Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
Las redes neuronales artificiales son unas estructuras matemticas aparecidas en la dcada
de los cuarenta, que en los ltimos treinta aos han experimentado un gran avance debido
al desarrollo de ordenadores cada vez ms potentes. Estas estructuras pretenden imitar el
funcionamiento de las redes neuronales biolgicas en su forma de extraer conocimiento del
entorno y aplicarlo posteriormente.
El campo industrial ha sido en gran beneficiario de este desarrollo, debido a la gran
capacidad de las redes neuronales para modelizar y monitorizar procesos productivos, pero
su gran versatilidad ha permitido aplicarlas a muy diversos disciplinas que van desde la
medicina hasta el reconocimiento de imgenes e incluso a las finanzas.
En este curso nos centraremos en su utilizacin en el mbito forestal, describiendo
primeramente, los tipos de redes neuronales ms comunes para luego ver los campos en los
que se han utilizado. La descripcin previa de los diferentes tipos de redes utilizados en la
ingeniera forestal nos permitir ver que tipo de red se adecua mejor al problema que
queramos resolver.
1.- INTRODUCCIN
Las redes neuronales artificiales las podemos entender como un intento de imitar, mediante
una estructura matemtica, el funcionamiento de un cerebro biolgico. Son estructuras
capaces de aprender a resolver problemas a partir del conocimiento extrado de una serie de
ejemplos. Al igual que los sistemas biolgicos las redes neuronales artificiales constan de
una serie de neuronas o nodos interconectados entre s. Heredan de los sistemas biolgicos
su procesamiento en paralelo, la respuesta no lineal de las neuronas y el procesamiento de
la informacin a travs de varias capas de neuronas.
Realmente no hay una definicin precisa de las redes neuronales, HAYKIN (1948) las defini
como un conjunto de procesadores en paralelo capaces de almacenar informacin
procedente de patrones conocidos y aplicarla a ejemplos desconocidos y PREZ DELGADO y
MARTN (2003), como arquitecturas de procesamiento paralelo que ofrecen nuevos
mecanismos aplicables a la resolucin de una amplia gama de problemas.. Este
conocimiento se extrae durante la fase conocida como entrenamiento y se almacena en las
conexiones entre las neuronas. Resumiendo, podramos decir que son unas estructuras que
operan en paralelo y son capaces de extraer conocimiento del entorno para aplicarlo a
situaciones desconocidas y por tanto representan una herramienta muy til en la resolucin
de problemas complejos.
Pag. 1 de 19
ochenta dio como fruto el desarrollo de la teora de resonancia adaptativa (ART) por Steve
Grossberg y Gail Carpenter, las redes de aprendizaje asociativo de Anderson y Kohonen en
1982, las redes de Hopfield en 1984 o el desarrollo del aprendizaje retroalimentado por Paul
Werbos en 1982. ste ltimo mtodo de aprendizaje es el ms popular en nuestros das.
Bsicamente una red retroalimentada es un perceptrn multicapa con diferentes funciones
de activacin y un aprendizaje fiable y robusto. Es a partir de entonces cuando comienza el
resurgimiento de las redes neuronales, se empiezan a producir cada vez ms conferencias a
nivel mundial explicando las bondades de ellas y se dedican cada vez ms recursos a su
estudio, y su aplicacin es cada vez ms diversa, abarcando campos que van desde la
medicina como complemento al diagnstico, reconocimiento de imgenes, control de
produccin o modelizacin de mercados.
2.- TIPOS DE REDES NEURONALES.
En la actualidad existen innumerables modelos de redes neuronales, de las cuales la ms
utilizada es el perceptrn multicapa asociado al algoritmo de retropropagacin (MARTN y
PAZ, 2007). Su popularidad se debe a que es capaz de actuar como un aproximador
universal de funciones (HORNIK, 1989; MARTN y PAZ, 2007). El perceptrn multicapa junto
con las redes de base radial, los mapas autoorganizativos de Kohonen y las redes
probabilsticas los ms utilizados en el mbito forestal.
Atendiendo al tipo de aprendizaje tenemos las redes neuronales de aprendizaje supervisado
y las de aprendizaje no supervisado.
Aprendizaje supervisado: Se muestra a la red la solucin a las variables de
entrada y de esta forma la red va autoajustando los pesos de sus conexiones internas
para conseguir la salida deseada. Una vez finalizado el proceso de aprendizaje
(entrenamiento) la red se comprueba mediante datos no introducidos anteriormente
para comprobar el grado de adecuacin a conjuntos de datos desconocidos.
Aprendizaje no supervisado: En este caso no se muestran a la red las
soluciones de las variables de entrada. Generalmente este tipo de redes se utiliza
para reducir la dimensin del vector de entrada o para clasificar los datos de entrada
en diferentes grupos.
Segn su topologa las redes pueden ser redes hacia delante (feedforward) o redes
recurrentes (feedback).
Las redes hacia delante son aquellas en las que la informacin siempre fluye
hacia delante y no se forman bucles entre las capas de neuronas o dentro de una
misma capa.
Pag. 3 de 19
En las redes recurrentes se pueden formar bucles entre capas, dentro de una
misma capa o incluso de una neurona consigo misma. Las redes neuronales con
aplicacin en series temporales son un muy buen ejemplo de redes recurrentes, ya
que el valor de la entrada en un tiempo t+1 depende de la salida de la red en un
tiempo t. Este tipo de redes suelen ser ms difciles de entrenar que las tipo hacia
delante.
Segn el tipo de datos con los que operan las podemos dividir en categricas o discretas y
cuantitativas o continuas. Las redes categricas toman un nmero finito de valores, como
femenino/masculino, rojo/verde/azul/amarillo, apto/no apto y exigen una codificacin
numrica previa de las categoras. Las redes cuantitativas operan con valores que
representan las medidas de unas propiedades, longitud, peso, volumen, resistencia interna,
etc., son en definitiva valores continuos. Esta divisin no es completamente cerrada pues
puede suceder que una red acepte como entrada valores continuos de una serie de
propiedades y devuelva la adecuacin o no a una clasificacin.
3.- TIPOS DE REDES MS UTILIZADOS EN LA INGENIERA FORESTAL.
La utilizacin de las redes neuronales se ha popularizado en los ltimos aos en numerosos
campos debido a su gran capacidad de modelizacin de procesos y a la fiabilidad de sus
resultados. Su campo de aplicacin es muy diverso, yendo desde el reconocimiento de
imgenes (DRAKE et al, 1998; GRANITTO et al, 2002; FAN and VERMA, 2009) hasta la
prediccin del clima o el control de produccin en fbrica (COOK et al, 1997; COOK et al,
2000; CEYLAN et al, 2008).
Existe un incalculable nmero de tipos de redes neuronales que aumenta constantemente
gracias a las importantes investigaciones que se realizan en este campo. Pero dentro de ellas
las ms utilizadas en el campo forestal son el perceptrn multicapa, las redes de base radial
y los mapas autoasociativos de Kohonen.
3.1.- Perceptrn multicapa.
El perceptrn multicapa (Figura 1) es, con diferencia, el modelo de red neuronal ms
popular. Es una estructura de red neuronal artificial con conexiones hacia delante y lo
podemos definir como un aproximador universal para cualquier funcin continua y
diferenciable en un conjunto compacto de n (HORNIK, 1989).
Entre sus ventajas principales podemos resaltar su gran capacidad de aprender a partir de
una serie de ejemplos, ser un aproximador de funciones no lineales y ser capaz de filtrar el
ruido presente en el conjunto de entrada. Entre sus inconvenientes figuran el que precisa de
un largo proceso de aprendizaje, cuanto ms compleja sea la red ms largo ser el
Pag. 4 de 19
en el momento en que el error del conjunto de validacin aumente mientras que el del
conjunto de entrenamiento siga descendiendo se habr producido el sobreentrenamiento
de la red.
y los centros de los patrones de entrada y la minimizacin de las amplitudes de forma que se
produzca el menor solapamiento posible entre neuronas. En la segunda fase, fase
supervisada, se calculan los pesos y los umbrales de ls neuronas de salida de la red.
La principal diferencia especto al perceptrn es que mientras ste acta como aproximador
global, debido al tipo de funcin de activacin, las redes radiales actan como
aproximadores locales (HAYKIN, 1998), cada neurona se especializa en una regin del
espacio de entrada. La desventaja de esto es que en algunas ocasiones la obtencin de una
salida a partir de datos locales puede llevar consigo que se necesite un nmero muy alto de
neuronas, lo que perjudicara la capacidad de generalizacin de la red.
Dentro de las redes de base radial, las redes probabilsticas son, junto con las redes de
funciones de base radial, las ms utilizadas en el mundo forestal. Las redes probabilsticas se
pueden utilizar para resolver problemas de clasificacin.
3.3. Mapas autoorganizativos de Kohonen.
Los mapas autoorganizativos de Kohonen son un modelo de redes neuronales artificiales de
aprendizaje no supervisado desarrollados por Teuvo Kohonen en 1982 (KOHONEN, 1982;
KOHONEN, 1990)
Estas estructuras constan de dos capas. La primera capa, capa de entrada o capa
organizativa no realiza ningn tipo de operacin, tiene tantas neuronas como dimensin
tiene el vector de entrada y es la encargada de distribuir el vector de entrada a la siguiente
capa. La segunda capa, capa de competicin o mapa, consta de una serie de neuronas
organizadas en una retcula y que compiten unas con otras frente a un estmulo de entrada.
El objetivo de estas redes es clasificar los patrones de entrada en diferentes grupos de
caractersticas similares, de forma que cada grupo active siempre las mismas neuronas.
Pag. 8 de 19
10 ciclos
100 ciclos
1000 ciclos
10.000 ciclos
Problema del viajante de comercio con las capitales de provincia espaolas
Pag. 9 de 19
Pag. 11 de 19
Pag. 12 de 19
En este caso las redes neuronales se aplican en unin a un sistema de visin artificial el cul
fotografa la pieza de madera y tras someter la imagen a una serie de filtros presenta el
resultado a la red, la cul es capaz de clasificar el defecto de la madera con un acierto
superior al 85% mientras que una inspeccin manual oscila entre 55-70% (PHAN &
SAGIROLU, 2000; LI et al, 2003).
Las redes desarrolladas para esta aplicacin son capaces de detectar y clasificar defectos
como presencia de nudos tanto saltadizos como sanos o rotos, ausencia de madera
(agujeros) en la chapa, presencia de restos de corteza, fendas o decoloraciones. (DRAKE &
PACKIANATHER, 1998; PACKIANATHER & DRAKE, 2000; PHAM & SAGIROGLU, 2000; LI et al,
2003; PACKIANATHER & DRAKE, 2004; RAMREZ ALONSO y CHACN MURGUA, 2005;
PACKIANATHER et al, 2008). En algn caso comparndolas con otros mtodos de
clasificacin (PACKIANATHER & DRAKE, 2005).
Tambin se han utilizado en esta industria para modelizar propiedades de los tableros a
partir de ensayos ms rpidos de realizar, a fin de ahorrar costes de ensayo o tiempo de
realizacin. As se ha modelizado el resultado del ensayo de calidad del encolado (GARCA
ESTEBAN et al. 2011) a partir de otros ensayos ms rpidos de realizar. Tambin se ha
modelado la resistencia a flexin y mdulo de elasticidad de tableros contrachapados
estructurales a partir de otras propiedades menos complejas de obtener (GARCA
FERNNDEZ et al. In press)
4.2.3.- Industria de tableros de madera maciza y aserrado.
La utilizacin es muy similar al tablero contrachapado. La nica diferencia es que en algunas
ocasiones se incluyen ms defectos como bolsas de resina, que no se contemplan en la
industria del tablero contrachapado (RUZ et al, 2005, CAVALIN et al, 2006), o se incluyen las
variaciones de color para obtener tonos homogneos dentro del tablero de madera maciza
(KURDTHONGMEE, 2008).
En la industria del aserrado existe una lnea de investigacin destinada a detectar los
defectos internos en las trozas a partir de imgenes de rayos X (MU et al, 2006; MU & QI,
2008; QI et al, 2008), de tomografas computerizadas (ODONOGHUE et al, 1994;
NORDMARK, 2002) o mediante la utilizacin de ultrasonidos (WANG et al, 2007), todo ello
encaminado a optimizar el despiece de las trozas de madera.
4.2.4.- Aplicacin a la industria papelera.
Durante el proceso de fabricacin de la pasta de papel a partir de la madera en el digestor es
crucial la medida de la cantidad de lignina presente durante el proceso, ya que dicha
cantidad va a determinar tanto la calidad del papel que se obtendr como la cantidad de
Pag. 13 de 19
Pag. 14 de 19
5.- CONCLUSIONES.
De manera general podemos decir que la aplicacin de las redes neuronales artificiales a
cualquier mbito forestal mejora los mtodos clsicos de estudio, ya que permiten
establecer una compleja regresin mltiple no lineal entre variables y adems, no se tienen
en cuenta las premisas del tipo de distribucin de los datos, que s se deben considerar en
los modelos de regresin. Sin embargo los modelos obtenidos no son interpretables debido
al gran nmero de funciones implicadas en el proceso y a las relaciones mltiples entre ellas.
Por lo tanto son una herramienta muy til en el control y modelizacin, siempre y cuando lo
que busquemos sea una solucin fiable al problema planteado sin importar la forma en que
obtengamos dicha solucin.
6.- BIBLIOGRAFA
AGUIAR, H.C.I. L.; FILHO, R.M. 1998. Modeling and optimization of pulp and paper
processes using neural networks. Comput. Chem. Eng. 22(S1), S981-S984.
ALONSO-BETANZOS, A.; FONTENLA-ROMERO, O.; GUIJARRO-BERDIAS, B.;
HERNNDEZ-PEREIRA, E.; PAZ ANDRADE, M.I.; JIMNEZ, E.; LEGIDO SOTO, J.L.
CARBALLAS, T. 2003. An intelligent system for forest fire risk prediction and fire
fighting management in Galicia. Expert Syst. Appl. 25(4), 545-554.
ANDR, N.; CHO, H.W.; BAEK, S.H.; JEONG, M.K.; YOUNG, T.M. 2008. Prediction of
internal bond strength in a medium density fiberboard process using multivariate
statistical methods and variable selection. Wood Sci. Technol. 42(7), 521-534.
ASOCIACIN ESPAOLA DE NORMALIZACIN (AENOR), 1971. Tableros de partculas.
Ensayos. Determinacin de la hinchazn y de la absorcin de agua por inmersin
total. Standard UNE 56713
ASOCIACIN ESPAOLA DE NORMALIZACIN (AENOR), 1994a. Tableros derivados de
la madera. Determinacin del contenido de humedad. Standard UNE-EN 322.
Madrid, Espaa.
ASOCIACIN ESPAOLA DE NORMALIZACIN (AENOR), 1994b. Tableros derivados de
la madera. Determinacin de la densidad. Standard UNE-EN 323. Madrid, Espaa.
ASOCIACIN ESPAOLA DE NORMALIZACIN (AENOR), 2002. Tableros derivados de
la madera. Determinacin de la resistencia a la humedad bajo condiciones de ensayo
cclicas. Standard UNE-EN 321. Madrid, Espaa
AVRAMIDIS, S.; ILIADIS, L. 2005a. Predicting wood thermal conductivity using artificial
neural networks. Wood Fiber Sci. 37(4), 682-690.
AVRAMIDIS, S.; ILIADIS, L. 2005b. Wood-water sorption isotherm prediction with
artificial neural networks: A preliminary study. Holzforschung. 59, 336-341.
CAVALIN, P.; OLIVEIRA, L.S.; KOERICH, A.L.; BRITTO JR. A.S. 2006. Wood Defect
Detection using Grayscale Images and an Optimized Feature Set. The 32nd Annual
Conference of the IEEE Industrial Electronics Society. November 7-10, Paris - FRANCIA
Pag. 15 de 19
CEYLAN, .; AKTA M. 2008. Modeling of a hazelnut dryer assisted heat pump by using
artificial neural networks. Appl. Energy, 85 (841-854).
COOK, D.F.; CHIU, C.C. 1997. Predicting the internal bond strength of particleboard,
utilizing a radial basis function neural network. Eng. Appl. Artif. Intell. 10(2), 171-177.
COOK, D.F.; MASSEY, J.G.; SHANNON, R.E. 1991. A Neural network to predict
particleboard manufacturing process parameters. For. Sci. 37(5), 1463-1478.
COOK, D.F.; RAGSDALE, C.T.; MAJOR, R.L. 2000. Combining a neural network with a
genetic algorithm for process parameter optimization. Eng. Appl. Artif. Intell. 13:391396.
DRAKE, P.R.; PACKIANATHER, M.S. 1998. A decision tree of neural networks for
classifying images of wood veneer. Int. J. Adv. Manuf. Technol. 14, 280-285.
EDWARDS, P.J.; MURRAY, A.F.; PAPADOPOULOS, G.; WALLACE, A.R.; BARNARD, J.;
SMITH, G. 1999. The application of neural networks to the papermaking industry.
IEEE Trans. Neural Netw. 10(6), 1456-1464.
FAN, X.; VERMA, B. 2009. Selection of facial features for face recognition. Expert Syst.
Appl. 36, 7157-7169.
GARCIA ESTEBAN, L.; GARCA FERNNDEZ, F.; DE PALACIOS, P. 2011. Prediction of
plywood bonding quality using an artificial neural network. Holzforschung. 65:209214.
GARCIA ESTEBAN, L.; GARCA FERNNDEZ, F.; DE PALACIOS, P.; CONDE, M. 2009a.
Artificial neural networks in variable process control: application in particleboard
manufacture. Invest Agrar Sist Recur For. 18(1):in press
GARCA ESTEBAN, L.; GARCA FERNNDEZ, F.; PALACIOS DE PALACIOS, P.; GONZLEZ
RODRIGO, B. 2010. Use of neural networks as a predictive method to determine
moisture resistance of particle and fiber boards under cyclic testing conditions (UNEEN 321). Wood and Fiber Science. 42(3):1-11.
GARCA ESTEBAN, L.; GARCA FERNNDEZ, F.; PALACIOS DE PALACIOS, P.; MORENO
ROMERO, R.; NAVARRO CANO, N. 2009b. Artificial neural Networks in wood
identification: the case of two Juniperus species from the Canary Island. IAWA. 30(1),
87-94.
GARCIA ESTEBAN, L.; GARCA FERNNDEZ, F.; DE PALACIOS, P.; NAVARRO, N.;
CONDE, M. 2008. Prediction of standard particleboard mechanical properties utilizing
an artificial neural network and subsequent comparison with a multivariate
regression model. Invest Agrar Sist Recur For. 17(2):178-187.
GARCA FERNANDEZ, F.; DE PALACIOS, P.; G. ESTEBA, L.; ARCIA-IRUELA, A.; GONZALEZ
RODRIGO, B.; MENASALVAS, E. In press. Prediction of MOR and MOE of structural
plywood board using an artificial neural network and comparison with a multivariate
regression model. Composites Part B.
GRANITTO, P.M.; NAVONE, H.D.; VERDES, P.F.; CECATTO, H.A. 2002. Weed seeds
identification by machine vision. Comput. Electron. Agric. 33, 91-103.
Pag. 16 de 19
Gong, P.; Pu, R.; Yu, B. 1997. Conifer species recognition: An exploratory analysis of in
situ hyperspectral data. Remote Sens. Environ. 62(2), 189-200.
HASENAUER, H.; MERKL, D.; WEINGARTNER, M. 2001. Estimating tree mortality of
Norway spruce stands with neural networks. Adv. Environ. Res. 5, 405-414.
HAYKIN S. 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall, 2nd
edition, New Jersey, USA 842 pp. ISBN: 0132733501.
HORNIK, K. 1989. Multilayer Feedforward Networks are Universal Approximators.
Neural Netw. 2:359-366.
KOHONEN, T. 1982. Self-Organized Formation of Topologically Correct Feature Maps.
Biol. Cybern. 43, 59-69.
KOHONEN, T. 1990. The self-organizing map. Proc. IEEE. 78(9), 1464-1480.
KURDTHONGMEE, W. 2008. Colour classification of rubberwood boards for
fingerjoint manufacturing using a SOM neural network and image processing.
Comput. Electron. Agric. 68, 85-92.
LEWIS, J.R.; DANIEL, N.W.; CHAFFIN, N.C.; GRIFFITHS, P.R. 1994. Raman spectrometry
and neural networks for the classification of wood types-1. Spectroc. Acta Pt. AMolec. Biomolec. Spectr. 50(11), 1943-1958.
LI, Z.; KHANANIAN, A.; FRASER, R.H.; CIHLAR, J. 2001. Automatic detection of fire
smoke using artificial neural networksand threshold approaches applied to AVHRR
imagery. IEEE Trans. Geosci. Remote Sensing. 39(9). 1859-1870.
LI, M.X.; WU, C.D.; YUE, Y. 2003. Automatic visual inspection and classification based
on rough sets and neural network. Proceeding of the Second International
Conference on Machine Learning and Cybernetics. Xian 2-5 Nov. China.
LI, M.B.; ZHANG, J.W.; ZHENG, S.Q. 2006. A novel network for prediction of wood
density time series. DCDIS Series B: Applications & Algorithms. 14, 220-226.
LIU, Y.; ZHANG, X.; HUA, J. 2008. Fault diagnosis base don radial basis function neural
network in particleboard blue mixing and doping system. Chinese Control and
Decision Conference, 2-4 jul. 2008. CCDC 2008.
MANSFIELD, S.D.; ILIADIS, L.; AVRAMIDIS, S. 2007. Neural network prediction of
bending strength and stiffness in western hemlock (Tsuga heterophylla Raf.).
Holzforschung. 61:707-716
MARTN, Q.; PAZ, Y.R. 2007. Aplicacin de las redes neuronales artificiales a la
regresin. Ed. La Muralla. Madrid. Espaa. 132p. ISBN. 978-84-7133-767-2.
MINSKY, M.; PAPERT, S. 1969. Perceptrons, An Introduction to Computacional
Geometry. MIT Press. Cambridge. Massachusets. 263pp
MIER PREZ, R.; GARCA DE CECA, J.L.; DEZ BARRA, M.R.; FERNNDEZ-GOLFN SECO,
J.I.; HERMOSO PRIETO, E. 2004. Aplicacin de redes neuronales a la clasificacin de
madera estructural. Comparacin con otros modelos de clasificacin. IV Congreso
Forestal Espaol. 26-30 Septiembre. Zaragoza. Espaa.
Pag. 17 de 19
MORRIS, A.J.; MONTAGUE, G.A.; WILLIS, M.J. 1994. Artificial neural networks: Studies
in process modeling and control. Trans I ChemE. 72(A): 3-19
MU, H.; LI, L.; YU, L.; ZHANG, M.; QI, D. 2006. Detection and classification of wood
defects by ANN. International Conference on Mechatronics and Automation. 25-28
Jun. Luoyang. China.
MU, H.; QI, D. 2008. Recognition of wood defects based on artificial neural network.
International conference on Advanced Intelligent Mechatronics. 2-5 Jul. Xian. China.
MUSAVI, M.T.; COUGHLIN, D.R.; QIAO, M. 1995. Prediction of wood pulp K with radial
basis function neural network. IEEE International Symposium on Circuits and
Systems. ISCAS '95. Seattle, Washington, USA. 3, 16-19.
MUSAVI, M.T.; DOMNISORU, C.; SMITH, G.; COUGHLIN, D.R.; GOULD, A.L. 1999. A
neuro-fuzzy system for prediction of pulp digester K-number. International Joint
Conference on Neural Networks, 1999. IJCNN '99. Washington, DC, USA. (6), 42534258
NORDMARK, U. 2002. Knot identification from CT images of young Pinus sylvestris
sawlogs using artificial neural networks. Scand. J. Forest Res. 17,72-78.
ODONOGHUE, D.; DUFFIN, J.; HUGHES, D.; KEATING, J.G.; FEENEY, F.E.; LAWLOR, V.;
EVERTSEN, J. Sitka spruce quality estimation using neural networks. Irish Neural
Networks Conference. INNC-94. Dublin. Irlanda.
PACKIANATHER, M.S.; DRAKE, P.R. 2000. Neural networks for classification images of
wood veneer. Part 2. Int. J. Adv. Manuf. Technol. 16, 424-433.
PACKIANATHER, M.S.; DRAKE, P.R. 2004. Modelling neural network performance
through response surface methodology for classifying wood veneer defects. Proc.
Inst. Mech. Eng. Part B-J. Eng. Manuf. 218(4), 459-466.
PACKIANATHER, M.S.; DRAKE, P.R. 2005. Comparison of neural and minimum
distance classifiers in wood veneer defect identification. Proc. Inst. Mech. Eng. Part
B-J. Eng. Manuf. 219(11), 831-841.
PACKIANATHER, M.S.; DRAKE, P.R.; PHAM, D.T. 2008. Feature selection method for
neural network for the classification of wood veneer defects. Automation Congress.
WAC 2008.
PHAN, D.T.; SAGIROGLU, S. 2000. Neural network classification of defects in veneer
boards. Proc. Inst. Mech. Eng. Part B-J. Eng. Manuf. 214(3), 255-258.
QI, D.; MU, H.; ZHANG, M.; YU, L. 2008. Detection of wood defects from X-ray image
by ANN. International Conference on Automation and Logistics. Septiembre 2008.
Qingdao. China.
RAMREZ ALONSO, G.M.J.; CHACN MURGUA, M.I. 2005. Clasificacin de defectos
en madera utilizando redes neuronales artificiales. Computacin y Sistemas. 9(1), 1727.
RUZ, G.A.; ESTVEZ, P.A.; PREZ, C.A. 2005. A neurofuzzy color image segmentation
method for wood surface defect detection. For. Prod. J. 55(4), 52-58.
Pag. 18 de 19
SAMARASINGHE, S.; KULARISI, D.; JAMIESON, T. 2007. Neural networks for predicting
fracture toughness of individual wood samples. Silva. Fenn. 41(1), 105-122.
SCHMID, M. 2008. Discussion of: "Artificial neural network and mathematical
modeling comparative analysis of nonisothermal diffusion of moisture in wood" by
Stavros Avramidis and Hongwei Wu. Holz Als Roh-und Werkst. 66(1), 71-73.
SHA, W. 2007. Comment on the issues of statistical modelling with particular
reference to the use of artificial neural networks. Appl. Catal. A-Gen. 324, 87-89.
VANSTONE, B; FINNIE, G. 2009. An empirical methodology for developing
stockmarket Trading Systems using artificial neural Networks. Expert Syst. Appl. 36,
6668-6680.
VEGA-GARCIA, C.; WOODARD, P.M.; TITUS, S.J.; ADAMOWICZ, W.L.; LEE, B.S. 1999.
Dos modelos para la prediccin de incendios forestales en Whitecouurt Forest,
Canada. Invest. Agr: Sist. Reccur. For. 8(1), 5-23.
WANG, L.; QI, W.; WU, J.; HOU, W. 2007. Recognizing the patterns of wood inner
defects based on wavelet neural networks. International conference on automation
and Logistics. 18-21 Agosto. Jinan. China.
YANG, H.; LEWIS, I.R.; GRIFFITHS, P.R. 1999. Raman spectrometry and neural
networks for the classification of wood types. 2. Kohonen self-organizing maps.
Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. 55(14), 2783-2791.
Pag. 19 de 19