inferiores que se proyecta en el eje Y =O, Z =O. Entonces en el plano Z = O, para cualquier y existe una proyección, que suponemos proporcional a y, dada por: salida en las fibras descendentes, dada por: O (x,t) = Mt íx,y,,;f) = V(x-yo$) O la cual es, de nuevo, una variedad de dos dimensiones. Sea 0 el centro de gravedad (c.d.g.) de la "aparición" original, computado por los centros inferiores. Esto es:
Además se asume que todos los valores significativos de V(x;t) están, después de las transformaciones, en la variedad extendida M(x,y;t). Esto es: se cumple para cualquier y, y lo denominaremos 9 gravedad de la variedad de salida, cuando yo es excitado: Nos resta calcular el centro de donde Ésto es: Luego, la variedad de salida será centrada, (p.e., p' = O) para P =-y,.
Se concluye que cuando la línea y,,, de la variedad extendida, es excitada, tal la salida es invariante a traslaciones en la variedad espacial de entrada, independientemente de la variable x. c) La diferencia fundamental con respecto a la propuesta de Pitts-McCulloch se refiere, no solo a la admisión de la existencia de una tercera dimensión, ni tampoco al código neuronal, puesto en cuestión repetidas veces, (Mira, Moreno- Díaz 1984), (Moreno-Llíaz, Mira 1987), sino, fundamentalmente, a la hipótesis de cómo el Sistema Nervioso Central determina invariantes. De acuerdo con los condicionantes instrumentales de la época, que incluso han sido arrastrados hasta momentos recientes, debidos a la baja tecnología computacional existente, cuando se planteaba el problema de la consecución de invarianws para el reconocimiento de patrones, se procedía en la búsqueda directa de tales lnvariantes, mientras que posteriormente se ha demostrado que es de costo mucho menor el transformar el patrón a un standard, basado en parámetros previamente computados. Para la transformación que nos ocupa, la invarianza traslacional en frecuencias puede ser conseguida de forma nitida, con bajo costo computacional, a través de la determinación, por ejemplo, del centro de gravedad de la aparición. Desde el punto de vista geométrico la propuesta de Pitts-McCulloch exige un promedio en la variedad M, mientras que esta propuesta requiere simplemente la
- apertura de una línea y, cuyo valor está linealmente relacionado con el valor del cl . ., c.u.g. de !a aprieion, es decir coz 0. B) Aún suponiendo un código interneural de bajo nivel, es decir analítico, el esquema de la corteza auditiva primaria, nos proporciona las bases conceptuales apropiadas para una teoría acerca de la percepción auditiva no semántica. En efecto, en tal situación perceptiva, el interés se centra en los invariantes sin conexión con el código. Por consiguiente, lo que la teoría sugiere es un eje adicional donde las invarianzas tengan lugar afectando al único parámetro adicional que queda libre, por ejer?iplu, a !as humoteeias. Seghn ésto, !=. M, a! menos, estaría estructurada en tres dimensiones tal que habría una traslación en dirección Z, donde la variable espacial es proporcionalmente comprimida o aumentada en un factor, que es un parámetro propio y computable desde la aparición original. De hecho, la estructura global es controlada, según ésto, por al menos, dos parámetrm de bajo nivel, el centro de gravedad P, y la razón de homotecias, o equivalente (posiblemente información binaural), K, que disparan las lineas en tal estr-uceura de tal iIialiei;a, el patrbn e:, recUnueidu de famla inrariante, pero le cuelgan etiquetas adicionales que informan acerca de cuál ha sido la traslación y cuál la homotecia. C) La estructura anteriormente propuesta descansa, en gran parte, en que los centros inferiores, sin códigos elaborados, determinen tanto el centro de gravedad como la razón de homotecias, o equivalente, mediante redes de neuronas apropiadas.
3.2. NUEVOS TEOREMAS EN DESCOMPOSICI~N PARALELO. 3.2.1. Computación de Invariantes por Al, frente a Homotecias. Sintetización Neuronal. Según la estructura espacial de la Corteza Auditiva Primaria (AI), y las bases conceptuales que dicha estructura nos proporciona, para abordar una teoría acerca de la percepción auditiva no semántica, habiamos visto, en el apartado anterior, una sugerencia teórica que ahora nos planteamos escudriñar y fundamentar. Esta sugerencia teórica consistía en la computación de invariantes por &A, er: !a Uimeuoiór: X, frefite a h~~otecias. Ystu uLlmuci6o teórir~, es de gm relevancia y completaría el paralelismo entre invarianzas auditivas y visuales, pero sólo tendría rango de afirmación dentro de unos márgenes pequeños, pues es ahí donde podriamos reconocer, como tal, un acorde que ha sido expandido o comprimido en el dominio tonotópico. Esta ei;estión, no obstante, es de gran relevancia, como deciamos, en cuanto dispara trzs interrogantes, al menos: a) ¿CUA es !a hneióil de eómpto de invarianzas qce, a nive! m sem&ntico, corresponde a la dimensión Z de la AI? b) ¿Cómo se integra esta función con el cómputo de invariantes traslacionales asociados, tanto teórica como experimentalmente, a las dimensiones X e Y de la C) ¿Cuál es una posible red neurona1 que compute la razón de homotecias, k, de un patrón unidimensional, utilizando métodos computacionales puramente aiialiiicos, no a~goriimicoso n-~-: -A-- - - L- -- -- 1 --A---- &.. J:&:.-- -..:.....-.&A : 6s~rlcranieri1,e, par íl ra cui vsza auui LL v a pi irrlai ia, e3
necesario un lenguaje formal de un nivel más alto que el analítico, pero algunas de las carac¿eristicaY de la p-ueden ser en este ya que obviamente, en la estructura del sistema nervioso, un centro no puede procesar en un lenguaje cuyo nivel sea más bajo que el de sus predecesores desde sensores a corteza. Esta última cuestión, puramente teórica, parece tener una solución no muy compleja si utilizamos una formulación mixta, es decir, si combinamos las formulaciones analíticas con las correspondientes a las redes de McCulloch-Pitts. Consideremos una "aparición" ciiscreiizaáa Se intensidades, il,i2, i;, ..., ij, ..., IN, organizadas como una "ristra": 1 I l 12 1 j N t-- No del elemento (pixel) Fig. 3.4. Ristra de una aparición discretizada de intensidades. - Acorde con esta aparición, confeccionamos el algoritmo que computa la razón de homotecias, k, lo que nos conduce a la solución de la cuestión c). 1) Algoritmo. 1.1) Recorrer la ristra en sentido creciente, y registrar la etiqueta "i" del primer elemento que se encuentre, tal que su intensidad correspondiente, Ii, sea superior a un valor umbral, 8.
i.Zj Recorrer la ristra en seni;iao aecrecienie, re gis ira^-do, de nuevo, 1a etiqueta "j" del primer elemento que se encuentre, tal que su intensidad, Ij, sea mayor que el umbral definido: 1.28 J 1.3) Calcular la razón de homotecias, k, de expresión: donde a es la dimensión standard de la aparición (constante prefijada). Una vez que tenemos el algoritmo buscado, existe un autómata que lo realice, y éste, a su vez, podemos sintetizarlo utilizando redes de neuronas formales. Con ello hemm encontrado la red neurona1 capaz de computar k. 2. Red Neuronal. 2.ii Rea para caicuiar i. Usamos neuronas formales de umbral, 8, a cada una de las cuales le llega como entrada una línea 1. Si la intensidad de esta línea supera el umbral, se activa la neurona dando una salida Y", si no, no se activa la neurona, y la salida es "O". El disparo o activación de la neurona correspondiente, implica una inhibición absoluta del resto de neuronas formales situadas a su derecha.
Fig. 3.5. Red de neuronas formales que computa el elemento "i" tal que Ii 2 0. Las s~iidas pasan a ser entradas de una única neurona formal M, con peso sináptico igual a i. Dicha red se muestra en la figura 3.5. 2.2. Red para calcular j. La red es la misma que para el cálculo de i, con la única diferencia de que todo elemento constituyente de la red, inhibe cuando está activado, a todos los situados a su izquierda.
7 ....**y .... **y..*.*.y F? R**-*R 5) R . . . (j *..o 8 RED DE INHIBICION LATERAL POR INTEKACCIÓN DE AFERENTES ....*....... Fig. 3.6. Red neuronal que computa la razón de homotecias de un patrón mnnnrlim~ncinncll -**V--VU*---II*U*"*~-*. Una vez determinados los cómputos neuronales de i y j, estamos en disposición de presentar un esquema neuronal generalizado que nos permite determinar la razón de homotecias, k. La red de inhibición lateral tiene una estructura tal, que cada salida de las neuronas de umbral, H, se bifurca en dos entradas, una excitadora y otra inhibidora, con los pesos correspondientes a sus etiquetas. Las líneas inhibidoras inhiben, presinápticamente, a todas las líneas de su derecha. Las excitadoras,
inhiben presinápticarnente, a todas las de su izquierda. El cuerpo de M integra todas las entradas resultantes para computar k, como se indica en la figura 3.6, tomando cx; los valores 1 o -1. Así mismo, basándonos en la equivalencia espacio-temporal de las redes de McCulloch-Pitts, podemos aventurar la existencia además, de una red temporal que también calcula k. 3.2.2. Formulación, en Matemática Cuasi-continua, de la Sintetización Neuronal. Una vez que hemos sintetizado la red neurona1 que computa la razón de homotecias, k, debemos completar el proceso desarrollando su formulación, en matemática continua o cuasi-continua, como herramienta formal, Esta formulación debe permitir un esquema computacional por capas, acorde con la estructura general de tal concepto, es decir, que nos permita trascender de los diagramas cableados. - Para que esta formulación, en cuasi-continua, mantenga la coherencia con dichos esquemas por capas, debemos ser conscientes de las dos mataméticas que le soportan, como son, la analítica y la algorítmica, así como del diferenciador de las e! condicima1 "if l. La existencia de un umbral, da el atomo del condicional. Asímismo, los condicionales, procedentes de los "if---then", son debidos a discontinuidades, y éstas, en sentido estricto, hacen una función no analítica, pues son el átomo de la algorítmica.
Fig. 3.11.(a) Patrón tonotópico.(b) Principio y final del Patrón. De las capas intermedias de la red neuronal se deduce un hecho, como es, la duplicación del número de elementos computacionales. Esto va a constituir una propiedad intrínseca del sistema. Esta propiedad consiste en la generación de un espacio redundante, de mayor resolución que el espacio inicial de resolución N, hasta terminar, nuevamente, en un espacio de ia misma resoiución que ia riel inicial, cuando se trata de conseguir la formulación cuasi-continua de una red neuronal arbitraria. Esto coincide con lo expuesto por Pitts-McCullo~h en su determinación de universales de percepción de formas visuales y auditivas, (Pitts, McCulloch, 1965). Esto nos lleva a concluir, que la formulación general que representa una red neuronal arbitraria, es decir, un autómata finito, es una alternación de capas computacionales analíticas y capas y algorítmicas puras, manteniendo la siguiente estructura, realmente potente:
3.2.3. Teoremas de Descomposición Paralela. Las conclusiones sobre la formulación general de una red neurona1 arbitraria, a la que llegamos en la sección anterior, las condensamos en los teoremas en descomposición paralela que tratan de la descomposición de Autómatas Arbitrarios en capas de Autómatas Lineales, separados por capas algorítmicas de la forma if ---- then. En realidad es un teorema que se desglosa en tres partes esenciales, cada una con vida propia, de ahí el tratarlos como tres teoremas. En la primera parte, o primer teorema, consideramos una red de neuronas formales con interacción de aferentes, sin realimentación capaz, cada una, de computar una función arbitraria de las entradas. En la segunda parte, trabajamos con una red con realimentación. Y por último, en la tercera, nos movemos con un autómata arbitrario. - Teorema 1 (TI). Dada una red neurona2 de "Nn neuronas formales arbitrarias con interacción de aferentes, existe una estructura compctacional por capas, formadas por dos capas de computación lineal, separadas por capas de función "un o de decisión (algorítmica), de la forma ZF ... THEN, que Ea chrplica. Y viceverm. Para la demostración de este teorema, necesitaremos expresar una función lógica arbitraria en cascada de elementos de umbral. Un elemento o sistema de cómputo de umbral, es una unidad de computación (sistema lineal) seguida de una regla de decisión del tipo if ... then, función u, tal como se ilustra en la figura siguiente.
Regla de Uecision n Fig. 3.12. Representación del elemento de umbral. TA1. Dada una neurona formal con interaccitjn de aferentes de una salida y N entradas, que computa: Zk = f(xl, ..., xN) arbitraria, equivale a una capa de, al máximo, 2N elementos lineales, seguidos de una capa de funciones l1un locales, es
decir, de elementos de umbral, y seguida de un único elemento lineal, de wso +1 y de una función "un de umbral +l. En efecto, descompongamos la función f en sus términos mínimos. Cada término mínimo es linealmente separable del resto, y por consiguiente, sintetizable por un elemento lineal seguido de una función u. Así, se toma el término mínimo (x~)~, (x2)P ... (xN)~, donde, siguiendo la notación usual, a, P, ..... , p pueden ser cero o uno y tales que xl =x y xO = x. Se construye el elemento lineal que computa: con los pesos (ajl)a, (aj2)b, .....,(aj~) P, tales que al = + 1 y a0 = -1. Si este elemento lineal se sigue de una función u, de umbral 8j, dado por: para los a positivos, el elemento que computa el término mínimo en cuestión, queda sintetizado. La segunda parte es trivial. Se toman aquellos términos mínimos, generados anteriormente y se le sigue de una función u, de umbral 8 = + 1. El teorema auxiliar TA1, queda ilustrado en la figura 3.13. Como se ve, TA1 es un teorema constructivo, y la viceversa (es decir, dada una estructura del tipo de dicha figura, hallar la f(x1, ..., XN)) es obvia.
Capa Lineal \1J urnaes q. .... ...... Locales Lineal Fig. 3.13. Estructura neuronal computacional paralela de una función lógica arbitraria. Según el resultado del teorema TA1, la demostración del teorema 1 se sigue de inmediato. En efecto. Sea una red neuronal de N neuronas y N entradas exteriores tal, que la neurona K-ésima compute la función arbitraria, Z K = f~ (xl ..... XN ). .
Entonces, aplicando TAl a cada neurona, resulta el TEOREMA1 q.e.d. Este es , . consti-UctiYo y la vicevcrsa 35 sipe, as:m:sm=, de inmediat&. Se ilCsku p,n 1. figura 3.14. _-_____________--__________________________________________________________________________________---________________________________________________________________________________________________________________________--------------------- \+J 'dJ 'N$./ ..... . X1 X~ X~ Xl X~ X~ \+J 'u+/ Capa Umbrales Locales N 2N) N2N Capa Lineal Fig. 3.14 Estructura computacional por capas que ilustran el TI. La estructura resultante, es aplicable a una muy amplia clase de sistemas o procesos no lineales. De hecho, el teorema demostrado no es el punto central de nuestros trabajos, ya que nuestro objetivo es la demostración de que un autómata
arbitrario (determinista, probabilista o borroso) se puede descomponer en capas de computación iineaies, aiternadas por capas afgoritmieas de la forma D... THEN. Luego, la función computada por la neurona K, como vemos en este teorema, es representable en el cuasi-continuo mediante una red en cascada, cuya formulación es: El teorema 2 aumenta la complejidad del sistema, y la proximidad al comportamiento de los sistemas reales, pues añadimos un valor más como es la realimentación. Teorema 2 jTZj. Toda red nmnai con reaht~iücioñ,ü&~it8 tü?ü rsp-e3mZüeí&t jXkT capas, cuasi-continua, donde se alternm capas de compctación lineal con capas azgorítmicas, más una función de transferencia temporal local, que puede consistir en un simple retraso.
La formulación de este teorema mantiene el marco formal del TI, teniendo en L.- 1- C2-A A- >.-* *-..l:#,,-.:A.. A-1 n"mfi,,;AAa n,.,+,.nJn'l T,Ja lo in+,.,,~,,ppi& GUCULSL 1SL llCCC31Uí1u Ut: uua cuupuaLLua UGI GD~ULLU UG ~L~UI uuuu J U- AU vyluluAvir de la variable temporal. Con ello cubierto tendremos: ALC Y (z,t) = u P(z, t) - 1 I l donde: que constituye el efecto axónico del sistema. Teorema 3 (T3). Un autómata arbitrario, es equivalente a una red neuronal con realimentación, seguida por una red sUr realimentación. De los teoremas de descomposición paralela TI, T2 y T3, un autómata arbitrario se sigue inmediatamente, y el proceso de descomposición del autómata, en capas de computación lineal y capas de funciones de umbral está de acuerdo con los teoremas T1 y T2 anteriores.
Así, de ésto, podemos deducir, que un autómata finito arbitrario es equivaiente, en formuiación cuasi-continua, a dos redes coñipüiacionaies por capas con sus forrnulaciones correspondientes, como hemos visto en T1 y T2, dadas por las ecuaciones (3.25) y (3.26), respectivamente. Esta afirmación tiene consistencia, debido al propio concepto de autómata arbitrario, equivalente a una red de neuronas formales con interacción de aferentes y realimentación, más una red sin realimentación (Moreno-Díaz, R., 1971). De ésto, la generalización a autómata continuo se sigue de forma directa. Estando los pasos de la formulación del discreto al continuo, acorde con las expresiones siguientes: La forma natural de pasar de las aji a los núcleos W(z,x) es por interpelación de los valores de la matriz aji, suavizando cada corte j = cte, i = cte (z = cte, x = ciej.
m TTTI- --\ lanb wtz,x, corlio W(y,z), para que represe~ten zonva!~cimes, drberi, ser función de diferencias de z - x y de y - z, esto implica que las superficies W(z,x) o W(y,z) son regladas, no viceversa. En general, parece que una superficie reglada simplifica el proceso de representación. Para cada capa de computación lineal analógica, es conveniente considerar tres etapas cuando se va de la representación discreta a la continua: a) La entrada del sistema es continua y la salida, es discreta: La formulación correspondiente a este comportamiento es: y cubre procesos tales como, el cálculo del c.d.g., la razón de homotecias (con varias capas) y cualquier otra propiedad global que viaje en cable único.
CAPITULO 4
GENERACION DE REPRESENTACIONES INVARIANTES. APLICACIONES A PROCESOS VISUALES
4.1 INTRODUCCION. Los trabajos experimentales que hemos realizado están orientados hacia el cómputo de invarianzas y la generación de representaciones invariantes en el sistema visual de forma relaciona1 con el sistema auditivo, con el propósito de desarrollar uno de los objetivos de esta tesis, como era la extensión de los modelos neuronales, para la computación de invariantes por la corteza a estructuras bidimensionales. La principal hipotesis es que una función especial del córtex es el cómputo de invariantes en diferentes niveles de abstracción. Un invariante es una descripción de una determinada situación en términos de un pequeño número de parámetros. La utilidad de las descripciones con parámetros que describe un gran número de situaciones diferentes, se extiende a todos los aspectos de percepción y cognición, (Ballard, 1988). Extendemos la estructura modular de cómputo de invariantes en un espacio monodimensional a uno bidimensional, pudiendo así presentar un diseno de un sistema artificial de reconocimiento visual completo, figura 4.1. Bajo la idea de que la corteza ha adoptado representaciones y estrategias computacionales que hacen el cómputo de invariantes eficaz, sugerimos la posible existencia, en la misma, de dos vías para el cómputo de invarianzas. Una vía computa los parámetros de invarianza, y la otra los aplica a las apariciones sensoriales originales. La estructura sigue y respeta esta arquitectura y funcionalidad cortical.
BASE DE DATOS SISTEMA DE REFERENCIAI. INFERENCIA .1 DECISION Fig 4.1. Estructura modular de un sistema artificial de reconocimiento completo. Este esquema se corresponde con el de un sistema visual no interactivo con el medio, siendo su estructura computacional la mostrada en la figura 4.2. En él, la inyección de conocimiento requiere la acción del sistema exterior en el aprendizaje. Éste conocimiento se utiliza como asesor acerca de la corrección de la decisión para modificar los distintos bloques funcionales, mientras que en el caso del conocimiento exterior impreso, éste se implanta directamente en dichos bloques. La situación típica y general es híbrida.
Fig. 4.2. Estructura del sistema visual no interactivo con el médio. I I I 1 A. 1 1 Realizarnos la implementación de los módulos operacionales del proceso de I I APARICION SENSORIAL I I DEFINICION, IMPLEMENTACION I I Y SINTONIA DE LOS PROCESOS I DE DESCRIPCION PREPROCESO Y COMPUTO generación de invariantes, los cuales los podemos desglosar en los siguientes nnn tnc. yurrwv. + C.I. A DE PARAMETROS APLICACION DE LA REPRESENTACION I 1 I ! 1 I I I I I CENERACION DE: I I 1 1 I I I I MAQUINA DE I 1 INFERENCIAS REFERENCIAL (ASIGNACI~N DE ETIQUETA MAS PROBABLE) I I A.2 l I 1 I I I I 1 'r\ I I A.3 DEFINICION Y CREACION DE LA BASE DE DATOS IMPLANTACI~N Y MODIFICACION I)E LAS REGLAS DE INFERENCIA I I I d-, C.I. 1 SISTEMA VISUAL PROPIO I l I I SISTEMA DE APRENDIZAJE I (REALIMENTACION FORMAL) !
b) Preproceso c) Obtención de los parámetros invariantes sobre la imagen preprocesada d) Aplicación de las transformaciones sobre la aparición sensorial original Se ha estudiado y desarrollado dos técnicas de implernentación teniendo en cuenta una descripción de la arquitectura del cerebro que describa cómo pueden ser resueltos estos problemas abstractos y que sea neurobiológicamente plausible, la formal y la de tratamiento. La implementación formal, es aquella que ejecuta la hace utilizando métodos directos de tratamiento de imágenes, como son el muestre0 y la interpolación, como explicaremos en secciones posteriores. 4.2. ESTRUCTURA FORMAL DE LOS PARAMETROS DE INVARIANZA. En este apartado describiremos la estructura formal de los parámetros de inx~~ri~fi~~ que ir?ter?rienen 18 percepriSfi de ifivuriafites eaditivGo y vioUa!es. En ambos casos, según hemos podido observar, dichos invariantes se corresponden con un tipo de transformaciones matemáticas, las transformaciones afines y sus invariantes algebráicos, el estudio de los cuales fueron iniciados por Boole, Cayley y Silvester hace más de cien anos. 4.2.1. Representaciones Directas. Dominios y Funcionales. Al aplicarle a una función una transformación, en este caso para obtener una
intervienen .en cada transformación. -Una forma generalizada de obtener una Procedimiento 1 Tomar un valor de x'. Determinar el dominio Dx' = Dxl(x). Calcular el valor del funcional Fj(f(x))x1 es decir, el valor de Fj en el dominio Dx', sobre f(x) -+ fjx'. A A:--A:--- -1 '1 ---- A-'' 2--1 -1 ---l-- L./--'\ - C--' L-iUJUUlCsil SI1 pul1 W JX el VsilUl- Il~(2i ) - 1jX . Para dos dimensiones toma la forma: Procedimiento 2 a) Tomar una pareja (x', y'). b) Determinar el dominio Dx' y' = Dx' yl(x y). C) Calcular el valor del funcional Fj[f(x y)] en el dominio Dx' y', que es Gx' y'. Consideraremos, en primer lugar, la naturaleza del funcional 8, teniendo en cuenta, claro está, los grados de libertad de f(x) y hj(x8). Es decir, los puntos c) y d) de los procedimientos anteriores. Las tres posibilidades que se presentan son las siguientes: a) Grados de libertad de f(x) > grados de libertad de hj(xl). b) Grados de libertad de f(x) < grados de libertad de hj(xl).
Teniendo para cada uno de estos puntos, y eligiendo los funcionales más CASOS A: Caso a) En este caso hay una proyección de varios valores de f(x) en un único valor de hj(xl), hj(xl) puede ser, el valor medio de f(x) en el dominio Dxl(x), o el valor máximo, o cualquier otro de f(x) dentro de Dxl(x). Caso b) Existe una proyección de un único valor de f(x) en varios de hj(xl). La hj(xl) que lo "generan". Caso c) Un único valor de f(x) se proyecta en uno único de hj(xl) y a hj(xl) se le adjudica ese valor. Ahora estamos en condiciones de dar una definición de representación directa, ya que de interés particular son las representaciones directas con transformaciones afines, (Candela, 1987), debido a la relación que tienen con ,.,,, t,,, ,,,X,,t,,, 2, :,,,,-: ,,,, 1,- -.-- 1-- .--- J-- -.- -A--- ---- 1 -11.-- ALUC~W u3 Fa1 CUIK u uu ut: 111 v al 1í111zí1, las cua1es bel-a~~ usauas e11 casos prdcLlcUs, según se indicará en próximas secciones. Entendemos pues por representación directa, una representación obtenida por el procedimiento 1 ó 2 y los CASOS A anteriores. 4.2.2. Determinación de Dominios. Transformaciones Afines. Nos referimos ahora a los puntos a) y b) de los procedimientos 1 y 2 de la Sección 4.2.1, considerando el caso síntesis de los CASOS A, es decir cuando:
por enteros, con lo que los grados de libertad se corresponden con el número de "pixels" independientes de f(x) y h(xl). Los puntos a), b) de los procedimientos 1 y 2 son: a) Tomar un x' o (x', y'). b) Determinar el Dominio Dxl(x), [Dx' y' = Dx' yl(x y)]. La determinación del dominio Dxl(x) se puede realizar, en principio, siguiendo cualquier regla. Si ponemos la condición de biunicidad, la regla será una función. Si la regla es lineal, la determinación del dominio corresponde a una ' transformación afín de coordenadas. Ello nos lleva a la siguiente definición: Una transformación afín de coordenadas es una regla de determinación del dominio Dxl(x), dada por una expresión lineal. x' = Entero (ax + b) o bien X' = Entero (a' x' + b') Para dos dimensiones, la regla es
o bien X' = Entero [A' x' + B'] donde A y A' son matrices de 2 X 2 y B y B' son matrices de 2 X 1. 4.2.2.1. Transformaciones Afines como Parámetros de Invarianza. Según lo anterior, una transformación afín es una transformación lineal cuya expresión general tiene la forma. donde a, b, c, d, e y f son constantes y el determinante Si pretendemos ia conservación Eiei número de grauos de libertad, ei procedimiento es sencillo, mientras que si no coinciden, es preciso introducir reglas de transformación de los funcionales. Como veremos, las traslaciones y giros son del primer tipo, mientras que las homotecias son del segundo.
Marr, D.: I1Vision: A Computational Investigation Into the Human Representation and Processing of Visual Information". Published by Freeman, W.ff. una Company. New York-Oxford. 1982. Marusyeva, A.M.: Temporal Characteristics of the Auditory Neurons in the Inferior Colliculus". In: Sensory Processes at the Neurona1 and Behavioral Level. Gersuni, C.V., Ed. Academic Press. New York. 1971. McCulloch, W.S.: "Logic and Close Loops for a Computer Junket to Mars". In: Neural Networks. Caianello, E. Ed. Springer. Berlin-Heidelberg-New York. pp. 68- 91. 1968. McCulloch, W.S.: I1Agatha Fiche: of Nervous Nets the Lucky Reckoners". Proc. Symp. at the National Laboratory, London, Vol 11, 10. pp.613-625. 1958. McCulloch, WS.; Pitts, W.: "A Logical Colculus on the Ideas immanent in Nervous Activityl. Wtll. Math. Biophys., 5. pp.115-133. 1943. Medina Rodríguez, P.; Fernández García, E.: "Fast Method f or R eliabl e Thresholding in Robotic VisionI1. IV Int. Conf. Systems Research Informatics and Cybernetics. Saden-tiaden, W. Germany. 1 988. Ménsez, J.A.: "Contribuciones a una Teoría Generalizada del Reconocimiento de Formas". Tesis Doctoral. Univ. Politécnica de Las Palmas. 1983. Menenich, M.M.; Keid, M.D.: lfRepresentation of the Cochlea Within the Inferior Colliculus of the Catl'. Brain Res., 77. pp397-415. 1974. Miller, P.R.; Slaugther, M.M.: "Excitatory Am ino Acid Receptors of the Ketina. Diversity of Subtypes and Conductance Mechanisms". Trends in Neurosciences, 9, Mira, J.; Delgado, A.: I1An Algorithmic Model for Neural Nets". Orw. Symp. and Int. Conf. on Systems Research Informatics and Cybernetics. Baden-Baden, W. Germany. 1984.
- Mira, J.; Delgado, A,; Moreno-Díaz, R.: "Cooperative Processes in Cerebral Dynamics". In: Aplications of Informations and Control Systems. Lainiotis and Tzannes, Eds. Holland: Heidel. pp.273-280. 1979. - Mira, J.; Moreno-Díaz, R.: "Un Marco Teórico para Interpretar Za Función Neurona1 a Altos Niveles". Proc. 1. Reunion Nac. Biocibernética. Real Academia de Ciencias. pp.151-157. 1982. - Mira, J.; Moreno-Díaz, R.; Delgado, A.: "On Cooperative Languages for Survival and Neural Decision Marlcing". Proc. 10th lnt. Congress on Cybernetics. Namur. Belgique. pp.17-29. 1983. - Mira, J.; Moreno-Díaz, R.; Delgado, A.: lfModelos Implícitos en Neuropsicologíafl. Rev. Automática Informática, M, 38. pp.30-37. 1978. - Xira, J.; Moreno-Díaz, R.; Delgado, A.: "A Theoretical Proposal to Embody Cooperative Decision in the Nervous Systemfl. Proc. Conf. on General Systems Research. Detroit, Mich. Intersystems. pp.687-690. 1983. - Mira, J.; Moreno-Díaz, R.; Delgado, A.; Suárez-Araujo, C.P.: "Zntersensory Communication in Machine as a Paradigm of Cortical Reliabilityu. Proc. 7th. Int. Congress of Cybernetics and Systems. Vol.1. Cybernetics and Systems: The Way Ahead. Rose, J., Ed. Thales Publications (W.O.) Ltd. Lytham St. Annes, England. pp.432-438. 1987. - Moller, A.R.: "Coding of Sounds in Lower Levels of the Auditory Systemu. Q. Rev. Biophys., 5. pp.59-155. 1972. - Monroy, J.: "Redes Neuronales Formales: Una Reformulación". Tesis de Licenciatura. Facultad de Ciencias, UNAM, Mexico DF, Mexico. 1981. - Moreno-Díaz, B.: lrAnálisis y Síntesis de Redes Probabil ist icas con Realimentación". Automática, 3, 10. pp.7-10. 1970. - Moreno-Díax, R.: "Teoría de Redes Neuronales". Conferencia Invitada en la Real Academia de Ciencias Exactas, Físicas y Naturales. Ciclo: Aspectos y Tendencias Actuales en Cibernética. 1977.
- Moreno-Díaz, R,: "Las Teorías Retinal y de Redes Neuronales". Proc. II Symp. Biomed. pp.209-214. 1983. - Moreno-Díaz, R.: " Deterministic and Probabilistic Neural N ets with Loop#. Mathematical Biosciences, 11. pp.129-136. 1971. - Moreno-Díaz, R.; Hernbdez Guarch, P.; Limüiana, J.M.: "Formal Neurons to Sinthesize Arbitrary Probabilistic Automata". App. Systems Research and Cybernetics. Lasker, G.E., Ed. Pergamon Press. New York. pp.2360-2364. 1980. - Moreno-Díaz, R.; Martín Rubio, P,: ftConcepts for a Quantitative Theory of Retinal ProcessingI1. Proc 6th. Int. Congress of Cybernetics and Systems. AFCET. Paris. pp.825-830. 1984. - Moreno-Díax, R.; Mira, J.: "Conceptos para una Teoría de la Integración Multisensorialft. Proc. 11. Simp. Nac. de Automática en la Industria. Zaragoza. pp.227-232. 1984. - moreno-Díaz, R.; Mira, J.: "Architectures for Integrating Artificial Perception and Actionff . Prc. Interkiberneticf87. Tarragona. 1987. - Moreno-Díaz, R.; Mira, J.; Delgado, A.: "Hacia una Teoría Social de Redes Neuronales". Proc. 11. Simp. Nac. Bioingeniería. ETSIT. pp.215-220. 1983. - Moreno-Díaz, R.; Mira-Mira, J.; Roy Yarza, A,: "Realización de Redes No- Determinsticas". Rev. Automática, 11, V. 1972. - Moreno-Díaz, R.; Núñez, A,: "Un Enfoque Intuitivo de los Procesos no Lineales, con Aplicación a Modelos Neurofisiológicos". Proc. l. Simp. Nacional Bioing., ETSIT, Madrid. pp.123-127.1981b. - Moreno-Díaz, R.; Rubio, E.: I1A Theoretical Model for Layered Visual Processing1I. Int. J. Bio-Med. Comp., 10. pp.134-143. 1979. - Moreno-Díaz, R.; Rubio, E.: Model for Nonlinear Processing in Catls Retina1!. Biol. Cybernetics., 37. pp.25-31. 1980.
- Moreno-Díaz, R.; Rubio Royo, F.: "Towards a Theory of Visual Processing in Vertebrate Retina". Proc lnt. Congress on Applied Systems Research and Qbernetics. vol N. ¿u&er, G.E., E&. peiycrrioii p~e,o,o, ?Jew V--b-n~fni.A- r vi n "A, vr u Toronto-Sydney-Paris-Franlcfurt. pp.1859-1864. 1981. - Moreno-Díaz, R.; Rubio, E.; Nuñez, A,: "A Layered Model for Visual Processing in Avian Retina". Biol. Cybernetics., 38. pp.85-89. 198Ob. - Moreno-Díaz, R.; Rubio Royo, E.; Rubio Royo, F.: "A Generalized Model For Non- Linear Retinal Processing". Currents Topics in Cybernetics and Systems. Rose, J., Ed. Springer. Berlin-Heidelberg-New York. pp.202-203. 1978. - Moreno-Díaz, R.; Rubio Royo, P.; Rubio, E.: "A Theoretical Proposal to Account for Visual Computation in a Frogls Retina1!. Int. J. Bio-Med. Comp., 11. pp.415- 426. 1980a. - Morest, D.K.: "The Lateel Tegmental System of the Midbrain and the Media1 Geniculate Body: A Study with Golgi and Nauta Methods in Catfl. J. Anat. (Lond.), 99. pp.611-634. 1965. - Morest, D.K.: "The Neurona1 Architecture of the Medial Geniculate Body of the Catu. J. Anat., 98. pp.611-630. 1964b. - Nauta, W.J.H.; Peirtag, M.: "Organización del Cerebrof1. In: El Cerebro. Libros de Investigación y Ciencia. Prensa Científica. pp.53-68. 1986. ' - Nelson, R.; Famiglietti, E.V.Jr.; Kolb, H.: "Intra-Cellular Staining Reveals Differents Levels of Stratification for On and Off-Center Ganglion Cells in the Cat Retina". J. Neurophysiol., 41. pp.472-483. 1978. - Nieuwenhuys, R.; Voogd, J.; Van Huijzen, Chr.: "Sistemas Sensitivos Especiales". In: SNC Sinopsis y Atlas del Sistema Nervioso Central Humano. Editorial AC. 1982. - Nilson, N.J.: "Principles of Artificial Inteligenceff. Paso Alto, California: Tioga. 1980.
- Núñez, A.: ffTeoría Unificada del Proceso y Transmisión de Datos en la Retina". Tesis Doctoral. Madrid, ETSIT, Universidad Politécnica. 1981. - Osen, K.K.: "Cytoarchitecture of the Cochlear Nuclei in the CatIr. J. Comp. Neurol., 136. pp.453-483. 1969. - Pfeiffer, R.R.: JIClassi f ication of Response Patterns of Spike Discharges for Units in the Cochlear Nucleus: Tone-i3urst Stimulation". Exp. Brain Res.J. pp.220-235. 1966. - Phiiiips, D.P.; Irvine, D.R.P.: IJSome Features of Binaural Input to Single 'Neurons In Physiologically Defined Area AI of Cat Cerebral Cortex". J. Neurophysiol., 49, 2. pp. 383-395. 1983. - Pitts, W.; McCulloch, W.S.: "How we Know Universals. The Perception of Auditory and Visual Forms". In: Embodiments of Mind. MIT Press. pp.46-66. 1965. - Pratt, W.K.: IJDigital Image Processing~. Jhon Wiley and Sons. 1978. - Reale, R.A.; Imig, T.J.: lJTonotopic Organization in Auditory Cortex of the Cattf. J. Comp. Neurol., 192. pp.265-291. 1980. - Rioch, D.M.: I1Studies on the Diencephalon of Carnivora. l. Nuclear Configuration of Thalamus, Epithalamus and Hypothalamus of Dog and Catu. J. Comp. Neurol., 49. pp.1-94. 1929. - Rockel, AA.; Jones, KG.: "The Neuronal Organization of the Inferior Colliculus of the Adult Cat. 1. The Central Nucleus". J. Comp. Neurol., 147, 11. 1973. - Romand, R.: "Contributioná L1etude du System Auditif Chez le Chut". Thése de Doctoratés Sciences. Université des Sciences et Techniques du Languedoc- Montpellier. 1977. - Romani, G.L.; WiUiamson, S.J.; Kaufman, L.: "Tonotopic Organization of the Human Auditory CorteYJ. Science, 216. pp.1339-1340. 1982.
- Rose, J.E.: "Organization of Frecuency Sensitive Neurons in the Cochlear Nucleus Complex of the Catu. ln: Neural Mechanisms of the Auditory and Vestibular Systems. Springfield, Ill: Thomas. pp.116-136. 1960. - Rose, J.; Brugge, J.P.; Anderson, D.; Hind, J.: "Patterns of Activity in Single Auditory Nerve Fibres of the Squirrel Monkey". ln: Hearing Mechanisms in Vertebrates. Churchill, London. pp.144-157. 1968. - Rose, J.E.; Galambos, R.; Hughes, J.R.: "Microelectrode Studies of the Cochlear Nuclei of the Cat". Johns Hoplcins Hosp. Bull, 104. pp.211-251. 1959. - Rose, J.E.; Greenwood, D.D.; Goldberg, J.M.; Hind, J.E.: Tome Discharge Characteristics of Single Neurons in the Inferior ColZiculus of the Cat. 1. Tonotopical Organization, Relation of Spike Counts to Tone Lntensity, and Firing Pattern of Single Elements". J. Neurophysiol., 26. pp.294-320. 1963. - Rose, J.E.; Hind, J.E.; Anderson, D.J.; Brugge, J.P.: flSome Effects of Stimulus lntensity on Response of Auditory Nerve Fibres in the Squirrel Monkeyfr. J. Neurophhysiol., 34. pp.685-699. 1971. - Rubio, E.; Moreno-Diaz, R.; Rubio Royo,P,: ffNuevos Aspectos de las Propiedades de las Células Especializadas en la Retina según la Teoría de Sistemas". Proc. II. Simp. lng. Biomed. Madrid. pp.221-232. 1983. - Sampson, J.R.: " Adaptive lnformation Processingfl. Springer-Verlag. New York. 1976. - Santesmases, C.; Moreno-Díaz, R.; Rubio Royo, P.; Mira, J.: "Formal Neural Nets". Proc. I. Int. Conf. on lnformation Sciences and Systems. Vol 2. Liniotis, D.G., Tzannes, N.S., Eds. Hemisphere. Washintong-London. pp.490-495. 1977. - Seldon, &L.: "The Anatomy of Speech Perception. Human Auditory Cortexu. In: Cerebral Cortes. Vol. 4. Association and Auditory Cortices. Peters, A.; Jones, E.G., Eds. Plenum Press. New York-London. pp.273-327. 1985. - Semple, M.N.; Aitkin, L.M.: "Representation of Sound Frecuency and Laterality by Units in the Central Nucleus of the Cat Inferior Colliculus". J. Neurophisiol., 42. pp.1626-1639. 1979.
- Semple, M.N.; Aitkin, L.M.: "Zntegration and Segregation of Input to the Cat Inferior Colliculus". In: Neuronal Mechanisms of Hearing. Syka, J., Áiticin, L.M., Eds. Plenum Press. New York-London. pp.155-161. 1980. - Shaw, E.A.G.: "The External Earu. Zn: Handbook of Sensory Physiology. Vol V/1. Keidel, W.; Neff, W., Eds. Springer. New York. pp.455-490. 1974. - Shepherd, G.M.: "N eurobiologiau. ED. Labor. Barcelona. 1985. - Spoendlin, H.: "lnnervations Densities of the Coch1eaJ1. Acta Otolaryngol. Stockh., 73. pp.235-248. 1972. - Strominger, N.L.; Nelson, L.R.; Dougherty, W.J.: "Second Order Auditory Pathways in the ChimpanzeeM. J.Comp. Neurol., 172. pp.349-366. 1977. - Suárez-Araujo, C.P.: "Caracterización de los Espacios de Color y Contribuciones a las Transformaciones Zntersensoriales". Tesina de Licenciatura. Facultad de Físicas, Univ. ue La Laguna. Tenerife. 1984. - Suárez-Araujo, C.P.; Moreno-Díaz, R.: "New Concept in System Theory: Intersensorial Transformations". Proc. Orw. Symp. and Znt. Conf on Systems Research Informatics and Cybernetics. Baden-Baden. W. Germany. 1984. - Sutro, L.L.; Kilmer, W.: "Assembly of Computers to Command and Control a Robot". R-582. Instrumentation Laboratory. Cambridge: MIT. 1969. - Sutro, L.L.; Kilmer, W.; McCulioch, W.S.; Catchpole, R.; Tweed, D; Blum, J.; Peterson, D.; Moreno-Díaz, R.: "Sensory Decision and Control Systems". R-548. Instrumentation Laboratory. Cambridge: MIT. 1966. - Sutro, L.L.; Warren, R.E.; Moulton, D.; Whitman, C.; Zeise, P.: "1963 Advance Sensor investigations". R-470. Instrumentation Laboratory. Cambridge: MIT. 1964. - Syka, J.; Druga, R.; Popelár, J.; Kalinová, B: "Functional Organization of the Inferior Colliculus". In: Neuronal Mechanisms of Hearing. Syka, J.; Aitlein, L.M. Eds. Plenum Press. New York-London. pp.137-153. 1981.
- Tasaki, 1.: "Neme Impulses in Individual Auditory Nerve Fibers of Guinea Pig". J. Neurophysiol., 17. pp.97-122. 1954. - Tsuchitani, C.: "Functional Organization of Lateral Cell Groups of Cat Superior OZivary Complex". J. Neurophysiol., 40. pp.296-318. 1977. - Tsuchitani, C.: "Lower Auditory Brain Stem Structures of the Cat". In: Evoked Electrical Activity in the Auditory Nervous System. Naunton, R.F.; Fernández, C., Eds. Academic Press. New York-San Francisco-London. pp.373-401. 1978. - Uziel, A,: "El Sistema Auditivo Central". In: Fisiolgía Neurosensorial en Otorrinolaringología. Gurrier, Y .; Uziel, A., Directores. Masson, S.A. pp.103-118. 1985. - Von Bekesy, G.: "Experiments in Hearingu. McGraw-Hill. New York. iY6O. - Von Neumann, J,: "Probabilistic Logic and the Synthesis of Reliable Organism from Unrellable Components". In: Automata Studies. Shannon; McCarty, Eds. Princenton University Press. New Jersey. 1956. - Webster, W,R,; Aitkin, L.M.: "Central Auditory Processing". In: Handbook of Psychobiology, Cap 10. Academic Press. New-York. 1975. - White, B.W.: "StimulusConditions Affecting a Recently Discovered Stereoscopic Effectu. Am. J. Psychol., 75. pp.411-420. 1962. - Winer, J.A.: "The Media1 Geniculate Body of the Catu. Adv. Anat. Embryol. Cell Biol., 86. pp.1-98. 1985. - Young, E.D.; Bmwneli, W.E.: "Responses to Tones and Noise of Single Cells in Dorsal Cochlear Nucteus of Unanesthetized Catdr. J.Neurophysiol., 39. pp.282- 300. 1976.