Introduccin
2.1 Sensor
El reconocimiento de patrones tambin llamado lectura de patrones, identicacin de guras y reconocimiento de formas[1] consiste en el reconocimiento de
patrones de seales. Los patrones se obtienen a partir de
los procesos de segmentacin, extraccin de caractersticas y descripcin donde cada objeto queda representado
por una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categora o clase
(conjunto de entidades que comparten alguna caracterstica que las diferencia del resto). Para poder reconocer
los patrones se siguen los siguientes procesos:
1. adquisicin de datos
2. extraccin de caractersticas
3. toma de decisiones
El punto esencial del reconocimiento de patrones es la
clasicacin: se quiere clasicar una seal dependiendo
de sus caractersticas. Seales, caractersticas y clases El sistema intenta imitar a los sensores biolgicos y procesos cogpueden ser de cualquiera forma, por ejemplo se puede nitivos de los seres humanos
clasicar imgenes digitales de letras en las clases A a
Z dependiendo de sus pxeles o se puede clasicar ruidos de cantos de los pjaros en clases de rdenes aviares
dependiendo de las frecuencias.
Las caractersticas elementales estn explcitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasicacin. Las caractersticas de
Un sistema completo de reconocimiento de patrones in- alto orden son derivadas de las elementales y son generacluye un sensor que recoja elmente los elementos del das por manipulaciones o transformaciones en los datos.
1
2.3
Seleccin de variables
2.4
Clasicacin
2.4
Clasicacin
basa en la disponibilidad de reas
de entrenamiento. Se trata de reas
de las que se conoce a priori la
clase a la que pertenecen y que
servirn para generar una signatura
espectral caracterstica de cada una
de las clases. Se denominan clases
informacionales en contraposicin
a las clases espectrales que genera
la clasicacin no supervisada.
Algunos mtodos de la clasicacin
supervisada:
Funciones discriminantes: si son dos clases, se busca obtener
una funcin g tal que
para un nuevo objeto O, si g(O) 0 se
asigna a la clase 1 y
en otro caso a la 2.
Si son mltiples clases se busca un conjunto de funciones gi
y el nuevo objeto se
ubica en la clase donde la funcin tome el
mayor valor.
Vecino ms cercano:
un nuevo objeto se
ubica en la clase donde est el objeto de la
muestra original que
ms se le parece.
Redes
neuronales
articiales: denominadas habitualmente
RNA o en sus siglas
en ingls ANN. Se
supone que imitan a
las redes neuronales
reales en el desarrollo de tareas de
aprendizaje.
3
b) Clasicacin parcialmente supervisada: tambin conocida como de aprendizaje parcial. En estos problemas existe una muestra
de objetos solo en algunas de las
clases denidas.
c) Clasicacin no supervisada: tambin conocida como
clasicacin sin aprendizaje. Se
utilizan algoritmos de clasicacin
automtica multivariante en los
que los individuos ms prximos
se van agrupando formando clases.
Restringida: el nmero de clases en la
que se estructurar la
muestra est previamente denido.
Libre: el nmero de
clases en la que se
estructurar la muestra depende exclusivamente de los datos.
Algunos mtodos de la clasicacin
no supervisada:
Simple Link y Complete Link: parten de
grupos unitarios de
objetos y van uniendo los grupos ms parecidos en cada etapa, hasta cumplir alguna condicin.
ISODATA: se van
formando grupos que
se ajustan iterativamente usando teora
de probabilidades.
En algunas versiones
se puede hacer la
unin o divisin de
algn grupo.
C-means: se dene
un grupo de semillas,
se asocia cada objeto
al grupo de la semilla ms parecida, se
toman los centroides
de cada grupo como
nuevas semillas y se
itera hasta que se estabilice.
Criterios
lgicocombinatorios: los
criterios que se
6
imponen a los grupos son tales como
ser conexos, completos
maximales,
compactos, etc.
ENLACES EXTERNOS
Los algoritmos de la clasicacin no supervisada son computacionalmente ms costosos y de una complejidad mayor
El reconocimiento de patrones es ms complejo cuando se usan plantillas para generar variantes. Por ejemplo, en castellano, las frases a menudo siguen el patrn
sujeto-predicado, pero se requiere cierto conocimiento de la lengua para detectar el patrn. El reconocimiento de patrones se estudia en muchos campos, incluyendo
psicologa, etologa, informtica y procesamiento digital
de seales.
Aplicaciones
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las ms relevantes y utilizadas actualmente son:
Previsin meteorolgica: poder clasicar todos
los datos meteorolgicos segn diversos patrones,
y con el conocimiento a priori que tenemos de las
diferentes situaciones que pueden aparecer nos permite crear mapas de prediccin automtica.
Reconocimiento de caracteres escritos a mano o a
mquina: es una de las utilidades ms populares de
los sistemas de reconocimiento de patrones ya que
los smbolos de escritura son fcilmente identicables.
Reconocimiento de voz: el anlisis de la seal de
voz se utiliza actualmente en muchas aplicaciones,
un ejemplo claro son los teleoperadores informticos.
Aplicaciones en medicina: anlisis de biorritmos,
deteccin de irregularidades en imgenes de rayos-x,
deteccin de clulas infectadas, marcas en la piel...
4 Notas y referencias
[1] Ernesto A. Meyer: Glosario de trminos tcnicos, Entrada
P, pattern recognition. Grupo de Informtica Aplicada
al Ingls Tcnico, la Argentina, 1995, bajo la licencia de
documentacin libre GNU
5 Bibliografa
Richard O. Duda, Peter E. Hart, David G. Stork
(2001) Pattern classication (2 edicin), Wiley,
New York, ISBN 0-471-05669-3.
Dietrich Paulus and Joachim Hornegger (1998)
Applied Pattern Recognition (2 edicin), Vieweg.
ISBN 3-528-15558-2
J. Schuermann: Pattern Classication: A Unied
View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0-471-13534-8
Sholom Weiss and Casimir Kulikowski (1991)
Computer Systems That Learn, Morgan Kaufmann.
ISBN 1-55860-065-5
6 Enlaces externos
Lista de webs sobre reconocimiento de patrones
Journal of Pattern Recognition Research
5
Recuperacin y Extraccin de la informacin no supervisada
Extraccin de Informacin con Clasicacin Supervisada
Librera virtual de artculos sobre reconocimiento
de patrones
Notas del seminario de Reconocimiento de Patrones
de Grupo de Tratamiento de Imgenes del Instituto
de Ingeniera Elctrica. Univ. de Surrey
The Neural Approach to Pattern Recognition
Laboratorio de cmputo de la Universidad La Salle
de Mxico
Ejemplo de algoritmo capaz de reconocer patrones
(OCR bsico) escrito en Java y de licencia GPL
Curso de Reconocimiento de Patrones de la Ponticia Universidad Catlica de Chile
7.1
Texto
Reconocimiento de patrones Fuente: https://es.wikipedia.org/wiki/Reconocimiento_de_patrones?oldid=93971688 Colaboradores: Vanbasten 23, Dodo, Geom, Emijrp, RobotQuistnix, Varano, YurikBot, GermanX, Jesuja, Ajrs, Tomatejc, BOTpolicia, CEM-bot, Chabacano,
Osepu, N~eswiki, Thijs!bot, Metheoro~eswiki, Jorgebarrios, TARBOT, AlnoktaBOT, VolkovBot, 3coma14, BotMultichill, Miguel olivares, SieBot, Loveless, Farisori, SilvonenBot, UA31, Pssuils, LucienBOT, Luckas-bot, DSisyphBot, ArthurBot, ArtEze, Caritdf, Halfdrag,
Elisfm, Elena bernardo, EmausBot, ZroBot, 1, KLBot2, Gins90, Domingomery, Acratta, Elvisor, Rafag y Annimos: 31
7.2
Imgenes
Archivo:Pattern_2.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/7/7e/Pattern_2.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_3.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/7/74/Pattern_3.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_4.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/c/c4/Pattern_4.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_5.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/8/89/Pattern_5.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
Archivo:Pattern_6.JPG Fuente: https://upload.wikimedia.org/wikipedia/commons/6/66/Pattern_6.JPG Licencia: Public domain Colaboradores: Trabajo propio Artista original: Elisfm
7.3