Reconocimiento de Patrones
Reconocimiento de Patrones
Reconocimiento de Patrones
Introducción
El reconocimiento de patrones —también llamado lectura de patrones, identificación de
figuras y reconocimiento de formas—1 consiste en el reconocimiento de patrones de
señales. Los patrones se obtienen a partir de los procesos de segmentación, extracción de
características y descripción donde cada objeto queda representado por una colección de
descriptores. El sistema de reconocimiento debe asignar a cada objeto su categoría o clase
(conjunto de entidades que comparten alguna característica que las diferencia del resto).
Para poder reconocer los patrones se siguen los siguientes procesos:
adquisición de datos
extracción de características
toma de decisiones
PRINCIPALES APLICACIONES
Visión de máquina.
Esta aplicaciones tienen que ver con la captura de imágenes con ayuda de cámaras
digitales y la interpretación automática de lo que esta en la imagen. Este tipo de
aplicaciones surgen en la industria para automatizar la inspección visual en la línea de
ensamblaje.
Reconocimiento de caracteres
Es otra área importante del Reconocimiento de Patrones, sus aplicaciones están
relacionadas con la transformación de textos impresos o manuscritos a formato digital, lo
que permite una mayor flexibilidad en la manipulación de la información.
Reconocimiento de voz
La voz es el recurso más natural que los humanos usamos para comunicarnos e
intercambiar información. La aplicación, en este caso, tiene que ver con la construcción
de máquinas que puedan reconocer la información hablada.
Clasificación
La clasificación trata de asignar las diferentes partes del vector de características a grupos
o clases, basándose en las características extraídas. En esta etapa se usa lo que se conoce
como aprendizaje automático, cuyo objetivo es desarrollar técnicas que permitan a las
computadoras aprender.
Utiliza habitualmente uno de los siguientes procedimientos:
Los pesos se ajustan en función de la diferencia entre los valores deseados y los obtenidos
en la salida.
∆wij = α xi (dj - xj )
donde:
∆wij Variación en el peso de la conexión entre el i-ésimo nodo y el j-ésimo.
α Umbral en el aprendizaje que regula velocidad y precisión (0 < α ≤ 1)
xi Salida del i-ésimo nodo
xj Salida del j-ésimo nodo
dj Valor de salida deseado del j-ésima unidad de procesamiento
El artificio para representar un número en dicha matriz, será poner el valor uno (1) en las
celdas por donde pasa la marca del número y el valor cero (0) en caso contrario. Por
ejemplo el número tres se podría representar tal como muestra la figura N.º 11.
En los clasificadores de árbol la decisión final se alcanza por una secuencia de decisiones
intermedias (nodos no terminales) siguiendo un camino desde un nodo raíz a un nodo
hoja terminal. En cada nodo, se usa solamente un subconjunto de las características para
decidir. Se ha demostrado que un clasificador de árbol equivale a un perceptrón de tres
capas, aunque no se ha encontrado evidencia de cual de ellos funciona mejor
Conclusión.
Las RNA proporcionan una batería de tratamientos nuevos, o complementarios, para
abordar el problema de reconocimiento de patrones. Pero además se han desarrollado
arquitecturas computacionales que pueden emplearse para la implementación de alguno
de los algoritmos de REP. La adaptabilidad de las RNA es crucial para los problemas de
reconocimiento no solamente para mejorar la tasa de generalización sino también para
permitir un buen comportamiento frente a cambios en el entorno o frente a datos de
entrada incompletos o ruidosos. En este sentido, los métodos basados en RNA son
mejores que los clásicos de REP. Sin embargo, las RNA pueden también beneficiarse de
algunos resultados bien conocidos en REP, especialmente en el campo de representación
de patrones, donde se encuentran actualmente los desafíos importantes en el modelado
neuronal. Muy posiblemente ambos campos, RNA y REP, deberán llegar tarde o
temprano a una especie de sinergia que combine las fortalezas de los dos tratamientos a
la hora de abordar problemas de reconocimiento de patrones muy complejos. En esta
sinergia no sólo son importantes los componentes individuales de extracción de
características, toma de decisión y agrupamiento sino que es esencial una buena
metodología de integración de todos ellos. Este punto de vista coincide y es una de las
líneas en que el reconocimiento automático de patrones evolucionará en el futuro.
Bibliografía
Hugo Vega Huerta, A. C. (2009). Reconocimiento de patrones mediante redes
neuronales . Revista de Ingeniería de Sistemas e Informática.
Mayta, R. R. (2009). INTRODUCCION AL RECONOCIMIENTO DE PATRONES.
Fides et Ratio - Revista de Difusión cultural y científica de la Universidad La
Salle en Bolivia.
Peñas, M. S. (2012). RECONOCIMIENTO DE PATRONES PARA IDENTIFICACION
DE USUARIOS. madrid.
Tello, J. C. (2008). Reconocimiento de patrones y el aprendizaje no. Escuela Técnica
Superior de Informática Universidad de Alcalá.