Reconocimiento de Disparos
Veremos ahora una red que se comporta como un sistema experto. Cualquier campo en el que se puedan obtener una gran cantidad de casos de ejemplo, con datos ponderables, es susceptible de simularse como red neuronal, con un grado bastante bueno de éxito. Por ejemplo, en medicina, muchas enfermedades pueden preverse mediante esta técnica si se tienen bases de datos con los síntomas de un buen número de pacientes.
Para determinadas operaciones policiales, puede resultar muy útil poder reconocer qué tipo de arma se ha usado en un determinado momento a partir del sonido que hacen sus disparos (por ejemplo, cuando una cámara de seguridad graba un tiroteo, pero la imagen es pobre).
Es muy difícil, incluso para un experto, diferenciar distintos modelos de armas, e incluso distintas clases de armas. La tasa de aciertos de estos expertos no suele alcanzar el 30%. Por supuesto, distinguir la munición disparada es prácticamente imposible. La red neuronal que mostramos aquí llega al 100% de reconocimiento del tipo de arma, y a un porcentaje bastante elevado de aciertos en el tipo de munición.
ENTRENAMIENTO Y ARQUITECTURA
Una red neuronal se puede entrenar a partir las propiedades frecuenciales de los disparos realizados en una galería de tiro. En concreto, la red aquí presente se ha entrenado con los espectros de disparos de cinco tipos de armas distintas (pistola, revólver, escopeta, fusil y cetme) y sus municiones correspondientes.
Cada espectro se ha discretizado en 15 valores de frecuencia, cada uno correspondiente al valor medio de la frecuencia en un intervalo de tiempo. Estos 15 valores serán las entradas de la red:
La arquitectura de la red, como se ve en la figura anterior, está relacionada directamente con los ejemplos que tenemos:
15 neuronas de entrada, para los 15 valores de frecuencia.
Un número N de neuronas ocultas. Las pruebas con 16 neuronas ocultas han sido bastante satisfactorias, obteniéndose un 100% de aciertos en el tipo de arma y un 75% en el tipo de munición.
12 neuronas de salida, una por cada combinación arma-munición posible.
INSTRUCCIONES
El applet es sencillo de manejar, como los anteriores. En la sección de entrenamiento podemos realizar el aprendizaje de los ejemplos de entrada, modificando los distintos parámetros ya comentados.
Se permite también configurar el número de neuronas ocultas de la arquitectura; así como cargar los pesos de una red ya entrenada con un rendimiento bastante bueno. NOTA: Sólo existen pesos almacenados para una red con 16 neuronas ocultas
Por último, podemos probar la fiabilidad de la red escogiendo armas y municiones y disparándolas. Se puede observar por el sonido que emiten que la distinción es bastante difícil para el oído humano.