ClassicNeuralNets-AssociativeMemory: Hopfield, LAM y BAM para el Reconocimiento de Letras del Alfabeto Latino bajo Ruido y Variación de Funciones de Activación

Este proyecto explora el uso de redes neuronales asociativas para el reconocimiento y recuperación de patrones en condiciones con y sin ruido. Se implementaron y evaluaron diferentes arquitecturas (Hopfield, LAM y BAM) con funciones de activación simétrica y asimétrica, midiendo su robustez frente a perturbaciones internas y externas.

---

Objetivos

• Implementar y analizar redes neuronales asociativas clásicas.
• Evaluar el desempeño de las redes frente a distintos niveles y tipos de ruido.
• Comparar la robustez y exactitud de cada arquitectura bajo condiciones controladas.

---

Arquitecturas Implementadas

1. Red de Hopfield

   • Funciones de activación: simétrica y asimétrica.
   • Se analizó la recuperación de patrones en condiciones con ruido bajo y alto.

2. Red LAM (Linear Associative Memory)

   • Funciones de activación: simétrica y asimétrica.
   • Evaluada con ruido inducido y ruido de forma.

3. Red BAM (Bidirectional Associative Memory)

   • Funciones de activación: simétrica y asimétrica.
   • Entrenamiento y pruebas con diferentes perturbaciones.

---

Principales Experimentos

• Sin ruido: se midió la capacidad de memorizar y recuperar patrones almacenados.
• Ruido inducido: factores de aleatoriedad de 0.2 y 0.75.
• Ruido de forma: alteraciones estructurales externas a los patrones.

---

Resultados Destacados

• Hopfield

  • Función simétrica: alto desempeño con ruido bajo/alto.
  • Función asimétrica: resultados ineficientes (salidas saturadas).

• LAM

  • Escalón asimétrico: 100% de exactitud en entrenamiento sin ruido y con ruido inducido.
  • Escalón simétrico: 0% de exactitud, convergiendo siempre a un único patrón saturado.

• BAM

  • Escalón simétrico: 100% de exactitud en entrenamiento y ruido inducido.
  • Escalón asimétrico: 0% de exactitud, con salidas saturadas en vectores de unos.

---

Análisis Comparativo

• Las perturbaciones internas (ruido inducido) fueron toleradas exitosamente por LAM y BAM con activación asimétrica/simétrica respectivamente.
• Las perturbaciones externas (ruido de forma) redujeron drásticamente la exactitud al 25%, mostrando la vulnerabilidad de ambas redes a cambios estructurales en los patrones.
• Se observaron casos de saturación:
  • LAM simétrica: convergencia a un único patrón dominante.
  • BAM asimétrica: salidas uniformes de unos.

---

Conclusiones

• La robustez de las redes asociativas depende fuertemente del tipo de activación y del tipo de perturbación.
• LAM con activación asimétrica y BAM con activación simétrica mostraron los mejores resultados en condiciones de ruido interno.
• Ninguna de las arquitecturas evaluadas resultó efectiva frente a ruido externo estructural, lo que plantea oportunidades de mejora para aplicaciones en escenarios reales.

---

Tecnologías

Se emplearon las siguientes librerías y versiones de Python:

• Python 3.11.13
• NumPy → operaciones matemáticas y manejo de arreglos.
• Matplotlib → visualización de datos.
• cv2 → carga y procesamiento de imágenes.

---

Autores

• Ing. Alyson Melissa Sánchez Serratos
• Ing. Miguel Ángel Pérez Ávila

---

Ejecución

1. Clonar este repositorio para visualizar los notebooks de jupyter con las implementaciones y el reporte presentado:

   git clone https://github.com/TGMAPA/ClassicNeuralNets-AssociativeMemory.git
   cd ClassicNeuralNets-AssociativeMemory