MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

Se componen de unos elementos denominados nodos o neuronas interconectados entre s

mediante enlaces de conexin, cada uno de los cules posee su propio peso, y organizados
en una serie de capas. La capa interna recibe los datos procedentes del exterior, la capa
interna procesa esta informacin con el fin de extraer el conocimiento de dichos datos y la
capa de salida muestra la solucin obtenida por la red. Esta organizacin no es del todo
exacta, pues existen tipos de redes que no poseen capa de salida, sino que la solucin o el
conocimiento extrado de los datos, es la estructura organizativa de la capa interna. No
existe una regla general para definir a priori la estructura de la red sino una serie de
recomendaciones, como que deben tener estructura piramidal (VANSTONE & FINNIE, 2009)
o el nmero mximo de neuronas que debe tener una red en funcin del nmero de datos
disponibles (SHA, 2007).

Esquema general de una Red Neuronal tipo perceptrn.

Su formulacin es anterior al desarrollo de los ordenadores, pero no es hasta que stos
fueron capaces de realizar complejas operaciones de una forma rpida cuando las redes
tuvieron su gran desarrollo. Los primeros intentos datan de la dcada de los cuarenta con el
modelo de Mcculloch y Pitts que desarrollaron en 1943 el primer modelo matemtico de
una red neuronal con salida binaria. Durante la dcada de los cincuenta viven un gran
desarrollo que culmina con el diseo de perceptrn de tres capas en 1958 por Rosenblatt y
el ADALINE en 1960 por Widrow y Hoff. Durnate la dcada de los setenta viven un periodo
de decadencia, en parte ocasionado por la publicacin en 1969 del libro de Minsky y Papert
en el que generalizaban las limitaciones del percetrn monocapa a sistemas multicapas
nuestro intuitivo juicio es que la extensin (a sistemas multicapas) es una tarea estril. Este
libro trajo consigo una reduccin considerable en los recursos dedicados a la investigacin
de redes neuronales. Pese a esto, el tesn de varios investigadores durante la dcada de los
Pag. 2 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

aprendizaje; y el que el modelo obtenido no es interpretable, aunque esto ltimo es

generalizado a los distintos tipos de redes, ya que las innumerables conexiones entre las
neuronas de las distintas capas hacen prcticamente imposible definir cmo se relacionan
las variables de entrada y cules de ellas son predominantes en el modelo.
Su diseo exige un estudio previo de las variables implicadas en el proceso a modelizar, de
forma que se eliminen las variables correlacionadas y las que no son relevantes. Pero para la
definicin del nmero de capas internas y de cuntas neuronas debe tener cada capa no
existe una regla definida, slo una serie de recomendaciones, por lo que la nica forma de
obtener la estructura interna es a base de prueba y error. La tcnica de empezar por una
estructura simple e irle aadiendo neuronas poco a poco es una buena tcnica para
encontrar la red ptima.
Sin embargo, siempre es recomendable obtener una red matemticamente definida, es
decir, en la cual cada una de las conexiones est definida y sea nica. Para ello deberemos
entrenar la red con un nmero superior de datos al nmero de incgnitas, que son las
conexiones internas. Para un perceptrn de tres capas lo ideal sera:

ndatos ( Nentrada 1) Noculta_1 ( Noculta_1 1) Noculta_ 2 ( Noculta_ 2 1) Noculta_ 3 ( Noculta_ 3 1) 1

Su estructura posee tres capas. La capa de entrada es la que recibe los impulsos desde el
exterior, la capa de salida proporciona la respuesta de la red frente a los valores de entrada
y la capa interna, estructurada en una o varias subcapas, es la encargada de realizar las
distintas operaciones para obtener una salida frente a los valores de entrada.
El proceso de aprendizaje se realiza mediante aprendizaje supervisado. As presentamos a la
red tanto los valores de entrada de las variables como los valores de salida de las mismas. En
el primer paso se inicializan aleatoriamente todas las conexiones internas de la red y es sta,
la que a partir de la bsqueda del mnimo de la funcin error de salida, ir adaptando los
pesos de las conexiones para acercarse cada vez ms a los valores reales.
Durante este proceso se debe vigilar la capacidad de generalizacin de la red en cada
momento para evitar caer en el sobreentrenamiento. Este fenmeno, nada deseable, se
produce cuando la red se adapta perfectamente al conjunto de entrenamiento pero es
incapaz de aplicar el conocimiento extrado a otro conjunto desconocido. Para evitar esto
dividiremos el conjunto de datos en dos subconjuntos, el conjunto de entrenamiento y el de
validacin. La divisin en estos dos conjuntos debe ser aleatoria, deben ser cada uno de
ellos representativos de la poblacin y no debe haber diferencias significativas entre ellos
(SCHMID, 2008). Evaluaremos cada cierto nmero de ciclos de aprendizaje el error
producido en el conjunto de datos iniciales (conjunto de entrenamiento) y lo compararemos
con el error producido en un conjunto desconocido (conjunto de validacin) de forma que
Pag. 5 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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.

3.2.- Redes de base radial.

Al igual que el perceptrn son redes multicapa con conexiones hacia delante. Requieren
generalmente ms neuronas que el perceptrn multicapa, sin embargo su tiempo de
aprendizaje es menor.

Estructura de una red de base radial

Posee, igualmente, tres capas slo que en este caso la capa interna es monocapa. El nmero
de neuronas de la capa de entrada coincide con el nmero de variables de entrada, sin
embargo las conexiones de la capa de entrada con la capa interna no llevan asociadas
ningn tipo de peso. El nmero de neuronas de la capa oculta se define, al igual que en el
perceptrn, mediante prueba y error.
Las funciones de activacin asociadas a la capa oculta son funciones de tipo gaussiano de
centro t y desviacin d, lo que confiere un carcter local a la red. En stas redes cada zona
del especio de entrada est representada por una neurona.
Su aprendizaje se realiza en dos fases. La primera es una fase de aprendizaje no supervisado,
en que se determinan los centros y las amplitudes (desviaciones) de las funciones de
activacin mediante la minimizacin de la distancia eucldea entre el centro de cada neurona
Pag. 6 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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.

Esquema de un mapa autoorganizativo.

Pag. 7 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

Durante la fase de aprendizaje cada neurona de la capa de competicin sintoniza con

diferentes rasgos del espacio de entrada y la red determina qu neurona est ms prxima a
los datos de la entrada tomndola como ganadora. Con cada ciclo de aprendizaje se van
modificando los pesos de las conexiones entre neuronas mediante una funcin de vecindad,
de forma que cada vez se premia ms a la neurona y su salida se parece cada vez ms al
patrn de entrada. Simultneamente se van modificando los pesos de las conexiones con las
neuronas vecinas para que neuronas prximas sintonicen con patrones de entrada similares.
De esta forma se va obteniendo un mapa topolgico del espacio de entrada. La funcin de
vecindad es una funcin simtrica, centrada en la neurona ganadora. Se puede utilizar una
funcin gaussiana, cuadrtica, triangular, sombrero mejicano Esta funcin define un
parmetro, el radio de vecindad, que se ir reduciendo progresivamente segn avanza el
aprendizaje, de forma que la victoria de la neurona ganadora afecte cada vez a menos
neuronas vecinas.
Este tipo de redes se ha aplicado con xito a distintos problemas:
Problemas de familiaridad o de similitud entre los valores de entrada y un
valor tipo
Anlisis de componentes principales, en los que se busca que variables tienen
preponderancia sobre los dems
Agrupamiento, en los que se busca dividir el conjunto de entrada en
diferentes subconjuntos.
Codificacin, que es un tipo de reduccin dimensional en la que se busca la
compresin de los datos en un conjunto de dimensin menor sin perder informacin.
Extraccin de caractersticas, en los que se busca definir la estructura
organizativa de los patrones de entrada y extraer sus caractersticas tiles.
Un caso muy especial en el uso de las redes autoorganizadas de Kohonen o SOM es la
resolucin del problema del viajante de comercio. El problema del viajante de comercio
consiste en encontrar el camino que debe recorrer un viajante de comercio para visitar n
ciudades de forma que la distancia recorrida sea mnima. Para resolverlo colocaramos las
coordenadas de las ciudades en un plano en R2 y crearamos una red con tantos
nodos/neuronas como ciudades. El SOM en su proceso de aprendizaje ir colocando cada
nodo en una ciudad dibujando el camino ms corto. El resultado de la red ser el itinerario a
seguir.

Pag. 8 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

10 ciclos

100 ciclos

1000 ciclos
10.000 ciclos
Problema del viajante de comercio con las capitales de provincia espaolas

3.4. Redes Neuronales recurrentes

En los modelos descritos hasta ahora de redes neuronales la informacin flua
exclusivamente hacia delante. Sin embargo, es posible formar bucles internos que conecten
neuronas de una capa con neuronas de capas precedentes o consigo misma. De esta forma
que la informacin no slo fluye hacia delante, son las denominadas redes neuronales
recurrentes.

Pag. 9 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

Esquema de una red neuronal recurrente.

En este caso la informacin que recibe una neurona no depende exclusivamente de las
neuronas precedentes, sino que estn implicadas las neuronas posteriores o ella misma.
Estas conexiones recurrentes generan un aumento de las conexiones que permite una mejor
capacidad de representacin a costa de un mayor tiempo de aprendizaje. As mismo. La
inclusin de conexiones recurrentes implica un comportamiento dinmico de dichas redes
que las hace especialmente adecuadas para la modelizacin de problemas dinmicos, es
decir, problemas en los que el tiempo es una variable importante en la caracterizacin de los
patrones. Es decir, son especialmente tiles en la modelizacin de procesos en los que las
variables en un tiempo t estn determinadas por el estado de dichas en tiempos anteriores.
Hay que resaltar que, aunque la principal aplicacin de estas redes es la modelizacin de
patrones temporales tambin se pueden utilizar para problemas estticos.
3.4.1. Red de Elman.
La red de Elman es especialmente importante por la su sencillez en su desarrollo. Se
caracteriza porque cada capa de neuronas recibe una copia de su salida y esta copia no tiene
asociado ningn peso. Es bsicamente un perceptrn multicapa con conexiones recurrentes
en cada capa. Esto produce que las neuronas de una capa posean informacin de entrada
soble las salidas que producen en el instante anterior.
3.4.2. Redes con retardo temporal.
Un caso muy particular de las redes de comportamiento dinmico es el caso de las redes
con retardo temporal. Aunque se usan para resolver problemas temporales, estas redes no
Pag. 10 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

pueden considerarse como autnticas redes recurrentes ya que en ellas la informacin no

fluye hacia atrs. En estas redes en la capa de entrada junto con variables estticas figuran
estados anteriores de la variable de salida.

Red con retardo temporal

4.- APLICACIONES FORESTALES DE LAS REDES NEURONALES.

En el campo forestal sus aplicaciones principales han sido en el campo industrial,
especialmente en las fbricas de tableros de partculas, contrachapados y papeleras. En el
primer caso se ha tratado de obtener las propiedades mecnicas del tablero, en el segundo
caso las redes desarrolladas se han enfocado a la clasificacin de las chapas de madera y en
el caso de las industrias papeleras se ha tratado de modelizar el proceso de digestin y
obtener las propiedades del producto final. Otros usos han sido la identificacin de especies,
la modelizacin de incendios o su utilizacin en la clasificacin de defectos en la madera.
4.1. Condiciones de uso.
Hay que tener en cuenta inicialmente que en el desarrollo de una red neuronal como
aplicacin industrial se necesita un gran nmero de datos que no siempre es posible
disponer de ellos y que la red dar una muy buena precisin en el proceso a modelizar pero
acta como una caja negra por lo que no da ninguna informacin sobre las relaciones entre
las variables implicadas en el proceso.

Pag. 11 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

4.2. Utilizacin en las diferentes industrias.

4.2.1.- Industria de tableros derivados de la madera.
El principal problema al que se enfrenta la industria en general y la de tableros derivados de
la madera en particular es no disponer de los resultados de los ensayos con la suficiente
rapidez (MORRIS et al. 1994; COOK et al. 2002). Por lo que la aplicacin en este campo ha se
ha enfocado a la obtencin rpida de las propiedades del tablero. Para ello se ha partido de
sus parmetros de fabricacin (COOK et al, 1991; COOK & CHIU, 1997; ANDR, 2008) como
la humedad de las partculas, la temperatura del secadero, velocidad de la manta,
temperatura interna de la manta, tiempo de prensado y temperatura de prensado. Tambin
se han obtenido las propiedades mecnicas a partir de propiedades fsicas rpidas y fciles
de obtener como la humedad (UNE EN 322) (AENOR, 1994a) la densidad (UNE EN 323)
(AENOR, 1994b), la hinchazn y la absorcin de agua tras dos horas de inmersin total en
agua (UNE 56703) (AENOR, 1971) (GARCA FERNNDEZ et al, 1998). Ms recientemente se
ha utilizado para reducir el tiempo de espera para la obtencin del resultado de un ensayo,
como es el caso del ensayo de resistencia tras un ciclo de envejecimiento (UNE EN 321)
(AENOR 2002), en el que a partir de unos ensayos realizados en veinticuatro horas se ha
modelizado el resultado de un ensayo que dura no menos de treinta das (GARCA ESTEBAN
et al, 2010).
Por ltimo se han utilizado en unin al control estadstico de procesos para realizar el
control estadstico por variables en la industria de tablero de partculas, obteniendo los
mismos resultados de clasificacin de la produccin real y mediante la red neuronal artificial
(GARCA ESTEBAN et al, 2009a).
Tambin se han aplicado a la deteccin de fallos durante el proceso de dosificado y encolado
de las partculas a partir de la velocidad de flujo de las partculas, gramaje de la cola y
velocidad de flujo de las partculas en la encoladora (LIU et al, 2008).
4.2.2.- Industria del tablero contrachapado.
Es importante que las chapas exteriores de los tableros contrachapados sean las de mejor
calidad visual, as como que los defectos del resto de las chapas sean detectados a tiempo
para poder subsanarlos o, en caso de grandes defectos, eliminar dicha chapa de la lnea de
fabricacin del tablero. La velocidad de la chapa en la lnea de fabricacin va de 1-2m/s por
lo que el tiempo para la inspeccin visual no supera los dos segundos (LI et al, 2003). La
aplicacin de las redes neuronales artificiales en la industria de la chapa y el tablero
contrachapado se ha centrado en la clasificacin de los defectos aparecidos en las chapas.

Pag. 12 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

blanqueante a utilizar, la cual est directamente relacionada con la duracin de la

maquinaria utilizada en el proceso (MUSAVI el al, 1999). El factor K, o nmero kappa, est
relacionado con la cantidad de lignina presente en la pasta y por ello es importante su
medida durante el proceso de digestin para mantenerlo dentro de unos parmetros
razonables. Las redes neuronales se han utilizado tanto para obtener el factor K (MUSAVI et
al, 1995; MUSAVI el al, 1999) como la evolucin de la concentracin de lignina y
carbohidratos durante el proceso de digestin (AGUIAR & FILHO, 1998).
Tambin se han utilizado las redes neuronales en la obtencin de la rugosidad del papel
fabricado a partir de los porcentajes de madera de frondosa y confera presentes en la pasta
y del contenido de humedad y la porosidad del producto final (EDWARDS et al, 1999).
4.2.5.- Identificacin y clasificacin de especies.
Las redes neuronales artificiales se han utilizado tambin para la diferenciacin de especies
de maderas o diferenciacin de especies de conferas. Para la diferenciacin de especies de
maderas se ha utilizado tanto un perceptrn multicapa utilizando como variables de entrada
lo datos anatmicos (GARCA ESTEBAN et al, 2009b), como un mapa autoorganizativo de
Kohonen, utilizando como entrada datos procedentes de espectros de infrarrojo (LEWIS et
al, 1994; YANG et al, 1999).
Tambin se han utilizado para la diferenciacin de distintos tipos de conferas en pie a partir
de datos espectrales de satlite (GONG et al, 1997).
4.2.6.- Aplicaciones estructurales.
En cuanto a las aplicaciones estructurales, las redes neuronales se han utilizado para
clasificar la madera estructural, comparndolas con otros mtodos de clasificacin (MIER
PREZ et al, 2006), o para mejorar los resultados de las propiedades mecnicas obtenidos
por mtodos no destructivos (MANSFIELD et al, 2007; SAMARASINGHE et al, 2007).
4.2.7.- Otras aplicaciones.
De forma menos generalizada las redes neuronales tambin se han aplicado en el campo
forestal para la obtencin de propiedades fsicas de la madera, como su conductividad
trmica (AVRAMIDIS & ILLIADIS, 2005a), su densidad (LI et al, 2006) o sus curvas de sorcin
(AVRAMIDIS & ILLIADIS, 2005b); para la deteccin y control de incendios (VEGA-GARCA et
al, 1999; LI et al, 2001; ALONSO-BETANZOS et al, 2003); e incluso para predecir la mortalidad
de rboles en pie (HASENAUER et al, 2001).

Pag. 14 de 19

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIN

DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIN Y DE CALIDAD

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