CAPÍTULO_3_CORREGIDO

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

TEMA 3

EXPLICACION FUNCIONAL: DE LA PERCEPCION A LA
DEFINICION DE HIPOTESIS ACERCA DEL PASADO.

Sólo mediante la formalización y cuantificación de las propiedades de

tamaño, forma, textura y materialidad podremos llegar a saber por qué un artefacto
arqueológico es como es. El supuesto de partida es que parece existir un
condicionante directo o incluso una relación de determinación entre la apariencia de
un artefacto prehistórico y su función en el pasado. Obviamente, este supuesto
requiere de un análisis más detallado.

El supuesto principal es que una percepción debiera relacionarse con una
afirmación acerca del suceso causal (acción social, uso, intención, función) que haya
producido la evidencia percibida. En su sentido más básico la tarea puede reducirse al
problema de detectar estímulos perceptuales clave o rasgos que de manera no
ambigua se relacionen con dichos sucesos. Por ejemplo la apariencia de un desgaste
puede ser distintiva de una manera concreta de uso de dicho artefacto, uso que causo
dicho desgaste. En este caso decimos que esos rasgos concretos de textura “predicen”
que el instrumento fue usado para cortar madera fresca por lo que inferimos que en
cierto momento un grupo de gente estuvo cortando árboles. Alternativamente
podemos considerar que la forma específica de ciertas vasijas cerámicas predicen su
uso pasado como contenedores de vino, lo que interpretaríamos como evidencia
material de producción de vino y comercio; la composición de ciertas tumbas puede
predecir la personalidad social de las personas enterradas en ellas y por consiguiente
la estructura de clases sociales. Claramente el objetivo no está en el objeto (hachas,
ánforas, elites sociales, sino una conducta causal: cortar árboles, envasar vino,
coerción social).

Interpretaciones como las anteriores constituyen lo que podemos
denominar problema inverso, expresión que se refiere a problemas para los que
conocemos el resultado y deseamos conocer la causa. Constituyen el opuesto de los

Página. 51
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

problemas directos, cuya solución implica calcular los resultados basándose en una
descripción completa de los mecanismos causales.

Una manera ideal, pero imposible, de resolver estos problemas supondría
enumerar todas las formas, texturas y o composiciones imaginables que se ajustaran a
una misma función. Esta base de conocimientos universales debiera contener toda la
información necesaria que vinculase la percepción con su interpretación causal. Si
ello fuera posible este tipo de razonamiento implicaría la necesidad de un aprendizaje
basado en instancias que representase el conocimiento en términos de casos concretos
conocidos o experiencias y confiase en métodos de comparación lógica flexible para
recuperar cada una de las experiencias conocidas ante cada situación perceptual. Esta
manera de aprendizaje se supone que es paradigmática de la manera humana de
resolver problemas de diagnósticos complejos en disciplinas como la arqueología. Los
expertos hoy toman decisiones basándose en su experiencia acumulada expresada en
un conjunto potencialmente muy grande de casos resueltos con éxito. Descripciones
de casos anteriores representadas como instancias de un mismo concepto
interpretativo deben memorizarse para uso posterior. Cuando el arqueólogo percibe
una situación con parámetros semejantes a uno de los casos previamente
experimentados busca el ajuste más preciso con todas esas experiencias previas y
aplica la solución antigua al nuevo caso. Los casos no resueltos se añaden a la base
de conocimientos en tanto que instancias de conceptos interpretativos aún por definir.
De este modo una explicación funcional tendría lugar cuando un input perceptual
correspondiera a un elemento de la memoria perceptual, la cual debiera contener una
descripción de cada suceso causal que el sistema espera poder reconocer o identificar.
El reconocimiento perceptual significa aquí el proceso de razonamiento durante el
cual los efectos observados se utilizan para especificar la identidad conceptual de la
acción causada. Debiéramos poder distinguir:

1. El reconocimiento funcional se definiría como el proceso de encontrar y
etiquetar sucesos basados en modelos causales conocidos; esto es el
reconocimiento funcional no sería más que el proceso de decidir a qué
categoría de proceso causal pertenece el rasgo percibido.

2. La identificación funcional podría definirse como el proceso de decidir
qué función individual es antes que decidir a qué categoría de proceso
causal pertenece.

La sugerencia de que podemos definir funciones (“usos”) en términos de la
observación de series repetidas de objetos semejantes usados de la misma manera se

Página. 52
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

relaciona característicamente con un supuesto de regularidad que imagina que
problemas similares deben tener soluciones similares (Kolodner, 1993, Hüllermeier,
2007). La idea es que una vez que proponemos una regla que se ajusta a datos
anteriores, si una percepción en el futuro es semejante a una percepción hecha en el
pasado podremos hacer predicciones correctas. Este mecanismo implica la búsqueda
de una semejanza explicativa máxima entre la situación que se debe explicar y cierto
escenario previamente explicado (Barceló, 2009). Los supuestos subyacentes ya
fueron definidos por Bertrand Russell (1967):

A. Cuando una cosa de cierto tipo A ha sido encontrada asociada con una
cosa de cierto otro tipo B, y nunca se ha encontrado disociada de una cosa
del tipo B, cuanto mayor el número de casos en los que A y B hayan sido
encontrados asociados mayor será la probabilidad de que cuando
encontremos una nueva instancia de A también estará asociada a otra
instancia de B.

B. Bajo las mismas circunstancias, un número suficiente de casos y
asociación hará que la probabilidad de una nueva asociación se convierta
prácticamente en certidumbre.

Se define la semejanza en términos de las propiedades o características que
comparten dos entidades. Dos entidades son similares porque tienen muchas
propiedades en común, pero no tienen todos los elementos característicos en común.
El cielo es semejante al mar porque ambos comparten la propiedad de ser azul. La
diferencia es lo contrario de la semejanza, en particular cuando tratamos con objetos.
Debemos reconocer que toda semejanza entre objetos o cosas es relativa y variable y
que tendrá que ser determinada en relación con un dominio en particular. Por
consiguiente, diferencias y semejanzas sólo se pueden establecer sobre la base de una
comparación. Las cosas son semejantes en color o forma, o en algún otro dominio,
pero no son universalmente semejantes. Así pues, las afirmaciones de semejanza
dependerán del contexto en el que se producen.

En general, se define como similitud al grado de simetría en la semejanza
o diferencia entre dos o más entidades. Como tal, la similitud es un cálculo del
número de repeticiones de patrones compartidos entre los elementos comparados.
Esta definición tiene algunas consecuencias interesantes:

La similitud entre dos entidades aumenta en función del número de
propiedades que comparten

Página. 53
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Las atributos que comparten o diferencian dos entidades se tratan como
propiedades independientes y aditivas
Los atributos que determinan la similitud tienen, aproximadamente, el
mismo nivel de abstracción (aunque no necesariamente la misma
importancia)
Las similitudes con otras entidades deben ser suficientes para describir la
estructura conceptual de la entidad teórica correspondiente: un concepto
será equivalente a la lista de propiedades compartidas por una mayoría de
ejemplos similares.

Se desprende que la similitud es una propiedad reflexiva, dado que toda
entidad comparte consigo misma sus propiedades: todo es similar a sí mismo. En
segundo lugar, se deduce que la similitud es simétrica, dado que A comparte
propiedades con B y B comparte las mismas propiedades con A. En tercer lugar, la
identidad se convierte en el factor que limita una relación de similitud, dado que se
define en términos de compartir todas y no sólo algunas de las propiedades de las
entidades relacionadas.

A primera vista, esta definición puede confundirse con la de
"equivalencia". Una relación de equivalencia entre dos o más entidades significa, tan
sólo, que cierta propiedad es válida para esos casos, mientras que la similitud es un
índice matemático de la cantidad de rasgos comunes que comparten esos casos:
cuantos más elementos o propiedades compartan, más elevado será el valor de ese
índice. Dos entidades son equivalentes cuando ambas pertenecen a la misma categoría
explicativa; y pertenecen a esa clase cuando ambos individuos tienen algo en común
(sean similares o no). En términos formales, cuando se ha establecido una relación
binaria entre ellos: una determinada proposición se cumple o no se cumple en ambos.
Por ejemplo, estos dos contenedores sirvieron para lo mismo; estas dos herramientas
se encontraron en el mismo lugar. Dado que aquello que tienen en común puede ser
extraordinariamente variable, existirán infinitas relaciones de equivalencia igualmente
posibles para cada par de individuos. Sin un sistema de equivalencias previo nunca
podremos calcular la posible semejanza entre los casos. Es decir, si y sólo si dos casos
son equivalentes, tendrá sentido medir si grado de similitud.

Históricamente, el enfoque tradicional para explicar lo que ha sido
percibido era la categorización bajo la apariencia de asociacionismo e inferencia
inconsciente. Esto es, el significado de un objeto se creía que podía obtenerse porque
su apariencia visual activaba la representación de una categoría que estaba vinculada

Página. 54
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

a explicaciones conocidas por medio de asociaciones memorizadas. Este es el
fundamento de lo que se ha llamado correspondencia de patrones (en inglés, “pattern
matching”). La correspondencia de patrones es actualmente un término de significado
muy amplio que permite distinguir entre distintos tipos de correspondencia. Así por
ej., “la finalización de patrones” se ha definido como una relación entre un patrón
incompleto y una versión completa del mismo patrón. “La transformación de
patrones” consistiría en la relación de un patrón con otro diferente, pero relacionados.
“La asociación de patrones” consistiría en la relación arbitraria de un patrón con otro
no relacionados. Finalmente “el reconocimiento de patrones” se ha definido como la
relación de un patrón específico con otro más general, esto es la identificación de un
individuo como instancia de una clase. En términos estadísticos, primero extraemos
un conjunto de rasgos característicos suficientes de los patrones primarios de aquello
percibido, y después aplicamos la teoría de la decisión estadística para la
identificación y la clasificación de lo percibido.

El problema es que en realidad hay infinitas observaciones de tamaño,
forma, textura o materialidad que pueden vincularse a una misma función, haciendo
imposible que podamos enumerarlas por extensión. Ni siquiera el sistema informático
más potente que pudiéramos crear podría recuperar todas las combinaciones posibles
de valores que pueden aparecer como resultado del trabajo humano sobre la materia.
Por consiguiente el problema se convierte en la búsqueda de una solución que
identifique patrones esenciales en las muestras que no sean específicos de los datos
observados. Surgen complicaciones adicionales porque toda tarea inferencial se
enfrenta a incertidumbre. Desde una perspectiva analítica esto significa que es muy
posible que dos muestras semejantes o incluso idénticas pertenezcan a clases
funcionales diferentes porque existen ambigüedades en los datos memorizados. Si
nuestras observaciones son ambiguas o la codificación de los datos percibidos es
incompleta y/o ambigua deberemos concluir que esos rasgos tienen muy poco poder
explicativo y no encontraremos la solución al problema aunque ésta exista y sea fácil
de encontrar.

En lugar de inferir las implicaciones de una única hipótesis posible y
realizar una serie de experimentos, debiéramos formular un conjunto mutuamente
exclusivo de hipótesis y buscar evidencias que nos permitan discriminar entre ellas.
Ello sitúa la investigación arqueológica en los mismos cauces que la investigación
criminológica. De la misma manera que se debe averiguar cuál de los distintos
sospechosos cometió el crimen, siempre habrá diferentes probabilidades para
establecer qué acción de uso y/o producción generó las propiedades perceptuales.

Página. 55
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Igual que los detectives, los arqueólogos observan evidencias, consideran diferentes
sospechosos y siguen pistas. Sin embargo, a diferencia de la investigación judicial o
policial, una investigación histórica tan sólo considerará que una hipótesis es la mejor
explicación posible en las actuales circunstancias; difícilmente la evidencia percibida
proporcionará confirmación de una sola hipótesis independientemente de sus rivales.

En ocasiones una sola percepción arqueológica en el presente puede bastar
para concluir que cierto suceso ocurrió en el pasado. No tenemos por qué observar
todos y cada uno de los fragmentes de cerámica, hueso, piedra o metal para inferir que
cierto grupo de gente vivió en cierto lugar e hizo algo en cierto momento. Un
sorprendentemente pequeño número de fragmentos puede bastar. La
sobredeterminación de las causas por sus efectos hace difícil falsear la ocurrencia de
sucesos en el pasado, porque se precisa redundancia de evidencias distintas para
concluir la probabilidad de una explicación. Ahora bien, en ocasiones las evidencias
disponibles pueden ser tan pequeñas, dispersas o complejas que no podrá encontrarse
solución alguna.

Tratando el reconocimiento de percepciones como una forma de inferencia
probabilística, podemos asignar a conclusiones diferentes distintas probabilidades
basadas en una misma evidencia dada. La evidencia arqueológicamente percibida
nunca estuvo determinada unívocamente por la acción en el pasado; simplemente
existe cierta probabilidad de que esa evidencia material hubiese sido producida y/o
usada cuando una acción concreta o serie de acciones tuvo lugar entre otras muchas.
Si y sólo si la evidencia percibida nunca podría haber sido producida en ausencia de
esa acción (probabilidad = 1) podríamos concluir que esa percepción puede
reconocerse como determinada por esa misma acción. Por consiguiente las
probabilidades pueden utilizarse para inferir la solución más apropiada a cada
problema planteado, sin que sea necesario que esa probabilidad sea igual a 1, basta
con que la probabilidad de una hipótesis sea suficientemente mayor que las de las
hipótesis concurrentes. Si aceptamos que la explicación funcional nunca será
absolutamente precisa, tendremos que describir el objetivo de la explicación funcional
como la maximización de la probabilidad de una identificación correcta, debiendo
proporcionar una medida de la confianza para cada identificación.

Puede parecer extraño que lo que hemos “visto” y/o “tocado” en el sitio
arqueológico sea una manifestación probabilística de lo que pudo haber existido en el
pasado. Estas ideas sugieren que la estructura perceptual subyacente al
reconocimiento funcional de objetos puede describirse como la esperanza de ciertos

Página. 56
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

estímulos y ciertas localizaciones en una distribución global de estímulos no
necesariamente estructurados. En otras palabras, la explicación funcional de los
observables arqueológicos depende de la comprensión probabilística entre estímulos y
sus fuentes, como resultado las percepciones deben ajustarse con la experiencia
acumulada de lo que inputs visuales y no visuales han significado en la historia
particular de cada arqueólogo. Este tipo de explicación anticipatoria puede modelarse
como una intención mecánica, en el sentido que un robot puede llegar a conocer de
toda su experiencia aquello que determina qué conjunto de explicaciones estará activo
en cada uno de los estados de memoria de la máquina. En definitiva explicación
funcional significa la búsqueda de las posibilidades de manufactura o uso y no
necesariamente una visión directa de la acción tal y como se produjo en el pasado.

Esta tarea coincide con lo que en lógica formal se denomina aprendizaje
de una función verdad.

11011 1
10000 0
01110 1
11001 0
00000 ?

En otras palabras, la idea consiste en programar un sistema capaz de
buscar rasgos comunes entre ejemplos positivos de la función concreta que se
pretende predecir, siendo necesarios también ejemplos negativos para poder añadir las
diferencias comunes.

Página. 57

MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS
DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Una mayoría de los problemas de aprendizaje conceptual adoptan la
misma estructura general, excepto que los valores de salida (“output”) son “si” o
“no”, “verdadero =1”, “Falso = 0”. Valores de entrada que se vincula a la respuesta sí,
son ejemplos positivos de ese concepto en particular. Valores de entrada que
corresponde a la respuesta “no” son ejemplos negativos o contraejemplos. El proceso
de encontrar una solución a este problema consiste en calcular las comunalidades
entre ejemplos positivos. Como tal se trata de una variación de las teorías filosóficas
que consideran la inducción como un proceso que implica la explotación de la
semejanza (Holland et al., 1986).

Las diferencias con el enfoque clásico estadístico basado en la agrupación
simple de lo que es “semejante” son evidentes. En un enfoque estadístico, las
explicaciones se construyen en términos de un conjunto de clases, construidas en base
a la tendencia estadística central de aquellas observaciones que resultan ser similares
(Dunnell 1971, Adams y Adams 1991, Read 2007). En este tipo de inducción, el
conjunto de asignaciones funcionales se modela en términos de un conjunto de
prototipos y a continuación, describe los objetos usando estas descripciones
prototípicas. En una tarea sin supervisión o auto-organizada, el objetivo es identificar
los grupos de patrones que son similares, identificando así las generalizaciones
potenciales. Las asignaciones funcionales se basan en la suposición de que hay una
estructura general subyacente de tal manera que ciertos patrones ocurren con más
frecuencia que otros. El problema es que con los métodos estadísticos de
agrupamiento simple no estamos descubriendo cómo identificar la instancia de una
función específica, sobre la base de una información perceptiva. Mientras que el
aprendizaje supervisado implica el aprendizaje de la relación entre los valores
observados de forma, textura y / o la composición y la función que desempeñó en el
pasado ese objeto, las técnicas tradicionales de clasificación estadística, aprendizaje
no supervisado, pueden ser vistas como la búsqueda de una relación simplemente
entre los valores observados. Es importante entender la diferencia entre la agrupación
y clasificación, y entre el aprendizaje y la partición o agrupación. Una clasificación
funcional debiera imponer tanto la estructura, como revelar la estructura que ya está
presente en los datos. La mera agrupación de objetos arqueológicos “semejantes”
puede tener poco significado ya que las asociaciones resultantes no están vinculadas
(por diseño) a ninguna asignación funcional. Por tanto, ninguna explicación funcional
será posible si no podemos distinguir los casos positivos y negativos de la función que
se quiere identificar. Es decir, si no se tiene ningún conocimiento previo que nos
permita asegurar que las predicciones causales tienden a ser plausible y relevantes
para algunos en algunos casos objetivables. Por consiguiente, la adquisición de
conocimiento explicativo no puede reducirse a la agrupación simple de lo que se

Página. 58
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

parece, porque tales métodos están limitados por el agrupamiento natural de los datos
observados.

Por otro lado, un enfoque de clasificación supervisada para análisis
funcional implica que las funciones instrumentales como "corte", "raspado", "que
contiene", o funciones simbólicas como "la visualización de la idea de la violencia",
"que representa la idea de poder o autoridad" o cualquier otro es que hay que aprender
de una manera objetiva, proporcionando casos conocidos (experimentalmente)
suficientes para inferir la función subyacente, y un conocimiento general acerca de
cómo en esta situación una acción humana ha generado la modificación observada de
las apariencias visuales.

De esta manera podemos entender determinaciones funcionales como
flecha, cortar, contenedor de líquidos, “templo”, “palacio” o cualquier otro, siempre y
cuando dispongamos de suficientes instancias conocidas de la función que se quiere
determinar y un conocimiento general de fondo acerca de cómo en esa situación una
acción concreta puede generar determinado rasgo concreto de forma. En estas
condiciones si una nueva observación es semejante a alguna de las observaciones ya
conocidas, la asignación de la nueva asignación al concepto podrá aceptarse.
Entenderemos si ciertas ruinas corresponden a una casa, a un almacén, a un castillo,
cuan do aprendamos cómo una casa prototípica, un castillo prototípico, fueron
construidos y bajo qué condiciones sociales y económicas existieron.

Se trata de un enfoque general inductivo diseñado para encontrar la
descripción de un concepto simple C (cada una de las categorías funcionales) que
cubre todas las instancias positivas de C y que fracasa en el caso de las instancias
negativas.

Dado:

Una formulación inicial de la conducta de uso en el pasado
Un objeto que sabemos se uso de esa manera cuya forma ha sido
cuantificada apropiadamente
Una explicación causal de la asociación entre la conducta y el objeto
Un criterio operativo concreto (lenguaje geométrico)

Determinar:
Una generalización de la forma del objeto conocido que sustituya la
descripción inicial de la categoría y este expresada de acuerdo con los
criterios operativos.

Página. 59

MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS
DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Se trata de una situación experimental clásica (Outram, 2008). A titulo de
ejemplo podemos citar el procedimiento seguido por Marion Smith (1984) y Kristin
Huhl (1993) que organizaron una descripción sistemática de la morfometría de
contenedores cerámicos y emprendieron una investigación exhaustiva de la manera
cómo contenedores con una morfometría semejante se utilizaron en contextos
etnográficos específicos y bien documentados. De este modo usando analogías etno-
arqueológicas se construyo el conocimiento de referencia que vinculase forma y
función.

Los informáticos están explorando intensivamente este tema, y ya
disponemos de mecanismos y tecnologías para la expansión del conocimiento a través
de redición iterativa y recursiva. L inteligencia artificial nos proporciona poderosos
métodos y técnicas para realizar esta tarea. La lógica difusa, algoritmos genéticos,
redes neuronales, modelos bayesianos, son algunas de las direcciones que debiéramos
explorar. Aunque el razonamiento estadístico clásico todavía está en la base de la
mayoría de esos métodos, no se trata del método tradicional de estadística. El
aprendizaje automático se diferencia de las clasificaciones estadísticas y algoritmos
de agrupación en la medida que son robustos en presencia de información ambigua,
flexibles porque aceptan diferentes tipos de datos, permiten trabajar con espacios
vectoriales de muy alta dimensionalidad, requieren menor cantidad de datos iniciales,
y hacen menos supuestos previos acerca de la normalidad de los datos (Barceló,
2009). Utilizando un enfoque basado en el aprendizaje automático intentaremos
aprender una clasificación, que es muy distinto de imponerla o condicionarla.

3.1. UNA METÁFORA BIOLÓGICA: ALGORITMOS ADAPTATIVOS

Estas ideas sugieren que la construcción de una explicación arqueológica

puede describirse en términos de conjeturas o esperanzas de ciertos estímulos y la
contrastación posterior de esas conjeturas con ayuda de la evidencia observada
(Barceló 2007, 2008). (Fig. 3) La inducción es una tarea sin fin, aprendemos
prediciendo, equivocándonos en las predicciones y volviendo a predecir sobre la base
de nuestros errores (o éxitos) anteriores (Holland et al. 1986). Es un proceso iterativo,
adaptativo, que utiliza nuestros éxitos o fracasos previos en el reconocimiento de esas
mismas evidencias para mejorar, adaptar la solución al objetivo (Beer 1990,
Perlovsky 2001).

Página. 60
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Cuando aprendemos, cambiamos la manera en que procesamos la
información (Donohoe y Palmer 1994). Por lo tanto, sería mucho más sencillo
aprender si respondiésemos a esos cambios de una manera gradual, proporcional, en
lugar de alterando de manera radical aquello que aprendemos. Esos cambios
graduales nos permiten probar nuevas ideas (formas de procesar la información), y
obtener algún tipo de indicación gradual y proporcional de cómo esos cambios
afectan a la solución del problema. Explorando muchos cambios muy pequeños
podremos evaluar y aumentar la relevancia de aquellos que mejorar el aprendizaje, y
de abandonar o reducir la importancia de aquellos que lo dificultan. La inducción
aparece entonces como un mecanismo heurístico porque depende de una cierta
cantidad de señales de intensidad variable que actúan como indicios para explorar
direcciones posibles en la predicción de la causa a partir de las observaciones.

MUNDO OBSERVACIONES PREDICCION HIPOTESIS
EXTERIOR PREVIA.
CONJETURA

CORRESPONDENCIA

Análisis/Síntesis

MEMORIA EJEMPLOS
PREVIOS

Fig. 3 Construcción de una explicación arqueológica en términos
de conjeturas iniciales y contrastación posterior.

Esta versión revisada del “aprendizaje supervisado” suele denominarse
“aprendizaje por refuerzo” a causa de su semejanza con los modelos usados en
psicología. También podemos referirnos a este método como “aprendizaje
escéptico”. (Fig. 4) En lugar de una base de datos bien organizada con muchos
ejemplos positivos y negativos de aquello que queremos aprender (“profesor” o
supervisor), necesitamos tan sólo cierta forma de conocimiento externo que convierta
una señal primaria de refuerzo procedente de los ejemplos conocidos en una señal
heurística que confirme si nos movemos en la buena dirección o mejor explorar otra
vía (Beer 1990, Donohoe y Palmer 1994). El objetivo no es tanto comprobar la

Página. 61
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

verdad de las predicciones si son similares a los ejemplos positivos, sino minimizar en
una secuencia de pasos sucesivos una función interna que definiremos como la
esperanza de los costes acumulados de las predicciones. Se basa en un viejo supuesto
psicológico: la “Ley del Efecto” que afirma que “la aplicación de una recompensa
inmediatamente después de la ocurrencia de una respuesta incrementa su probabilidad
de volver a ocurrir, mientras que infringiendo un castigo después de la respuesta,
disminuimos la probabilidad de reincidencia”.

Refuerzo Primario

EXPERIENCIA Conocimiento escéptico

Refuerzo
heurístico

EXPLICACION

Problema arqueológico

Fig. 4. Esquema general del “aprendizaje por refuerzo”

La mayoría de algoritmos de refuerzo intenta inferir un criterio de
operacionalidad que optimice una función de recompensa. Este criterio de
operacionalidad debe permitir la selección de la mejor explicación actualmente
posible, con respecto a un objetivo claramente especificado. El supuesto principal es
que las observaciones pueden modelarse como un proceso de decisión de Markov. De
acuerdo con este supuesto, todo el mecanismo de explicación puede modelarse como
una máquina de estados finitos actuando en pasos discretos. En primer lugar, se
comparan los datos con el conocimiento actualmente disponible y se realiza cierta
predicción inicial, lo que implica un nuevo estado en el proceso de resolución
(hipótesis H1). A continuación se evalúa la diferencia entre la predicción actual y el
objetivo inicial de predicción y se corrige gradualmente la predicción con arreglo a la

Página. 62
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

señal de refuerzo. Y el bucle se repite vez tras vez, hasta que las predicciones son
similares a los objetivos de predicción iniciales.

De esta manera resulta posible aprender o inferir una función predictiva.
El arqueólogo o arqueóloga que desea aprender a predecir la explicación dada una
observación no recibe una información clara (“bien”, “mal”) como en un aprendizaje
supervisado, sino un valor de refuerzo o penalización que le permite “valorar” el
ajuste o adaptación actual de su predicción. La inducción aparece ahora como un
proceso continuo de transformaciones y adaptaciones. El proceso de aprendizaje
opera haciendo toda una serie de ajustes menores en la base de conocimientos para
poder mejorar su correspondencia con la suma de experiencias acumuladas. Cada uno
de esos ajustes no es ni “verdadero” ni “importante” en sí mismo, pero después de
una secuencia, puede que larga, de cambios, emerge nuevo conocimiento. Es un
procedimiento de aproximación sucesiva, que usa criterios generales para mejorar lo
que al principio pueden parecer una adivinación y convertirlo en una predicción cada
vez más eficiente. Se trata pues de proponer una técnica iterativa de resolución de
problemas inversos que mantiene una población de hipótesis que cambia de acuerdo
con una estrategia dada a través de pasos sucesivos en donde criterios específicos
ayudan a decidir el paso siguiente.

El término que mejor caracteriza este enfoque es el de adaptación, de ahí
la analogía con la biología y el evolucionismo darwiniano. El propósito de estos
algoritmos adaptativos (o “genéticos”) es transformar el resultado de una inducción
simulando las leyes de la evolución biológica, fundamentalmente la supervivencia de
las soluciones de un problema inverso mejor adaptadas a un objetivo predictivo
especificado. La principal diferencia con la Evolución Biológica es que el entorno al
que hay que adaptarse no cambia a lo largo del proceso: el propósito final es
seleccionar mediante un procedimiento automático las "mejores" generalizaciones. En
este contexto, el término "adaptación" significa adecuación a una tarea específica,
definida de manera no ambigua al inicio del algoritmo; para ello, las expresiones
resultantes son evaluadas de acuerdo con un criterio específico (velocidad de
procesamiento, sencillez, claridad, valor predictivo, etc.). En otras palabras, las
generalizaciones obtenidas mediante este método compiten entre sí, subsistiendo tan
sólo aquellas que demuestran ser más apropiadas para resolver el problema en
cuestión. Esa competencia simula también el comportamiento de los seres vivos,
especialmente en lo que se refiere a la reproducción: el algoritmo genético produce
diversas generaciones de expresiones, en cada una de ellas tan sólo aparecen las
expresiones que han superado con éxito la lucha por la supervivencia en una

Página. 63
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

generación anterior; obviamente, las reglas mejor adaptadas, aquellas con una mejor
puntuación de acuerdo con el criterio inicial, son las que se reproducirán con más
frecuencia en las generaciones sucesivas (Beer 1990, Goldberg 1989, Mitchell 1996).

En cada iteración, periodos de auto-adaptación (cambios aleatorios,
“mutaciones”) se alternan con periodos de traslación (cruce, o “crossover”) y con
periodos de competencia (selección). La adaptabilidad de una solución individual a un
problema específico representa su capacidad para sobrevivir en una base de
conocimiento incierta.

En definitiva, un algoritmo genético es un tipo peculiar de sistema
estocástico en el que una cantidad de individuos se combinan y recombinan para
constituir una generación completa. El algoritmo opera del siguiente modo:

1. Construir una población inicial de predicciones (hipótesis). En la mayoría
de los casos, esa población se configura por medio de una selección al
azar entre todas las predicciones posibles (espacio del problema).

2. Evaluar las hipótesis, y si el grado de efectividad global de las mismas es
lo suficientemente bueno, se detiene el programa y se muestra la mejor de
ellas.

3. Si el grado de efectividad no es lo suficientemente bueno, se ordenan las
hipótesis actuales según su probabilidad de activación: p = e / E donde e
es su puntuación y E la suma de las puntuaciones para todas las demás
hipótesis obtenidos en el mismo ciclo.

4. Calcular una nueva población ("generación") de acuerdo con la
probabilidad de activación. Para ello se utilizan distintos operadores
genéticos.

5. Repetir (3) y (4) hasta que se haya obtenido un candidato lo
suficientemente bueno. Cada uno de los pasos en este bucle corresponde
a una generación de individuos.

Los operadores genéticos utilizados en el 4º paso son:

Reproducción: su función primordial es transferir una expresión de una
generación a la siguiente. Con ese fin, se determina el grado de adaptación
de cada una de las hipótesis o predicciones actuales; las mejor "adaptadas"
tienen una posibilidad mayor de aparecer también en las generaciones
sucesivas. Una forma de implementar ese operador es programando una

Página. 64
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

función que calcule el ajuste de cada una de las hipótesis a los datos
empíricos disponibles, y se sumen los ajustes de toda la población. Ese
ajuste total se divide entre el ajuste particular de cada una de las reglas,
con lo que se obtiene una medida del "ajuste relativo" de cada una de las
reglas. A continuación, se asigna a cada una de las reglas un rango de
valores entre 1 y 100.
Mutación: se introducen pequeños cambios y modificaciones aleatorias en
las hipótesis durante su reproducción, de modo que en la generación
siguiente aparecen predicciones aparentemente "nuevas".
Cruce ("crossover"): permite la combinación al azar de dos expresiones
que se intercambian parte del código en el que han sido implementadas.
Una vez que se ha aplicado el operador de reproducción, las hipótesis que
aparecen en la generación siguiente se combinan a pares, con lo que
producen "descendencia", esto es, nuevas reglas con características mixtas
extraídas de las reglas que se han combinado.

Utilizando este enfoque adaptativo y heurístico a la construcción de
explicaciones causales (predictivas), la resolución del problema arqueológico queda
más rígidamente condicionada por las observaciones particulares de lo que
caracterizaba el aprendizaje supervisado. Los estímulos de entrada no son sólo las
observaciones puntuales de cada artefacto, sino también los contextos en los que
aparecen atributos discriminantes. A medida que la predicción se va adaptando a un
criterio general, aquellos estímulos de entrada menos relevantes pierden su capacidad
de guiar la trayectoria hacia una mejor respuesta. Las observaciones y datos más
relevantes van bloqueando a los menos relevantes. Para asegurar que el proceso de
construcción de la función predictiva está restringida a un conjunto particular de
datos empíricos, las respuestas deben recibir algún refuerzo positivo cuando cierto
subconjunto de datos esté presente, retirando ese refuerzo cuando sean otros los datos
presentes.

Ejemplos arqueológicamente relevantes aparecen en Barceló (2008).
Puede verse también Reynoso y Jezierski (2002).

Página. 65
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

3.2. OTRA ANALOGÍA BIOLÓGICA: LAS REDES NEURONALES

Una red neuronal o sistema conectivo es un conjunto de unidades de

computación sin contenido declarativo alguno, generalmente inspiradas en algún
modelo teórico de neurona cerebral. Por sí mismas, estas unidades no pueden resolver
ningún tipo de problema, pero si unimos una gran cantidad de unidades en una red por
medio de enlaces y uniones, podremos usar ese mismo esquema de conexiones para
construir una memoria asociativa.

Cada neurona es, en realidad, una unidad primaria de cálculo, que opera
sobre vectores numéricos que le llegan a través de las conexiones que la unen al resto
de neuronas de la red. No trata esos estímulos uniformemente, sino que los recibe a
través de enlaces (conexiones) de importancia desigual.

Simulación informática del comportamiento de una neurona artificial.

Cada conexión contribuye con un estímulo cuya magnitud iguala al valor
de la respuesta que emana de esa neurona; la neurona realiza una suma ponderada de
todos esos estímulos para definir su nivel o grado de activación, es decir, para saber si
resulta activada o no por el conjunto específico de estímulos recibido: si la cantidad
de estímulo alcanza un nivel determinado, la neurona es capaz de generar una
respuesta a ese estímulo. Se denomina función de transferencia esa correspondencia o
función que asocia un estímulo dado a un nivel particular de activación de la neurona.
Una forma de calcular esa función sería multiplicando cada estímulo por la medida
de la importancia de la conexión a través de la cual llega, sumando algebraicamente, a
continuación, todos los estímulos que llegan a una neurona.

Página. 66
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

En una red neuronal, las unidades de procesamiento o neuronas están
conectadas por una gran cantidad de enlaces ponderados, por los cuales pasa la señal
procedente de las unidades de procesamiento. Cada unidad recibe muchas señales a
través de las conexiones de entrada; algunas de ellas proceden de otras unidades, otras
proceden del mundo exterior, a través de un sistema de entrada de datos. Cada unidad
tiene muchas de conexiones; sin embargo, sólo produce una única señal de salida. Esa
señal de salida se transmite por las conexiones de salida (que son análogas de las
dendritas en la neurona humana), cada una de las cuales termina en una destinación
diferente. Cada una de esas ramas o conexiones de salida transmite la misma señal,
pero con intensidad diferente debido al peso o ponderación que recibe cada una de
las conexiones.

VECTOR DE ENTRADA (Observaciones)

Talón filo forma filos forma 1. NIVEL
go retocado apuntad paralelos rectangular corresponde a atributos

s ssnn 2 NIVEL
Corresponde a estado interno y conexiones

CUCHILLO PUNTA FLECHA RASPADOR 3 . NIVEL
Corresponde a EXPLICACIÓN/PREDICCION

Fig. 6. Ejemplo de una red neuronal que clasifica útiles líticos en tres tipos o categorías funcionales diversas.

En la mayoría de aplicaciones usuales, unos cuantos de esos nodos o
neuronas son los elementos de entrada a la red; se trata del vector que contiene los
distintos valores de las propiedades observadas. Otro conjunto de elementos está

Página. 67
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

formado por las neuronas de salida que contienen una codificación de las
explicaciones o predicciones. Entre ambos se sitúa un tercer conjunto, que suelen
recibir el nombre de neuronas ocultas.

Dado un estímulo específico, los elementos del vector de entrada han de
ser capaces de obtener una respuesta, representada por una configuración determinada
de las neuronas de salida. La tarea de la red es calcular los valores correctos de
activación de las neuronas ocultas que pongan en correspondencia los estímulos con
las respuestas.

Cuando la red neuronal está en funcionamiento, cada unidad recibe cierta
estimulación de las restantes unidades de procesamiento. Esas señales se modifican
cuando pasan a través de conexiones ponderadas. Dado que los pesos o ponderaciones
son distintos entre sí, cada unidad recibirá una estimulación distinta a la de sus
vecinas. Como resultado, ciertas combinaciones de unidades se activarán con grados
distintos según sea el estímulo que reciban. El propósito es que la descripción de un
tipo de artefacto se traduzca en un vector de activaciones de las unidades del primer
grupo, activándose a continuación alguna de las unidades del segundo grupo
(cronologías/funciones/ adscripciones culturales) como resultado de las señales de
respuesta enviadas a través de las conexiones que unen ambos grupos. Obviamente,
cada unidad del primer grupo dispone de conexiones con todas y cada una de las
unidades del segundo grupo, de modo que cualquiera de los resultados del problema
tiene una probabilidad igual de ser activado.

En palabras más sencillas, si un artefacto es semejante a otro, la activación
de las unidades del primer grupo (Descripción) será idéntica (o muy parecida en
ambos casos), y por consiguiente también lo será la activación de las unidades del
segundo grupo (explicación). Si un artefacto es distinto a otro, la activación de las
unidades del primer grupo será diversa, como lo será la señal de respuesta que éstas
envíen y la unidad del segundo grupo activada en correspondencia.

Para que este objetivo pueda cumplirse debemos fijar el peso o
ponderación de todas las conexiones que unen el primer grupo con el segundo de
modo que cumplan el requisito antes establecido: objetos distintos, distintas
respuestas; objetos semejantes, semejantes respuestas. Este proceso de aprendizaje
puede ser realizado por medio de un algoritmo determinado. El más conocido de
todos los empleados actualmente es el denominado algoritmo de retroprogación de
los errores que nos permite calcular el valor de la ponderación de todos los pesos que

Página. 68
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

unen las unidades de entrada con las de salida. Se trata, en realidad, de un aprendizaje
supervisado, ya que necesitamos un conocimiento inicial (resultados asociados a
descripciones) que hará las veces de "profesor" del programa, esto es, dirá en todo
momento, qué aprendizaje es correcto y cual incorrecto.

Como todo algoritmo adaptativo consiste en un proceso iterativo de
corrección y refinamiento progresivo de la matriz de pesos neuronales. En cada ciclo,
se utiliza el error (diferencia entre el resultado real y el calculado por el programa)
para ajustar los pesos y la función de activación de cada una de las neuronas que
componen el sistema, de forma que ese error se reduzca progresivamente,
manteniendo constantes los estímulos iniciales. El algoritmo actúa del modo
siguiente: para el estímulo i de la neurona j en el tercer nivel (el del resultado), se
asigna un valor aleatorio al peso wij ajustándolo progresivamente al valor
especificado en el estímulo; para ello se suma el peso aleatorio inicial a un término
determinado por el producto de la proporción de aprendizaje, del término de error y el
valor de cada uno de los estímulos. Una vez calculados los términos de error en el
último nivel, se repite el procedimiento para el nivel de neuronas ocultas y,
finalmente, para el nivel inicial, variando en cada caso el término de error utilizado,
ya que en cada uno de los niveles se utiliza la suma del error alcanzado en el nivel
siguiente. El algoritmo recibe el nombre de la acción que lo caracteriza: la
propagación hacia atrás del término de error.

Las ventajas de los métodos que hemos presentado en este capítulo son
varias. A diferencia de la estadística más usual, los algoritmos adaptativos son mucho
menos sensibles a la presencia de ruido y de variación individual en los datos; son
mucho más flexibles en lo que se refiere a la naturaleza estadística de las
observaciones; pueden trabajar con un mayor número de variables, requieren menos
datos para inducir predicciones eficientes y hacen menos supuestos de partida sobre la
distribución de los datos y los parámetros del modelo.

La capacidad para representar funciones tanto en términos de prototipos
como a partir de la inducción de determinados casos experimentales es la base del
éxito de un enfoque de neurocomputación en clasificación funcional. En una red
neuronal se puede investigar el valor predictivo de los atributos descriptivos, siempre
y cuando estos hayan sido convenientemente formalizados y cuantificados y
podamos descubrir qué funciones se adaptarán con mayor probabilidad a esa
descripción material. El algoritmo inicialmente producirá mayores activaciones en las
unidades de salida (funciones hipotéticas) que poseen cualquiera de las propiedades

Página. 69
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

materiales que definen los casos conocidos (resultados experimentales). Así, la red
neuronal no sólo identifica las funciones más probables sino que es capaz de
generalizar que otras propiedades, además de las que hemos medido, deben
caracterizar a ese objeto, si es que la asignación funcional que hemos inferido es
correcta. En otras palabras, explicación funcional y revisión de la explicación van de
la mano en el procedimiento. No hay explicación sin propuesta para revisar,
contrastar la explicación más probable obtenida en el primer paso.

Esta es una característica importante del enfoque, pero la importancia
aumenta cuando nos damos cuenta de que el mecanismo de inferencia basado en la
red neuronal puede promediar varios patrones. Si las propiedades de forma, tamaño,
textura y materialidad no son suficientes para distinguir entre un cuchillo de piedra y
un raspador de piedra, por ejemplo, la red neuronal, generará un patrón más general,
como si tuviera una idea no sólo de cuchillos y raspadores, pero también de
herramientas de piedra que pueden ser de uno y de otro tipo. Esta forma de
representar la función de observables arqueológicos es la consecuencia de la manera
característica como un ordenador es capaz de aprender gradualmente por medio de
una red neuronal: la definición de "función" surge como resultado de un número de
diferentes situaciones experimentales o la diferenciación gradual de una única función
en dos o más relacionadas. Por lo tanto, a medida que se calcula la probabilidad de
una u otra función, la explicación se “ajusta” o “adapta” de acuerdo con la intensidad
o grado con que la instancia observada ejemplifica la función. Teniendo en cuenta
que varios prototipos diferentes pueden ser almacenados en una misma red, un
prototipo único puede representar instancias como conjuntos de atributos
(propiedades o características) con alguna medida numérica que se refiera a la
importancia del atributo para aumentar la probabilidad de ese concepto explicativo,
así como de la intensidad o valor de esa propiedad en ese caso. De esta manera, las
redes neuronales adoptan una marco probabilístico para la categorización funcional.
La idea de que necesitamos un conjunto de propiedades necesarias para caracterizar
una función, se sustituye con el de probabilidad de aquellas propiedades que sean
suficientes calcular el grado de pertenencia de un individuo a una clase dada.

Acerca de las Redes Neuronales puede consultarse Hilera y Martínez
(1995), Perlovsky (2001). Ejemplos arqueológicos aparecen en Barceló (2008).

Página. 70
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

TEMA 4

NUEVOS ALGORITMOS DE CLASIFICACIÓN

Aún cuando la clasificación estadística tradicional no tenga la capacidad

explicativa de los algoritmos basados en el aprendizaje supervisado, lo cierto es que
en muchas ocasiones lo único que disponemos son de medidas de unos observables,
sin categorías experimentalmente comprobadas que podamos intentar asignar a los
artefactos.

Una forma útil e interesante de aprendizaje no supervisado, más allá de los
procedimientos estadísticos clásicos, está basada en métodos de cuantización de
vectores (“vector quantization”), un término general que se utiliza para describir el
proceso de dividir el espacio en varias regiones conectadas, utilizando distancias
espaciales como un análogo de similitudes (Kohonen, 2001). Cada punto en el
espacio de entrada pertenece a una de estas regiones, y se correlaciona con el vector
más cercano correspondiente. Por ejemplo, los atributos para "objeto A" se asignan a
una unidad de salida o de una región, de tal manera que produce el valor más alto
resultado y se asocia con ese objeto, mientras que los atributos de "objeto B", etc se
asignan a diferentes regiones (Engel y Van der Broeck 2001).

Basándonos en los principios del aprendizaje no supervisado,
construiremos un sistema de vectores de entrada que se organizarán
“adaptativamente” en grupos homogéneos (auto-organizado). Esto significa que el
algoritmo ajustará iterativamente las relaciones de similitude, expresadas como
distancias en un espacio algebraico de alta dimensionalidad, produciendo una
proyección interpretable en baja dimensionalidad que conserve la topología del
espacio de entrada (descripciones de tamaño, forma, textura y materialidad) tan bueno
como sea posible

En el fondo, el sistema es una red neuronal, pero que no tiene unidades de
salida pre-definidas, sino que los casops introducidos se auto-organizacan basándose
en su semejanza. La mayoría de estos algoritmos implementar un tipo de competición

Página. 71
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

entre los vectores descriptivos, de tal manera que sólo aquellas unidades de la capa de
salida que reciben una entrada más similar se activa en detrimento de otras que
reciben señales no tan similares. El aprendizaje competitivo es intrínsecamente una
operación no lineal. Se puede dividir en dos tipos básicos: duros y blandos.
Competencia dura significa que sólo una neurona gana la competencia; suave
significa que no hay un claro ganador, pero sus vecinos también compartieron un
pequeño porcentaje de los recursos del sistema (Rumelhart y Zipser 1986). Está
basado también en una analogía biológica. En el cerebro, la competencia entre las
neuronas conduce a la selección de ciertas representaciones que se activan con mayor
intensidad, mientras que otras se debilitan o se apagan. En analogía con el proceso
evolutivo, la "supervivencia del más apto" es una idea importante en la conformación
de inferencias auto-organizadas, estimulandose las neuronas de manera diferencial
para adaptarse mejor a situaciones particulares (O'Reilly y Munakata 2000 .

Los informáticos suelen analizar los procesos de inferencia auto-

organizada como fenómenos adaptativos que se producen en los sistemas físicos

simples. La idea subyacente es que ciertas redes que se componen de capas de

unidades interconectadas adaptativos tienen la capacidad de cambiar su respuesta de

tal manera que la localización de la neurona en la red donde se obtiene la respuesta

(“clase” o “tipo”) depende de una característica determinada del conjunto de señales

de entrada (descripción del artefacto). Esta especificación se produce en el mismo

orden topológico que describe las relaciones de similitud de los patrones de entrada

(Kohonen 2001).

Auto-organización de vectores descriptivos equivale a la utilización de la
competición entre un conjunto de unidades (prototipos funcionales) como una forma
de condicionamiento de las respuestas de estas unidades. Por lo tanto, un prototipo
funcional característico se activará en la medida en que esté más fuertemente activado
por el patrón de entrada que cualquier otro prototipo posible. Un mapa auto-
organizado (SOM) es una técnica de aprendizaje no supervisado inventada por Teuvo
Kohonen que reduce las dimensiones de los datos de entrada a través del uso de la
competencia suave entre las neuronas en la capa de salida (prototipos posibles)
(Kohonen 2001). La arquitectura básica de este tipo de red neuronal consiste en sólo
dos capas de neuronas o unidades de procesamiento: entrada y salida, sin ninguna
capa oculta. Es la capa de salida que normalmente se llama mapa auto-organizado, o
SOM (“self-orzanized map”), para abreviar. Se trata de la representación de neuronas
interconectadas un plano (bidimensional) que cuantiza el espacio de entrada, usando

Página. 72

MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS
DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

una distancia métrica (todo lo contrario de una relación de similitud), donde las
regiones vecinas en el espacio de entrada son vecinos en el espacio de salida.

Cada unidad de entrada (variable de forma, tamaño, textura o
materialidad) está totalmente conectada a la matriz de unidades de salida (prototipos),
que también están conectados entre sí en términos de relaciones de vecindad
(conexiones laterales). La fuerza de los enlaces entre las unidades de salida es
directamente proporcional a la distancia entre ellos (vecinos más cercanos son más
fuertes, mientras que los nodos más distantes están unidos más débilmente).
La activación de estas neuronas de salida dependerá de los valores provenientes de las
neuronas de entrada, los cuales contienen la información externa (medidas,
características descriptivas) al igual que sus homólogos de aprendizaje supervisado,
sino también en las intensidades particulares que llegan lateralmente desde las
neuronas vecinas. Los prototipos se activan en forma de una región de la matriz de la
salida que es activada por distintos vectores de entrada siempre y cuando la distancia
métrica (euclídea) entre estos sea reducida. Su activación está forzada por la
competencia entre las neuronas, lo que implica que los resultados ofrecidos por este
algoritmo de aprendizaje no supervisado dependen de las relaciones particulares
permitidas entre las neuronas en la capa de salida.

Página. 73
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

De esta manera, la capa de salida representa regiones o agrupamientos de
soluciones idealmente posibles. Regiones cercanas representan entradas similares. Por
ejemplo, en un problema de clasificación, los atributos de "Función A" se asignan a
una unidad de salida o de una región, de tal manera que produce el valor más alto
resultado y se asocia con ese objeto, mientras que los atributos de "Función B" se
asignan a diferentes regiones. Nuevas entradas se pueden asignar simplemente
ejecutando los nuevos datos a través del mapa, en modo de comprobación, buscando
la región “ganadora” para cada vector de entrada. La ubicación de este elemento de
procesamiento ganador determinará a qué grupo pertenece.

Un mapa autoorganizado puede ser descrito como un proceso no lineal.
Durante el modo de aprendizaje, el mapa aprende la posición de los puntos de entrada
y se auto-organiza basándose en dos objetivos: representación de datos y la
representación de la topología de conjunto de datos. Comúnmente, la distancia
euclídea entre el vector de pesos de la neurona de salida y el vector de entrada sirve
como función de activación. En el siguiente paso, el vector de peso del nodo que
muestra el mayor activación (es decir, la distancia euclídea menor) se selecciona
como el ganador y se modifica para parecerse más estrechamente al vector de entrada
presentado. Pragmáticamente hablando, el vector de peso del ganador se mueve hacia
la señal de entrada por una cierta fracción de la distancia euclidiana como se indica
por una tasa de tiempo de aprendizaje decreciente. Por lo tanto, la activación de esta
neurona será aún más alta la próxima vez que se presente la misma señal de entrada.
Además, los vectores de ponderación de los nodos en la zona del ganador se
modifican en consecuencia, sin embargo, a una cantidad menos fuerte en comparación
con el ganador. Este procedimiento de aprendizaje finalmente conduce a una
asignación topológicamente ordenada de las señales de entrada presentadas, es decir,
las señales de entrada similares se mapean en regiones vecinas del mapa.

4.1. FUNCIONALIDAD A PARTIR DE LA COMPOSICIÓN DE LOS
MATERIALES ARQUEOLOGICOS

La arqueometría es la mejor fuente de datos para inferir posibles

comportamientos funcionales de objetos antiguos. Ya hemos visto que no sólo es
relevante una descripción organizada de las sustancias que componen la materialidad
del objeto, y las proporciones de cada una de ellas, sino también las propiedades
físicas que de una tal composición se derivan: densidad, resistencia, fragilidad, etc.

Página. 74
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Podemos construir una red neuronal para generalizar experimentos
controlados en los que los vectores fisicoquímicas composición están relacionados
con la forma del objeto puede haber sido utilizado en el pasado. En este caso, cada
neurona de entrada debe corresponder a un componente distinto físico-química o
mineralógica, expresado en términos proporcionales, o una propiedad dinámica o
estática derivada de la asociación de dichos componentes. La capa de salida de la red
neuronal estará definida por la serie de asignaciones funcionales, por ejemplo:
procesos de trabajo, actividades relacionadas, o incluso áreas de producción. El
objetivo es precisamente construir modelos explicativos con poder predictivo
significativo. No es suficiente sólo para encontrar qué composiciones físico-químicas
son estadísticamente significativas. Eso explica por qué la clasificación de objetos en
función de su composición y de predicción funcional debe estar interrelacionados. La
predicción de una conducta determinada en el pasado que probablemente se llevó a
cabo con un artefacto de una composición específica es equivalente a una
clasificación de artefacto que dentro de una determinada categoría funcional,
previamente estableció por experimentación. Una predicción de cuchillos de piedra de
diferentes tipos implica una distinción entre firmas mineralógicas, por ejemplo. A la
inversa, una clasificación de herramientas de sílex también significa una predicción
de su función en el pasado. Hay excepciones, por supuesto, donde dicha relación entre
la composición y la función se ha demostrado que no existe.

Algunos ejemplos relevantes han sido publicados por Fulcher (1997), Bell
y C. Croson (1998), López Molinero et al. (2000), Ma et al. (2000; Ma 2003), Novic
et al. (2001), Petrelli et al. (2001, 2003), Chang et al. (2002), Grudzinski et al. (2003;
Grudzinski y Karwowski 2005), Lletí et al. (2003), Fermo et al. (2004), Kadar y col.
(2004), Beardah y Baxter (2005), Baxter (2006), Toyota et al. (2009). En la mayoría
de estos ejemplos, el programa informático que implementa la red neuronal es capaz
de estimar la probabilidad de pertenencia de los objetos a determinadas funciones (o
procedencias) en términos de su composición físico-química, mineral o biológica y a
sus propiedades materiales, mecánicas y/o físicas.

4.2. FUNCIONALIDAD A PARTIR DE LA FORMA
DE LOS ARTEFACTOS

Hemos visto que la forma de un artefacto arqueológico puede definirse

como un vector n-dimensional. Dicho vector puede utilizarse como vector de entrada
en una red neuronal, ya sea supervisada o no supervisada. Las unidades de salida nos

Página. 75
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

proporcionarán ya sea asignaciones funcionales propiamente dichas o prototipos
inducidos de manera auto-organizada.

Vectores cuantitativos de forma la forma de un artefacto o estructura
construida pueden ser introducidos en una red neuronal de diferentes maneras. Lo más
usual es como una lista de características diferenciadas de los índices geométricos
como los ya descritos. Longitudes, anchuras y profundidades se han utilizado para
describir la geometría (Kulkarni 2001), pero también áreas, perímetros, relaciones de
área, coeficientes 2D y 3D (Ji et al. 2005). Características visuales como contrastes de
luminancia se puede transformar en contornos, bordes y siluetas para expresar
información de la forma (Martin et al. 2004, Venkatesh et al. 2006), o mejor aún,
información de la superficie se puede utilizar para describir la forma objeto y calcular
la relación específica entre los datos visuales y de la función del objeto. Por ejemplo,
Peng y Shamsuddin (2004) han obtenido datos para una reconstrucción en 3D usando
archivos de datos en el formato del programa 3D Studio Max archivos (.3 ds).
Representaciones volumétricas se pueden incorporar también como entrada visual
(Hummel y Biederman 1992).

Aunque no es el método más popular en arqueología, podemos mencionar
el uso de esta metodología en la investigación de arte rupestre (Barceló 1993, Díaz y
Castro 2001), clasificación de las formas de puntas de flecha líticas (Lohse et al.
2004, Keogh y otros . 2010, Koutsoudis et al. 2010), la reconstrucción de las vasijas
de cerámica completas (Zweig 2006, Kleber y Sablatnig 2009), la clasificación de
sellos de la antigua Mesopotamia o escarabeos egipcios (Camiz Venditti y 2004), el
reconocimiento de caracteres escritos en la antigua documentos, monedas e
inscripciones epigráficas (Kashyap et al., 2003, Maaten y Boon 2006, Maaten et al.
2006). Materiales óseos humanos y animales encontrados en sitios arqueológicos
también se ha investigado el uso de redes neuronales con el fin de iodentificar partes
esqueletarias o patrones de deformación partiendo de información perimetral y de
contraste de luminancia (Gibson 1993, 1996, Bell y Jantz (2002 Corsini et al. 2005,
Schmitt et al. 2001, Bignon et al. 2005, Gil-Pita y Sala -Burgos 2006, Coppa et al.
2007). Este enfoque también se ha tenido en cuenta para la clasificación de las
diferentes propiedades de los granos de trigo basada en la morfología de su imagen
foitográfica (bi-dimensional) (Wang et al. 2002) y en la identificación de las
inclusiones minerales e información de láminas delgadas petrográficas de secciones
de muestras geológicas o arqueológicas (Fueten 1997, Fueten et al. 2001, Thompson,
Fueten y Blockus 2001). Estos ejemplos nos dan una idea de cómo se aplican las
redes neuronales para la identificación de la forma en el análisis paleobotánicos o

Página. 76
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

arqueométrico (por ejemplo, la microscopía reconocimiento). Drolon et al. (2003) han
analizado las texturas geológicas usando también la tecnología de redes neuronales.
La forma de las partículas sedimentarias se ha reconocido durante mucho tiempo
como un parámetro importante para ayudar a mejorar la comprensión de los procesos
geológicos. La forma de los granos de cuarzo refleja la génesis de una determinada
fuente y es distinta de la forma de granos de cuarzo de otras fuentes. La idea básica
consiste en caracterizar el contorno por uno o varios parámetros, que une estos
parámetros a una propiedad física estudiado: elongación, la angularidad, rugosidad, o
redondez, y más en general el grado de desgaste de la partícula.

Para aplicaciones más arqueológicos y ejemplos de este paradigma ver
Barceló (2009, 2010b).

4.3. FUNCIONALIDAD A PARTIR DE LA TEXTURA O APARIENCIA
VISUAL DE LOS MATERIALES ARQUEOLOGICOS

De la misma forma que hemos visto en el caso de los datos acerca de la

materialidad y de la forma, el método convencional de determinación de la función de
un artefacto arqueológico a partir de la medición y formalización de su textura
(características visuales y micro-topografía de su superficie) implica dos pasos
principales. El primer paso es la obtención de los conocimientos previos de cada
asignación funcional o prototipo. Normalmente este conocimiento abarca algunos
conjuntos de características de textura de una o todas de las clases. Una vez que el
conocimiento está disponible y las características visuales de la entidad observada se
han extraído, utilizaremos una red neuronal o algoritmo semejante para clasificar
objetos con la misma textura o para generalizar la función de un artefacto a partir de
datos experimentales.

Hay muchos ejemplos de la utilización de redes neuronales como una
herramienta de clasificación para esta tarea. Barceló y Pijoan-López (Barceló 2009,
Pijoan-López 2008, Barceló y Pijoan-López 2004) han utilizado fotografías
microscópicas, descritas en pixeles, para inferir el desgaste de útiles líticos y poder
asociar texturas observadas (microscópicamente) con material trabajadas por ese útil
o procesos de trabajo (“cortar”, “raspar”, “perforar”). Sus resultados son
impresionantes: más del 80% de la cinemática se puede detectar a partir de la
información extraída de micro-imágenes, y más del 75% de las herramientas que

Página. 77
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

trabajaron en materiales duros (concha, hueso y piedra) también se pudo determinar.
De manera semejante, Maaten et al. (Maaten et al. 2006, Maaten y Boon 2006) han
abordado el análisis de textura en una investigación numismática. Monedas menudo
contienen imágenes muy detalladas, que pueden ser considerados como la textura de
la moneda. Los autores codifican la información de textura utilizando un
procedimiento basado en una estructura de datos conocida como Gabor wavelet (Lee
1996). El conjunto de datos experimentales contiene 692 monedas y un total de 2.270
patrones numismáticos diferentes. El sistema acierta en la asignación funcional
(procedencia, valor, cronología) aproximadamente en el 78% de los casos. Por lo
general, se deben a errores de clasificación monedas muy sucias o debido a las
monedas desconocidas.

El análisis computerizado de las textura también se ha utilizado para
identificar los restos vegetales de los datos de polen. Li y Flenley (1999) construyeron
una red neuronal para la detección de imágenes de microscopio de los granos de
polen. Los datos de entrada utilizados fueron medidas textura según el método de
Haralick, es decir, Segundo Momento Angular, Contraste, Entropía, Momento,
Diferencia Inversa, y Varianza, calculadas a partir de máscaras con ventanas de 3 × 3
y 5 × 5.

Fuera de la arqueología, los ejemplos van desde la determinación de la
carne de cordero de calidad basado en imágenes, hasta la detección de desgaste en
piezas de la máquina o azulejos de cerámica (Jain y Karu 1996, Ruiz del Solar 1998,
Kulkarni 2001, Acebrón-Linuesa et al. 2002, Chandraratne et al. 2003 ). Más
relacionado con el análisis funcional en arqueología podemos citar el ensayo de
distinguir los patrones decorativos en tejido (Mayorga y Ludeña 1991, 1994,
Valiente-González 2001, Bhakar et al. 2004). Otras aplicaciones son han sido
publicadas por Kalliomäki et al. (2005) y por Martínez-Aljarín et al. (2005). En la
ciencia de materiales, análisis de la textura de las secciones delgadas se utiliza para
identificar la composición de algunos elementos. Marmo et al. (2005) han utilizado
fotografías de más de 1000 secciones delgadas de carbonatos procedentes de
diferentes ambientes marinos pelágicos (para aguas poco profundas) para. La
metodología utiliza como entrada imágenes digitales representadas como mapas de
pixeles de 256 tonos de gris, sobre los que se midió un conjunto de 23 valores de
características numéricas. Una red neuronal toma esta entrada e identificar
automáticamente las texturas de carbonatos no afectados por modificaciones post-
deposicionales (recristalización, dolomitización, disolución meteórica y así
sucesivamente ).

Página. 78
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

4.4. maS ALLA DE LA INDUCCION. UN ENFOQUE NOVEDOSO
PARA EL ANALISIS FUNCIONAL BASADO EN METODOS
DEDUCTIVOS Y SIMULACION COMPUTACIONAL

Los métodos de explicación funcional citados hasta aquí no son del todo

confiables. Una explicación funcional no puede reducirse a la tarea de encontrar la
estructura común en una secuencia dada perceptual, porque tales métodos están
limitados por el agrupamiento natural de los datos de entrada, y se limita a la
búsqueda de regularidades literales en la entrada. Tales regularidades no son
generalizables fuera de los límites específicos de los datos de entrada utilizados. Si la
evidencia arqueológica resulta ser atípica, o la red neural identifica erróneamente las
condiciones pertinentes, la predicción de la función más probable puede resultar
errónea. Incluso los expertos humanos son vulnerables a un aprendizaje inadecuado.
Podemos ser víctimas de auto-refuerzos, fobias u obsesiones, inculcados por algunas
experiencias. En este orden de cosas, hay que tener en cuenta la crítica de Popper a la
idea de la inducción como forma de aprendizaje (Popper, 1963: 53). En su opinión, la
ciencia no comienza con las observaciones, como afirman inductivistas estrictos, sino
con conjeturas. El científico luego trata de refutar (o falsificar) estas conjeturas por
medio de ensayo y error (experimento y observaciones). La conjetura que ha
soportado una serie de pruebas experimentales puede aceptarse tentativamente, pero
sólo provisionalmente. Se puede negar a la siguiente prueba u observación. Cualquier
conjetura refutada conjetura tiene que eliminarse, y los científicos deben tratar de
corregir la situación, ya sea mediante la modificación de la conjetura o saltando a una
hipótesis completamente nueva. La conjetura nueva se pondrá a prueba a su vez, por
lo que la ciencia crece y progresa a través de una secuencia interminable de conjeturas
y refutaciones. Popper estaba en lo cierto en el sentido de que una categoría
explicativa (asignación funcional) no tiene por qué relacionarse con la detección de
co-variación. Debemos basar nuestro enfoque en el hecho de que la detección de co-
variación de forma, tamaño, textura y materialidad, y por lo tanto la generalización,
dependen en gran medida de los supuestos iniciales construidos a partir de un
conocimiento previo (física del estado sólido). En otras palabras, el proceso de
resolución de problemas inversos debe basarse en las creencias acerca de la estructura
causal de algún dominio de los acontecimientos y las propiedades estadísticas de los
eventos observados. No sólo está el grado de generalización de un evento regido por
las creencias acerca de la variabilidad de ese tipo de evento, sino también la
calificación de los hechos es un proceso altamente variable y fluido. Un evento dado

Página. 79
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

puede clasificarse de muchas maneras diferentes en un contexto determinado. Aunque
la "similitud" puede ser un buen punto de partida para un simple análisis funcional en
la arqueología, hay que tener en cuenta que el uso adecuado de un objeto por lo
general depende en gran medida la interacción que haya tenido el agente con el
objeto. Debemos recordar que la función de un objeto es lo que este debe hacer, y no
lo que normalmente hace o se dispone a hacerlo (Dennett 1987).

De acuerdo con el marco teórico discutido al comienzo de este trabajo,
debemos centrarnos en los procesos, en lugar de en los componentes visuales / no
visuales. Las acciones y las intenciones pueden tener relaciones sutiles en el contexto
del uso de un objeto o de una estructura construida. No tenemos suficiente con la
mera asignación de objetos a roles concretos en acciones específicas y calificar de
“comportamiento” a la utilización del objeto (Kitamura y Mizoguchi, 2004, Erden et
al. 2008, St. Amant y Horton 2008). Por lo tanto, la función no se puede reducir a una
relación lineal entre la descripción de tamaño, forma, textura y materialidad y la
conducta instrumental, sino una conexión causal no lineal y no monótona entre las
intenciones agente/objeto, el diseño con el que el objeto fue producido y los usos a lo
que en principio el objeto fue destinado. Esta interacción constante entre la tarea y el
objeto, entre lo que los usuarios pueden hacer y lo que quieren hacer es lo que se
llama el ciclo artefacto-tarea. El efecto neto es que un cambio en el diseño de un
artefacto no sólo puede cambiar prácticas y tareas, sino que conducen a un cambio en
los entornos en los que se está usando y un cambio en las subpoblaciones que ahora
hacen uso de ella. A medida que aparecen más tipos de usuarios, más diferenciadas
son las necesidades que el artefacto debe cumplir. Esto normalmente provoca la
especialización de artefacto y la segmentación de la comunidad de usuarios (Kirsh
2009).

Los observables arqueológicos debe ser explicados recurriendo a la
estructura particular causal en la que se supone que han participado. El conocimiento
de la función de algún elemento material percibido debe reflejar las interacciones
causales que alguien tiene o puede tener potencialmente con necesidades, objetivos y
productos en el curso de la utilización de dichos elementos. Este enfoque ha sido
llamado affordance, término inglés sin traducción como so sea el de “disponibilidad”
o “potencialidad”. Fue propuesto por Gibson (Gibson, 1979, Norman, 1989).) para
sugerir que la información disponible a partir de la percepción de un objeto da pistas
sobre su función y las posibles manipulaciones. Según Turvey (1992), affordances
son propiedades disposicionales del medio ambiente, es decir, "tendencias" para
manifestar alguna otra propiedad en determinadas circunstancias. "Ser frágil" es una
propiedad disposicional común. Algo es frágil en caso de que se rompa en

Página. 80
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

determinadas circunstancias, en particular las circunstancias en las que se golpea
fuertemente. Estas propiedades disposicionales son concebibles sólo cuando se
combina con las circunstancias en las que se manifiesta la disposición: el vidrio es
frágil si hay posibles circunstancias en las que podría romperse. Esto significa que la
estructura física de un objeto y de la acción de un agente especifica su affordance
conjuntamente, y constituyen las causas inmediatas de una función percibida.

Esto puede ser cierto para objetos muy sencillos, como puntas de flecha
que se pueden simplificar en una sección triangular cuyo valor penetración resulta
obvio.

Por otro lado, el término affordance designa también la gama de posibles
acciones que los objetos u otros elementos posibilitan a un agente. Por lo tanto,
también puede referirse a relaciones entre las propiedades estructurales de los objetos
y componentes específicos de su uso (Bozeat et al, 2002; Chaigneau et al, 2004). En
el uso de herramientas, sin embargo, la función determinada por las propiedades
estructurales pueden referirse a las interacciones de la herramienta con otras
herramientas, recipientes o materiales en lugar de con los actores mismos. La
comprensión de estas interacciones se ha conceptualizado como "razonamiento
mecánico" o "resolución de problemas mecánicos" (Hegarty, 2004).

En consecuencia, affordances no son propiedades, o al menos no siempre
(Chemero 2003). Affordances son las relaciones entre las capacidades de las personas,
las características físicas de los sólidos y las características del entorno. Por
consiguiente, la affordance de un objeto o estructura construida está parcialmente
constituida por propiedades funcionales,

En definitiva, no sólo todo objeto, sólido o no, tiene su propia affordances,
sino también entidades no-materiales como palabras, ideas o símbolos, y éstas están
determinadas por las relaciones entre sus propiedades y las propiedades / habilidades
de sus usuarios previstos. Esto implica la necesidad de definir las restricciones
posibles (entre el usuario / productor y el artefacto, el usuario / productor y el medio
ambiente, y el artefacto y el medio ambiente). Affordances físicos, estrechamente
relacionadas con las restricciones conductuales, son las relaciones mutuas que
involucran tanto el agente y los artefactos. La función de un objeto debe reflejar las
acciones que se pueden realizar sobre el mismo, tanto por su estructura física y la
estructura física del agente que interactua con él. En consecuencia, el razonamiento
acerca de las dunciones de objetos físicos depende de los siguientes factores y los
sentidos (Bicici y St. Amant 2003):

Página. 81
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

Forma / textura / Composición: Para muchas herramientas, estos son los
factores decisivos de su eficacia.
Planificación: secuencias apropiadas de acciones son básicas para el uso
de herramientas. La función de una herramienta por lo general hace que
sea obvio en qué tipo de planes puede tomar parte.
Física: Para razonar acerca de las interacciones de una herramienta con
otros objetos y medir cómo afecta a otros objetos físicos, es necesario
tener un conocimiento básico de las reglas físicas que gobiernan los
objetos.
Dinámica: El movimiento y las relaciones dinámicas entre las partes de
herramientas y entre los instrumentos y sus objetivos proporcionar
indicaciones para el uso apropiado.
Causalidad: las relaciones causa-efecto entre las partes de herramientas y
sus correspondientes efectos en otros objetos físicos nos ayudan a entender
cómo podemos utilizar y por qué son eficaces.
Entorno de espacio de trabajo: Una herramienta necesita suficiente espacio
de trabajo para actuar efectivamente.
Los requisitos de diseño: El uso de una herramienta para lograr una tarea
conocida exige una estrecha interacción con el objetivo general de diseño
y requisitos de la tarea específica.

Una posibilidad de añadir conocimiento en el análisis funcional
arqueológico sería a través de la descomposición de los procesos de la conducta de
uso en cadenas de mecanismos individuales u operaciones, cada uno representado por
una parte (o componente fisicoquímica / mineralógica) del objeto de estudio. Zlateva
y Vaina (1991) han señalado que una descomposición analítica en partes se refieren a
las operaciones más básicas que objeto puede desempeñar. Estos autores afirmaron
que para conocer el uso de un objeto es necesario inferir la posición de uso correcta,
la dirección de la acción, y la presión que se aplica por un usuario prospectivo. Estos
no pueden ser aprendidas sin relaciones espaciales entre las partes y subpartes, lo que
implica que las partes y subpartes se refieren directamente a las conductas realizadas
con el objeto. Cambios en la dirección de las fuerzas, pares, y los impulsos y la
elaboración de planes para transmitir fuerzas entre las partes son problemas
importantes que se plantean en este marco. Para resolver esto, necesitamos integrar el
conocimiento causal y funcional para ver, entender y ser capaz de manipular
escenarios conductuales. Ya hemos definido el análisis funcional como la aplicación
de un objeto en un contexto específico para la realización de un propósito en
particular. Por lo tanto, hay que considerar la modalidad de la operación, que se

Página. 82
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

refleja en la descripción de la tarea y el contexto de aplicación (Bogoni 1995, Brand
1997). Es decir, hay que añadir las reglas de la física que rigen las interacciones entre
los objetos y el entorno para reconocer su funcionalidad. La asignación funcional no
puede producirse hasta conocer todas las condiciones en el entorno físico, a saber, el
objeto (s), su materialidad, cinemática y dinámica. Una vez que estas condiciones se
han definido, podemos procesar los comportamientos relevantes, y predecir su
resultado más probable (Barsalou et al. 2005). Eso significa que tenemos que integrar
modelos de composición, forma y textura a las representaciones dinámicas de las
relaciones físicas para reconocer la funcionalidad de los objetos. El proceso de
reconocimiento se ve reforzada por la consideración de las relaciones causales entre
los objetos, tales como el efecto predecible o observable en un objeto objetivo
mediante la realización de una acción con una herramienta o un objeto.

DiManzo et al. (1989) consideraron el razonamiento funcional como la
capacidad de integrar información visual / no-visual de objeto con conocimiento
acerca de la planificación de la acción o conducta. Describieron la dificultad de
separar la función de una herramienta de la conducta en la que tomó parte, puesto que
conducta, previsión y objeto evolucionan juntos y se diferencian con el tiempo. Más
investigación en este ámbito de la integración de los conocimientos de la física, la
mecánica de la tarea y los datos de percepción (visual y no visual: forma, textura y / o
composición) ha sido propuesta por Far (1992), Deshmukh et al. (1993), Cooper et
al., (1995), Hodges (1995), Rivlin et al. (1995), Froimovich et al. (2002), Zhang et al.
(2002), Peursum et al. (2003, 2005, 2007), Pechuk et al. (2005), Erden et al. (2008).
Alternativamente, es posible construir un modelo de la función sobre la base de una
descripción de la estructura física (forma / forma) de los antepasados conocidos de
este objeto, a saber, ciertas disposiciones físicas. En ese sentido, tanto el artefacto y
sus antepasados son parte de una historia o trayectoria temporal, son productos de
procesos. En algunos casos, se puede demostrar que la estructura física del elemento
es aproximadamente similar a la estructura física de los antecesores, incluyendo las
disposiciones que se corresponden con las funciones propias atribuidas al artefacto.
Sólo objetos malformados, y por lo tanto con un funcionamiento erróneo, son una
excepción del principio de que la estructura genética de la historia causal proporciona
una justificación parcial para la creencia de que el artefacto tiene la disposición física
(materialidad) que corresponde a la función atribuida (Vermaas y Houkes 2003).
Obviamente, este enfoque no se puede aplicar en todas las circunstancias, porque es
incorrecto en el caso de objetos nuevos y la introducción de novedad y de cambios
revolucionarios, pero puede ser útil para entender la historia causal (o "genética"
reproducción) de un históricamente conectado serie de objetos.

Página. 83
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

REFERENCIAS

ACEBRÓN-LINUESA, F., LÓPEZ-GARCÍA, F., VALIENTE-GONZÁLEZ, J.M. (2002) Surface
Defect Detection on Fixed Ceramic Tiles. Proceedings of the 2nd IASTED International Conference on
Visualization, Imaging, and Image Processing.
ADAMS, F.R. (1979) A Goal-State Theory of Function Attributions. Canadian Journal of Philosophy 9,
493-518.
ADAMS, D.C.F., ROHLF, J., Slice, D.E. (2004) Geometric Morphometrics: Ten Years of Progress
Following the ‘Revolution’. Italian Journal of Zoology 71, 5-16.
ADÁN, A. et al. (2008) Using Non Local Features for 3D Shape Grouping. In Structural, Syntactic,
and Statistical Pattern Recognition. N. da Vitora Lobo et al. (eds.), Springer-Verlag,
Berlin/Heidelberg, Lecture Notes in Computer Science, 5342, 644-653
AITCHISON, J. (1986) The Statistical Analysis of Compositional Data. Chapman and Hall, London.
AITCHISON, J. (1994) Principles of Compositional Data Analysis. In Multivariate Analysis and its
Applications. T.W.Anderson, I. Olkin, K.T. Fang (eds.), Institute of Mathematical Statistics, Hayward
(CA), 73-81.
AITCHISON, J. (1997) The One-Hour Course in Compositional Data analysis or Compositional Data
Analysis is Easy. Proceedings of the 3rd Annual Conference of the International Association for
Mathematical Geology. Pawlowsky Glahn, V. (ed.), CIMNE, Barcelona, 3-35.
AITCHISON, J., BARCELÓ-VIDAL, C. (2002) Compositional Processes: A Statistical Search for
Understanding. Proceedings of the 3rd Annual Conference of the International Association for
Mathematical Geology. V. Pawlowsky-Glahn (ed.), CIMNE, Barcelona.
ANDERSON, P.C. (1981) Contribution méthodologique à l’analyse des micro-traces d’utilisation sur
les outils préhistoriques. Mst. Thesis, Université de Bordeaux I.
ANKERST, M., KASTENMUELLER, G., KRIEGEL, H.-P., SEIDL, T. (1999) 3D Shape Histograms
for Similarity Search and Classification in Spatial Databases. Proceedings of the 6th International
Symposium on Large Spatial Databases (SSD`99), Hong Kong.
ASAHINA, D., TAYLOR, M.A. (2011) Geometry of irregular particles: Direct surface measurements
by 3-D laser scanner. Powder Technology 213, 70-78. Elsevier.
ASHBY, M.F. (2005) Materials selection in Mechanical Design. 3rd ed. Elsevier (1st ed. 1992,
Pergamon Press).
ATKINS, T. (2009) The science and engineering of cutting: the mechanics and processes of
separating, scratching and puncturing biomaterials, metals and non-metals. Oxford, Butterworth.
ASME (2010) ASME-B46-1-2009 - Surface Texture (Surface Roughness, Waviness, and Lay).
American Society of Mechanical Engineers (ASME), New York (NY).
BALACHANDRAN, M., GERO, J.S. (1990) Role of prototypes in integrated expert systems and CAD
systems. In Applications of Artificial Intelligence in Engineering V. Gero, J.S. (ed.), Springer-Verlag,
Berlin, 1, 195-211.

Página. 84
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

BARCELÓ, J.A. (2000) Visualizing what might be. An introduction to Virtual Reality in Archaeology.
In Virtual Reality in Archaeology. J.A. Barceló, M. Forte and D. Sanders (eds.), ArcheoPress (BAR
International Series), Oxford, 9-36.

BARCELÓ, J.A. (2009) Computational Intelligence in Archaeology. The IGI Group, Hershey, New
York.

BARCELÓ, J.A. (2010a) Visual Analysis in Archaeology. An Artificial Intelligence Approach. In
Morphometrics for Nonmorphometricians. A.M.T. Elewa (ed.) Springer Verlag, Berlin. Lecture Notes
in Earth Sciences, 124, 51-101.

BARCELÓ, J.A. (2010b) Computational Intelligence in Archaeology. State of the art. In Making
History Interactive. Frischer, B., Webb, J., Koller, D. (eds.), ArcheoPress (BAR Int. Series, S2079),
Oxford, 11-22.

BARCELÓ, J.A., PIJOAN-LOPEZ, J. (2004) Cutting or Scrapping? Using Neural Networks to
Distinguish Kinematics in Use Wear Analysis”. In Enter the Past. The E-way into the Four
Dimensions of Culture Heritage. Magistrat der Stadt Wien (ed.), ArcheoPress (BAR Int. Series,
S1227), Oxford, 427-431

BARCELO -VIDAL, C., MARTÍN-FERNÁNDEZ, J.A., PAWLOWSKY-GLAHN, V. (2001)
Mathematical foundations for compositional data analysis. Proceedings the Annual Conference of the
International Association for Mathematical Geology (IAMG'01), Cancún.

BARSALOU, L.W., SLOMAN, S.A., CHAIGNEAU, S.E. (2005) The HIPE theory of function. In
Representing functional features for language and space: Insights from perception, categorization and
development. L. CARLSON, E. VAN DER ZEE (eds.), Oxford University Press, 131-147.

BAXTER, M.J. (2006) A Review of Supervised and Unsupervised Pattern Recognition in
Archaeometry. Archaeometry 48(4), 671-694.

BEARDAH, C.C., BAXTER, M.J. (2005) An R Library for Compositional Data Analysis in
Archaeometry. 2nd Compositional Data Analysis Workshop (CoDaWork'05), Girona.

BECK, B.B. (1980) Animal Tool Behavior: The Use and Manufacture of Tools. Garland Press New
York, NY.

BEJAN, A. (2000) Shape and Structure, from Engineering to Nature. Cambridge University Press.

BELL, S., CROSON, C. (1998) Artificial Neural Networks as a tool for Archaeological Data Analysis.
Archeometry 40(1), 139-151.

BELL, S., JANTZ, R. (2002) Neural Network Classification of Skeletal Remains. In Archeological
Informatics: Pushing the Envelope. G. Burenhult (ed.), ArcheoPress (BAR Int. Series, S1016), Oxford,
205-212.

BETTINGER, R.L., BOYD, R., RICHERSON, P.J. (1996) Style, function, and cultural evolutionary
processes. In Darwinian Archaeologies. Maschner HDG (ed.), Plenum Press, New York, 133-164.

BEYRIES, S., DELAMARE, F., Quantin, J.-C. (1988) Tracéologie et Rugosimétrie Tridimensionnelle.
In Industries lithiques, tracéologie et technologie. S. Beyries (ed.), Hadrian Books (BAR Int. Series,
411-1), Oxford, 115-132

BHAKAR, S. et al. (2004) Textiles, Patterns and Technology: Digital Tools for the Geometric Analysis
of Cloth and Culture. Textile: The Journal of Cloth and Culture 2(3), 308-327.

BICICI, E., St. AMANT, R. (2003) Reasoning about the functionality of tools and physical artifacts.
Technical Report TR-2003-22, Department of Computer Science, North Carolina State University.

BIEDERMAN, I. (1987) Recognition-by-components: A Theory of Human Image Understanding.
Psychological Review 94(2), 115-147.

BIEDERMAN, I. (1995) Visual Object Recognition. In An Invitation to Cognitive Science - Visual
Cognition. S.F. Kosslyn, D.N. Osherson (eds.), MIT Press, 2(4), 121-165.

Página. 85
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

BIGNON, O. et al. (2005) Geometric Morphometrics and the Population Diversity of Late Glacial
Horses in Western Europe (Equus caballus arcelini): Phylogeographic and Anthropological
Implications. Journal of Archaeological Science 32, 375-391.

BILLHEIMER, D., GUTTORP, P., FAGAN, W.F. (1998) Statistical Analysis and Interpretation of
Discrete Compositional Data. NRCSE Technical Report Series 011.

BINFORD, L.R. (1989) Styles of style. Journal of Anthropological Archaeology 8, 51-67.

BINFORD, T.O., LEVITT, T.S. (2003) Evidential Reasoning for Object recognition. IEEE
Transactions on pattern Analysis and Machine Intelligence 25(7), 837-851.

BOGONI, L. (1995) Identification of Functional Features through Observations and Interactions.
Ph.D. Thesis, University of Pennsylvania, Philadelphia (PA).

BONNET, J.C. (1992) Towards a formal representation of device functionality. Report KSL 92-54,
Stanford University Knowledge Systems Laboratory.

BONET, J., WOOD, R.D. (1997) Nonlinear Continuum Mechanics for Finite Element Analysis.
Cambridge University Press.

BOORSE, C. (1976) Wright on Functions. Philosphical Review 85, 70-86.

BOORSE, C. (2002) A Rebuttal on Functions. In Functions. New Essays in the Philosophy of
Psychology and Biology. A. Ariew, R. Cummins, M. Perlman (eds.). Oxford University Press.

BOZEAT, S. et al. (2002) When objects lose their meaning: What happens to their use? Cognitive,
Affective, & Behavioral Neurosciences 2(3), 236-251.

BRAND, M. (1997) Physics-Based Visual Understanding. Computer Vision and Image Understanding,
CVIU 65(2), 192-205.

BRANTINGHAM, P.J. (2007) An Unified evolutionary model of archaeological style and function
based on the Price equation. American Antiquity 72(3), 395-416.

BRIBIESCA, E. (2000) A Measure of Compactness for 3D Shapes. Computers & Mathematics with
Applications 40 (10–11) 1275–1284. Elsevier.

CAMIZ, S., VENDITTI, S. (2004) Unsupervised and Supervised Classifications of Egyptian Scarabs
Based on Typology Qualitative Characters. In Beyond the Artefact. Proceedings of the Computer
Applications and Quantitative Methods in Archaeology Conference (CAA’04). F. Nicolucci (ed.),
ArchaeoLingua, Budapest.

CAO, F. et al. (2008) A Theory of Shape identification. Lecture Notes in Mathematics 1948. Springer.

CASTRO, D., DIAZ, D. (2004) Kohonen Networks Applied to Rincón del Toro Rock Art Site Analysis.
In Beyond the Artefact. Proceedings of the Computer Applications and Quantitative Methods in
Archaeology Conference (CAA’04). F. Nicolucci (ed.), ArchaeoLingua, Budapest.

CHAIGNEAU, S.E., BARSALOU, L.W., SLOMAN, A. (2004) Assessing the Causal Structure of
Function. Journal of Experimental Psychology: General 133(4), 601-625.

CHAKRABARTI, A. et al. (2002) An Approach to Compositional Synthesis of Mechanical Design
Concepts Using Computers. In Engineering Design Synthesis: understanding, approaches, and tools.
A. Chakrabarti (ed.), Springer.

CHANDRARATNE, M. R. et al. (2003) Determination of Lamb Grades using Texture Analysis and
Neural Networks. Proceedings of the 3rd IASTED International Conference Visualization, Imaging and
Image Processing, M.H. Hamza (ed.), Benalmadena.

CHANG, H.-C., KOPASKA-Merkel, D., Chen, H.C. (2002) Identification of Lithofacies using
Kohonen Self-Organizing Maps. Computers & Geosciences 28, 223-229.

Página. 86
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

CHAOUCH, M., VERROUST-Blondet, A. (2006) Enhanced 2D/3D Approaches Based on Relevance
Index for 3D-Shape Retrieval. Proceedings of the IEEE International Conference on Shape Modeling
and Applications (SMI’06).

CHAOUCH, M., VERROUST-Blondet, A. (2007) 3D Model Retrieval Based on Depth Line
Descriptor. Proceedings of the IEEE International Conference on Multimedia and Expo, 599-602.

CHEMERO, A. (2003) An Outline of a Theory of Affordances. Ecological Psychology 15(2), 181-195.

CLEMENTE, I., RISCH, R., GIBAJA, J.F. (eds.) (2002) Análisis functional. Su aplicación al estudio
de sociedades prehistóricas. Hadrian Books, ArcheoPress (BAR Int. Series, 1073), Oxford.

COOPER, P.R., BIRNBAUM, L.A., BRAND, M.E. (1995) Causal Scene Understanding. Computer
Vision and Image Understanding 62(2), 215-231.

COPPA, A. et al. (2007) Evidence for new Neanderthal teeth in Tabun Cave (Israel) by the application
of Self-Organizing Maps (SOMs). Journal of Human Evolution 52(6), 601-661.

CORNEY, J. et al. (2002) Coarse filters for shape matching. IEEE Computer Graphics and
Applications, 22(3), 65-74.

CORSINI, M.M., SCHMITT, A., BRUZEK, J. (2005) Aging Process Variability on the Human
Skeleton: Artificial Network as an Appropriate Tool for Age at Death Assessment. Forensic Science
International 148, 163-167.

COSTA, L.F., CÉSAR, R.M. (2001) Shape Analysis and Classification: Theory and Practice. CRC
Press, Boca Raton (FL).

COTTERELL, B., KAMMINGA, J. (1990) Mechanics of Pre-Industrial Technology. An introduction
to the mechanics of ancient and traditional material culture. Cambridge University Press.

CULA, O.G., DANA, K.J. (2004) 3D Texture Recognition Using Bidirectional Feature Histograms.
International Journal of Computer Vision 59(1), 33-60.

CUMMINS, R. (1975) Functional Analysis. Journal of Philosophy, 72(20), 741-765.

CUMMINS, R. (2000) “How does it work?" vs. "What are the laws?" Two conceptions of
psychological explanation. In Explanation and Cognition. F. Keil, R. Wilson (eds.), MIT Press, 117-
145

CUMMINS, R. (2002) Neo-Teleology. In Functions. New Essays in the Philosophy of Psychology and
Biology. A. Ariew, R. Cummins and M. Perlman (eds.), Oxford University Press.

DAVID, S.E. et al. (1994) Texturing and modeling: a procedural approach. Academic Press
Professional, San Diego (CA).

DAVIS, E. (1990) Representations in Commonsense Knowledge. Morgan Kaufmann Publishers, San
Mateo (CA).

DAVIS, E. (1993) The Kinematics of Cutting Solid Objects. Annals of Mathematics and Artificial
Intelligence 9(3-4), 253-305.

DENNETT, D.C. (1987) The Intentional Stance. The MIT Press, Cambridge (MA).

DENNETT, D.C, (1991) Cognitive Science as Reverse Engineering: Several Meanings of ‘Top-Down’
and ‘Bottom-Up’. Proceedings of the 9th International Congress of Logic, Methodology and
Philosophy of Science, D. Prawitz, B. Skyrms, D. Westerstahl (eds.).

DESHMUKH, A., YUNG, J.P., WANG, H.P. (1993) Automated generation of assembly sequence
based on geometric and functional reasoning. Journal of Intelligent Manufacturing 4(4), 269-284.

DESHPANDE, G. et al. (2010) Object familiarity modulates effective connectivity during haptic shape
perception. NeuroImage 49(3), 1991-2000.

Página. 87
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

DIAZ, D., CASTRO, D. (2001) Pattern Recognition Applied to Rock Art”. In Archaeological
Informatics: Pushing the Envelope. G. Burenhult (ed.), ArcheoPress (BAR Int. Series, S1016), Oxford,
463-468.

DIMANZO, M. et al. (1989) FUR: Understanding FUnctional Reasoning. International Journal of
Intelligent Systems 4, 431-457.

DOMANSKI, M., WEBB, J.A., BOLAND, J. (1994) Mechanical properties of stone artefact materials
and the effect of heat treatment. Archaeometry 36(2), 177-208.

DONG, J., CHANTLER, M. (2005) Capture and Synthesis of 3D Surface Texture. International
Journal of Computer Vision 62(1-2), 177-194.

DROLON, H. et al. (2003) Multiscale Roughness Analysis of Particles: Application to the
Classification of Detrital Sediments. Mathematical Geology 35(7), 805-817.

DRYDEN, I.L., MARDIA, K. (1998) Statistical Shape Analysis. John Wiley & Sons, Chichester (UK)

DUNNELL, R.C. (1978) Style and Function: A Fundamental Dichotomy. American Antiquity 43(2),
192-202.

DURIC, Z., FAYMAN, J., RIVLIN, E. (1996) Function from Motion. IEEE Transactions on Pattern
Analysis and Machine Intelligence 18, 579-591.

Edelman, S. (1999) Representation and recognition in vision. MIT Press, Cambridge (MA).

Edelman, S., Intrator, N. (2002) Visual Processing of Object Structure”. In The Handbook of Brain
Theory and Neural Networks. M. A. Arbib (ed.), MIT Press, Cambridge (MA).

EDELMAN, S., INTRATOR, N. (2003) Towards Structural Systematicity in Distributed, Statically
Bound Visual Representations. Cognitive Science 27, 73-110.

EILAM, E. (2005) Reversing: Secrets of Reverse Engineering. Wiley Publishing, Indianapolis.

ELEWA, E.M.T. (ed.) (2010) Morphometrics for Non-Morphometricians. Lecture Notes in Earth
Sciences 124. Springer, Berlin.

ENGLER, O., RANDLE, V. (2009) Introduction to Texture Analysis: Macrotexture, Microtexture, and
Orientation Mapping. CRC Press.

ERDEN, M.S. et al. (2008) A review of function modeling: Approaches and applications. Artificial
Intelligence for Engineering Design, Analysis and Manufacturing 22, 147-169.

FALCONER, K. (2003) Fractal geometry. John Wiley, London.

FAR, B.H. (1992) Functional Reasoning, Explanation and Analysis. Technical Report JAERI-M 91-
225, Japan Atomic Energy Research Institute.

FERMO, P. et al. (2004) Classification of Ancient Etruscan Ceramics Using Statistical Multivariate
Analysis of Data. Applied Physics A: Materials Science & Processing 79(2), 299-307.

FLEMING, B. (1999) 3D Modeling and Surfacing. Morgan Kaufmann Publishers, San Francisco (CA).

FPL (2010) Wood Handbook – Wood as an Engineering Material. General Technical Report FPL-
GTR-190. U.S. Department of Agriculture, Forest Service, Forest Products Laboratory (FPL).
Centennial Edition, Madison (WI).

FRIEDHOFF, R.M., BENZON, W. (1989) Visualization: The second computer revolution. Abrahams,
New York.

FROIMOVICH, G., RIVLIN, E., SHIMSHONI, I. (2002) Object Classification by Functional Parts.
Proceedings of the 1st Symposium on 3D Data, Processing, Visualization and Transmission, 648-655.

FUETEN, F. (1997) A Computer Controlled Rotating Polarizer Stage for the Petrographic
Microscope. Computers and Geosciences 23, 203-208.

Página. 88
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

FUETEN, F., HYNES, K., VANLUTTIKHUISEN, R.L. (2001) An Experimental Setup for the
Analysis of Analogue Deformation Experiments using the Rotating Polarizer Stage. Journal of
Structural Geology 24, 241-245.

FULCHER, J. (1997) Neural Networks for Archaeological Provenancing”. Handbook of Neural
Computation. E. Fiesler, R. Beale (eds.), Institute of Physics, Oxford University Press.

GAL, R., SHAMIR, A., COHEN-Or, D. (2007) Pose-Oblivious Shape Signature. IEEE Transactions
on Visualization and Computer Graphics 13(2), 261-271.

GAMMAITONI, L. (2011) Shape is Physical. In SHAPES 1.0. The Shape of Things. Proceedings of the
1st Interdisciplinary Workshop on SHAPES, J. Hastings, O. Kutz, M. Bhatt, S. Borgo (eds.),
Karlsruhe.

GIBSON, P. (1993) The potentials of hybrid neural network models for archaeological ageing and
interpretation. In Computing the Past. T. Madsen, J. Andresen (eds.), University of Aarhus Press.

GIBSON, P. (1996) An archaeofaunal ageing comparative study into the performance of Human
analysis versus hybrid neural network analysis. Analecta prehistorica Leidensia 28(1), 229-232.

GIBSON, J.J. (1979) The Ecological Approach to Visual Perception. Houghton Mifflin, Boston (MA).

GIL-PITA, R., SALA-BURGOS, N. (2006) Using Neural Networks to Detect Microfossil Teeth in
Somosaguas Sur Paleontological Site Intelligent Data Engineering and Automated Learning
(IDEAL’06). Lecture Notes in Computer Science 4224, 496-503.

GOLDENBERG, G., SPATT, J. (2009) The Neural Basis of Tool Use. Brain – A Journal of Neurology
132, 1645-165.

GONZÁLEZ, J.E., IBÁÑEZ, J.J. (2003) The quantification of use-wear polish using image analysis.
First results. Journal of Archaeological Science 30, 481-489.

GRACE, R. (1989) Interpreting the function of stone tools. The quantification and computerisation of
microwear analysis. Hadrian Books (BAR Int. Series, 497), Oxford.

GRENANDER, U. (1993) General Pattern Theory. Oxford University Press.

GRUDZINSKI, K., KARWOWSKI, M., Duch, W. (2003) Computational Intelligence Study of the Iron
Age Glass Data. International Conference on Artificial Neural Networks (ICANN) and International
Conference on Neural Information Processing (ICONIP), Istanbul.

GRUDZINSKI, K., KARWOWSKI, M. (2005) The Analysis of the Unlabeled Samples of the Iron Age
Glass Data. In Intelligent Information Processing and Web Mining. Proceedings of the International
IIS - IIPWM'05, M.A. Klopotek, S.T. Wierzchon, K. Trojanowski (eds.), Springer (Advances in Soft
Computing Series).

HARALICK, R.M. (1979) Statistical and Structural Approaches to Texture. Proceedings of the IEEE
67(5), 786-804.

HAYDEN, B. (ed.) (1979) Lithic use-wear analysis. Academic Press, New York.

HAYDEN, B. (1998) Practical and Prestige Technologies: The Evolution of Material Systems. Journal
of Archaeological Method and Theory 5, 1-55.

HEGARTY, M. (2004) Mechanical Reasoning as Mental Simulation. Trends in Cognitive Science 8,
280-285.

HESHMAT, H. (2010) Tribology of Interface Layers. Boca Ratón (FL), CRC Press.

HODGES, J. (1995) Functional and Physical Object Characteristics and Object Recognition in
Improvisation. Computer Vision and Image Understanding: CVIU 62(2), 147-163.

HOPKINS, H. (2008) Using Experimental Archaeology to Answer the Unanswerable: A case study
using Roman Dyeing. In Experiencing Archaeology by Experiment. P. Cunningham, J. Heeb, R.P.
Paardekooper (eds.), Oxbow Books, Oxford, 103-118.

Página. 89
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

HORSFALL, G. (1987) Design theory and grinding stones. In Lithic Studies Among the
Contemporary Highland Maya. B. Hayden, (ed.), University of Arizona Press, Tucson, 332-377.

HÜLLERMEIER, E. (2007) Case-Based Approximate Reasoning. Springer Verlag (Theory and
Decision Library B), New York/Berlin.

HUMMEL, J.E., BIEDERMAN, I. (1992) Dynamic Binding in a Neural Network for Shape
Recognition. Psychological Review 99(3), 480-517.

HURT, T.D., RAKITA, G.F.M. (eds.) (2001) Style & Function: Conceptual Issues in Evolutionary
Archaeology. Bergin & Garvey, Westport (CT).

INGRAM, D.S., HUDSON, A. (eds.) (1994) Shape and Form in Plants and Fungi. Linnean Society
Symposium Series 16, Linnean Society of London, Academic Press.

JAIN, A.K., KARU, K. (1996) Learning Texture Discrimination Masks. IEEE Transactions on Pattern
Analysis and Machine Intelligence 18(2), 195-205.

JANG, J. et al. (2006) Punctuated simplification of man-made objects. Visual Computer 22(2), 136-
145.

JAYANTI, S., KALYANARAMAN, Y., RAMANI, K. (2009) Shape-based clustering for 3D CAD
objects: A comparative study of effectiveness. Computer-Aided Design 41, 999-1007. Elsevier.

JI, S., YUAN, Q., ZHANG, L. (2005) Study of Auto Recognizing Metal Chips' Shape Based on RBF
Neural Networks. Journal of Information & Computational Science 2(1), 51-56.

JOHANSSON, I. (2008) Functions and Shapes in the Light of the International System of Units
Metaphysica. International Journal for Ontology & Metaphysics 9, 93-117.

JOHANSSON, I. (2011) Shape is a Non-Quantifiable Physical Dimension. In SHAPES 1.0. The Shape
Of Things. Proceedings of the 1st Interdisciplinary Workshop on SHAPES, J. Hastings, O. Kutz, M.
Bhatt, S. Borgo (eds.), Karlsruhe.

JONES, A. (2004) Archaeometry and materiality: materials-based analysis in theory and practice.
Archaeometry 46(3), 327-338.

KADAR, M., ILEANA, I., JOLDES, R. (2004) Artificial Neural Networks used in Forms Recognition
of the Properties of Ancient Copper based Alloys. In Beyond the Artefact. Proceedings of the
Computer Applications and Quantitative Methods in Archaeology Conference (CAA’04). F. Nicolucci
(ed.), ArchaeoLingua, Budapest.

KALLIOMÄKI, I., VEHTARI, A., LAMPINEN, J. (2005) Shape analysis of concrete aggregates for
statistical quality modeling. Machine Vision and Applications, 16(3), 197-201.

KASHYAP, H.K., BANSILAL, P., KOUSHIK, A.P. (2003) Hybrid Neural Network Architecture for
Age Identification of Ancient Kannada Scripts. Proceedings of the IEEE International Symposium on
Circuits and Systems (ISCAS’03), 3, 423-426.

KAZHDAN, M., FUNKHOUSER, T., RUSINKIEWICZ, S. (2003) Rotation Invariant Spherical
Harmonic Representation of 3D Shape Descriptors. Eurographics Symposium on Geometry
Processing, L. Kobbelt, P. Schröder, H. Hoppe (eds.). The Europgraphics Association.

KEOGH, E., Ye, L., RAMPLEY, T., Lee, S.-H. (2010) Automatic Construction of Typologies for
Massive Collections of Projectile Points. In Making History Interactive. B. Frischer, J. Webb, D.
Koller (eds.), ArcheoPress (BAR Int. series, S2079), Oxford, 146-157.

KILIKOGLOU, V. et al. (1998) Mechanical performance of quartz tempered ceramics: part 1,
strength and toughness. Archaeometry 40, 261-79.

KILIKOGLOU, V., VEKKINIS, G. (2002) Failure Prediction and Function Determination of
Archaeological Pottery by Finite Element Analysis. Journal of Archaeological Science 29, 1317-1325.

Página. 90
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

KIRSH, D. (2009) Explaining Artifact Evolution. In, Cognitive Life of Things: Recasting the
Boundaries of the Mind. L. Malafouris (ed.), McDonald Institute for Archaeological Research,
Cambridge University press.

KITAMURA, Y., MIZOGOUCHI, R. (1999) An Ontology of Functional Concepts of Artifacts.
Artificial Intelligence Research Group, The Institute of Scientific and Industrial Research, Osaka
University (AI-TR-99-1).

KITAMURA, Y., MIZOGOUCHI, R. (2004) Ontology-based systematization of functional knowledge.
Journal of Engineering Design 15(4), 327-351.

KLEBER, F., SABLATNIG, R. (2009) Scientific Puzzle Solving: Current Techniques and
Applications. Proceedings of the Computer Applications and Quantitative Methods in Archaeology
Conference (CAA'09), Williamsburg, Virginia.

KOENDERINK, J.J., Van DOORN, A.J. (1992) Surface Shape and Curvature Scales. Image and
Vision Computing 10(8), 557-564. K.D. Baker (ed.), Butterworth-Heinemann Newton (MA).

KOLODNER, J. (1993) Case-Based Reasoning. Morgan Kaufmann Publishers, San Francisco (CA).

KOUTSOUDIS, A. et al. (2010) 3D Pottery content-based retrieval based on pose normalisation and
segmentation. Journal of Cultural Heritage 11(3), 329-338.

KROTKOV, E. (1994) Perception of Material by Robotic Probing: Preliminary Investigation. In The
Role of Functionality in Object Recognition. CVPR Workshop.

KULKARNI, A.D. (2001) Computer Vision and Fuzzy Neural Systems. Prentice Hall, Upper Saddle
River (NJ).

KULLMER, O. et al. (2002) Hominid tooth pattern database (HOTPAD) derived from optical 3D
topometry. Proceedings of the 14th UISPP Congress, B. Mafart, H. Delingette (eds.), ArcheoPress
(BAR Int. series, 1049).

LACEY, S., CAMPBELL, C., SATHIAN, K. (2007) Vision and touch: Multiple or multisensory
representations of objects? Perception 36(10), 1513-1521.

LAGA, H., TAKAHASHI, H., NAKAJIMA, M. (2006) Spherical wavelet descriptors for contentbased
3D model retrieval. Proceedings of the IEEE International Conference on Shape Modeling and
Applications (SMI’06), 75-85.

LARK, R.S. (1996) Geostatistical description of texture on an aerial photograph for discriminating
classes of land cover. International Journal of Remote Sensing 17(11), 2115-2133.

LEE, T.S. (1996) Image representation using 2D Gabor wavelets. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 18(10), 959-971.

LEUNG, T., MALIK, J. (2001) Representing and Recognizing the Visual Appearance of Materials
using Three-dimensional Textons. International Journal of Computer Vision 43(1), 29-44.

LEYMARIE, F.F. (2011) On the Visual Perception of Shape - Analysis and Genesis through
Information Models. In SHAPES 1.0. The Shape of Things. Proceedings of the 1st Interdisciplinary
Workshop on SHAPES, J. Hastings, O. Kutz, M.l Bhatt, S. Borgo (eds.), Karlsruhe.

LEYTON, M. (1992) Symmetry. Causality, Mind. The MIT Press, Cambridge (MA).

LEYTON, M. (2005) Shape as Memory Storage. In Ambient Intelligence for Scientific Discovery. In
Lecture Notes in Artificial Intelligence 3345. C. Young (ed.), Springer, Berlin.

LI, P., FLENLEY, J.R. (1999) Pollen Texture Identification using Neural Networks. Grana 38, 59-64.

LIAN, Z., ROSIN, P.L., SUN, X. (2010) Rectilinearity of 3D Meshes. International Journal of
Computer Vision - IJCV, 89(2-3), 130-151.

Página. 91
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló

Capítulo 3

CURSO SEAV DE ARQUEOLOGÍA Y PATRIMONIO VIRTUAL

LLETÍ, R. et al. (2003) Application of the Kohonen Artificial Neural Network in the Identification of
Proteinaceous Binders in Samples of Panel Painting Using Gas Chromatography-Mass Spectrometry.
Analyst 128, 281-286.

LOHSE, E.S. et al. (2004) Automated Classification of Stone Projectile Points in a Neural Network. In
Enter the Past. The e-way into the four dimensions of Culture Heritage. Magistrat der Stadt Wien-
Referat Kulturelles Erbe-Städtarhchäologie Wien (ed.). ArcheoPress (BAR Int. series, S1227), 431-
437.

LONGO, L., DALLA RIVA, M., SARACINO, M. (eds.) (2009) Prehistoric Technology. 40 years
later: Functional Analysis and the Russian Legacy. Hadrian Books (BAR Int. series).

LOPEZ MOLINERO, A. et al. (2000) Classification of Ancient Roman Glazed Ceramics using the
neural network of self-organizing maps. Fresenius Journal of Analytical Chemistry 367, 586-589.

MA, Q.L. (2003) Application of EDXRF and artificial neural networks to provenance studies of the
archaeological pottery sherds during Neolithic Age in Gansu Province. China Journal of Lanzhou
University (Natural Sciences) 39(1), 47-53.

MA, Q.L. et al. (2000) Principal component analysis and artificial neural networks applied to the
Classification of Chinese pottery of Neolithic age. Analytica Chimica Acta 406, 247-256.

MAATEN, L.J.P. VAN DER, Boon, P.J. (2006) COIN-O-MATIC: A Fast and Reliable System for
Coin Classification. Proceedings of the MUSCLE Coin Workshop, Berlin, 7-17.

MAATEN, L.J.P. van der et al. (2006) Computer Vision and Machine Learning for Archaeology”.
Proceedings of the Computer Applications and Quantitative Methods in Archaeology Conference
(CAA’06), Fargo (ND).

MADEMLIS, A. et al. (2009) Ellipsoidal Harmonics for 3-D Shape Description and Retrieval. IEEE
Transactions on Multimedia - TMM 11(8), 1422-1433.

MARKWARDT, J.L. (1930) Comparative strength properties of woods grown in the United States.
Technical Bulletin, 158. U.S. Department of Agriculture, Washington D.C.

MARKWARDT, J.L. (1935) Strength and related properties of woods grown in the United States.
Technical Bulletin, 479. U.S. Department of Agriculture, Washington D.C.

MARMO, R. et al. (2005) Textural Identification of Carbonate Rocks by Image Processing and Neural
Network: Methodology Proposal and Examples. Computers & Geosciences 31, 649-659.

MARTIN, D.H., FOWLKES, C.C., MALIK, J. (2004) Learning to Detect Natural Image Boundaries
Using Local Brightness, Color, and Texture Cues. IEEE Transactions on Pattern Analysis and Machine
Intelligence 26(5), 530-549.

MARTINEZ-ALAJARIN, J.M., LUIS-DELGADO, J.D., TOMAS-BALIBREA, L.M. (2005)
Automatic System for Quality-Based Classification of Marble Textures. IEEE Transactions on Systems,
Man, And Cybernetics - Part C: Applications And Reviews 35(4), 488-497.

MARTINEZ-ORTIZ, C., ŽUNIĆ, J. (2009) Measuring Cubeness of 3D Shapes. Progress in Pattern
Recognition, Image Analysis, Computer Vision, and Applications. Lecture Notes in Computer Science,
5856, 716–723. E. Bayro-Corrochano, J.-O. Eklundh (eds.), Springer-Verlag, Berlin, Heidelberg.

MARWAN, N. et al. (2004) 3D measures of complexity for the assessment of complex trabecular bone
structures. http://www.pik-potsdam.de/members/kurths/
publikationen/2004/3d-measures-of-complexity-for-the-assessment-of-complex-trabecular-bone-
structures (accessed 14/12/2011).

MASAD, E., Al-ROUSAN, T., LITTLE, D. (2007) Test Methods for Characterizing Aggregate Shape,
Texture, and Angularity. NCHRP Report 555, National Cooperative Highway Research Program.
Transportation Research Board of the National Academies, Washington D.C.

Página. 92
MANUAL DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANALISIS

DE MODELOS VIRTUALES DE REALIDADES ARQUEOLOGICAS
Juan antonio barceló