3.- Reconocimiento de Letras.

El reconocimiento de caracteres escritos a mano mediante un dispositivo informático

revoluciona el paradigma de interfaz tradicional de teclado-monitor. Lo primordial para que el
sistema o red neuronal pueda identificar letras o números son las características, en este caso
para el reconocimiento de letras es muy complicado ajustarse a cualidades como ángulos
entre líneas, número de curvas, número de trazas, etc., debido a que cada persona tiene una
forma diferente de escribir y además es muy complicado obtener numéricamente dichas
características para que la neurona pueda entender. Para el reconocimiento de caracteres
escritos no existe un patrón exacto, y por tanto tampoco una solución algorítmica. Cada
persona tiene su forma de escribir y existen tantas "variaciones" del alfabeto alfa-numérico
como individuos.

Una solución bastante acertada es la binarización de imágenes que consisten en un proceso

de reducción de la información de las mismas, en la que sólo persisten dos valores: verdadero
y falso. En una imagen digital, estos valores, verdadero y falso, pueden representarse por los
valores 0 y 1 o, más frecuentemente, por los colores negro (valor de gris 0) y blanco (valor de
gris 255).

Con la matriz de unos y ceros ya es posible entrenar a la red, toda la matriz tiene que ser la
entrada o patrón de entrenamiento ya que si solo tomamos filas o columnas la neurona no va
a poder distinguir las letras ya que algunas ocupan todas las filas mientras que otras no, por
ello un método posible es llevar la matriz de mxn a un vector de 1x(m*n), es decir multiplicar
el número total de filas y columnas de la matriz y convertirla en un vector de una columna y el
resultado de la multiplicación como filas del vector.
Ahora se obtiene una red monocapa de múltiples neuronas en una capa de salida que utiliza
un entrenamiento de uno contra todos, es decir todas las neuronas deben ser entrenadas con
todos los patrones de las letras o números por ejemplo si tenemos un reconocimiento de 0 a 9
existirán diez neuronas y cada neurona responderá con uno en el caso que le llegue su patrón
asignado, es por ello que para cada neurona, se debería entrenar con los diez patrones
existentes y que responda con un 1 si es el numero asignado y un cero en caso que no sea el
correcto., cuando una neurona responde con un 1 las demás deben responder con un 0.

Para el ejemplo del reconocimiento de números del 0 al 9 tenemos de la siguiente manera:

El vector 25x1 es debido a que la matriz binarizada que se consideró de 5x5 y la salida
podemos tener 10x1 o 1x10 acorde a como se realice el algoritmo. La salida se obtendrá de la
siguiente manera:
𝑇
𝐴 = 𝑓(𝑊10𝑥25 𝑃25𝑥1 )

Las invarianzas es un problema en el procesamiento de imágenes, es por ellos que no se

entrena directamente a las neuronas luego de este proceso sino que se utilizan herramientas
matemáticas como la transformada de Fourier FT o los Momentos Invariantes de Hu que
toman la matriz y nos devuelven características específicas libres de ruido y elimina las
invarianzas y permite reconocer más fácilmente el contenido de la imagen. A todos estos
pasos se les conoce como reprocesamiento.
4.- Temperatura en la mitad del Horno
Para encontrar la temperatura a la mitad del horno, es necesario tomar medidas de
temperatura en diferentes puntos y con estos datos entrenar a la red, estos datos son las
características necesarias para el entrenamiento. El objetivo es desarrollar una función
sensorial es decir ubicar los sensores en distintas partes del horno y en la mitad y con estos
datos obtener un patrón que me permita retirar el sensor de la mitad y seguir obteniendo el
valor de medida en la mitad del horno.

El punto ts se convierte en un sensor virtual, y la salida del patrón de entrenamiento para la

red neuronal supervisada.

𝑃8𝑥1
𝑡1
𝑡2
𝑡3 , 𝑡𝑠
..
.
{ [𝑡8] }