L'objectiu d'aquest projecte ha estat el desenvolupament d'algorismes biològicament inspirats per a l'olfacció artificial. Per a assolir-lo ens hem basat en el paradigma de les màquines amb suport vectorial. Hem construit algoritmes que imitaven els processos computacionals dels diferents sistemes que formen el sistema olfactiu dels insectes, especialment de la llagosta Schistocerca gregaria. Ens hem centrat en el lòbuls de les antenes, i en el cos fungiforme. El primer està considerat un dispositiu de codificació de les olors, que a partir de la resposta temporal dels receptors olfactius a les antenes genera un patró d'activació espaial i temporal. Quant al cos fungiforme es considera que la seva funció és la d'una memòria per als olors, així com un centre per a la integració multi-sensorial. El primer pas ha estat la construcció de models detallats dels dos sistemes. A continuació, hem utilitzat aquests models per a processar diferents tipus de senyals amb l'objectiu de abstraure els principis computacionals subjacents. Finalment, hem avaluat les capacitats d'aquests models abstractes, i els hem utilitzat per al processat de dades provinents de sensors de gasos. Els resultats mostren que el models abstractes tenen millor comportament front el soroll i més capacitat d'emmagatzematge de records que altres models més clàssics, com ara les memòries associatives de Hopfield o fins i tot en determinades circumstàncies que les mateixes Support Vector Machines.

The aim of this project was the development of biologically inspired algorithms for artificialolfaction. To achieve this we have used the paradigm of support vector machines. We built computational algorithms that imitated the processes of the different systems that form the olfactory system of insects, especially the locust Schistocerca gregaria. We focused on the antennal lobes and the mushroom bodiese. The first is considered an encoding device for odors, which from the time response of olfactory receptors in the antenna generates a spatial and temporal pattern of activation. The mushroom body is considered a memory for odors and a center for multi-sensory integration. The first step was the construction of detailed models of both systems. We then used these models to process different types of signals in order to abstract the underlying computational principles. Finally, we evaluated the capacity of these abstract models, and we have used them for processing data from gas sensors.The results show that the abstract models have better noise performance andgreater storage capacity of memories than other classical models such as the Hopfield associative memory, or even in certain circumstances than the Support Vector Machines.