fbpx
Wikipedia

Reconocimiento de patrones

Enero 16, 2022

El reconocimiento de patrones es la ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos físicos o abstractos, con el propósito de extraer información que permita establecer propiedades de entre conjuntos de dichos objetos.

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:

  1. adquisición de datos
  2. extracción de características
  3. toma de decisiones

El punto esencial del reconocimiento de patrones es la clasificación: se quiere clasificar una señal dependiendo de sus características. Señales, características y clases pueden ser de cualquiera forma, por ejemplo se puede clasificar imágenes digitales de letras en las clases «A» a «Z» dependiendo de sus píxeles o se puede clasificar ruidos de cantos de los pájaros en clases de órdenes aviares dependiendo de las frecuencias.

 

Sistema básico de reconocimiento

Un sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los elementos del universo a ser clasificado, un mecanismo de extracción de características cuyo propósito es extraer la información útil, eliminando la información redundante e irrelevante, y finalmente una etapa de toma de decisiones en la cual se asigna a la categoría apropiada los patrones de clase desconocida a priori.

Sensor

Artículo principal: Sensor

El sensor es el dispositivo encargado de la adquisición de datos. Ha de ser capaz de transformar magnitudes físicas o químicas, llamadas variables de instrumentación, en magnitudes eléctricas. Las variables de instrumentación dependen del tipo de sensor y pueden ser por ejemplo: temperatura, intensidad lumínica, distancia, aceleración, inclinación, desplazamiento, presión, fuerza, torsión, humedad, etc.

 

Extracción de características

Es el proceso de generar características que puedan ser usadas en el proceso de clasificación de los datos. En ocasiones viene precedido por un preprocesado de la señal, necesario para corregir posibles deficiencias en los datos debido a errores del sensor, o bien para preparar los datos de cara a posteriores procesos en las etapas de extracción de características o clasificación.

Las características elementales están explícitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasificación. Las características de alto orden son derivadas de las elementales y son generadas por manipulaciones o transformaciones en los datos.


Selección de variables

Consiste en seleccionar cuál es el tipo de características o rasgos más adecuados para describir los objetos. Para ello, se deben localizar los rasgos que inciden en el problema de manera determinante.

Esta etapa también puede ser diseñada dentro de la clasificación.

La selección de variables puede diferenciarse según los objetivos buscados:

  • Para la clasificación: la selección de características relevantes, a partir del conjunto total de características que describen a los objetos, se hace con dos motivos fundamentales: mejorar la clasificación o aumentar la velocidad de procesamiento.
  • Para la representación: decidir qué características representan mejor a cierto tipo de objetos.

Estrategias de selección de variables:

  • wrapper: la selección de características se hace usando información del mecanismo de clasificación.
  • filter: la selección se hace con un criterio independiente del clasificador. Incluye algunos métodos como:
  • Tablas de decisión: le busca un subconjunto mínimo de variables que no introduzca confusión entre clases.
  • ID3: le crea un árbol de decisión y se selecciona un conjunto de variables que permita discriminar entre clases.
  • Teoría de testores: le buscan todos los subconjuntos de variables discriminantes minimales, con estos se evalúa la relevancia de cada variable y se seleccionan aquellas con mayor relevancia.
 

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:

  • Geométrico (Clustering): Los patrones deben ser graficables. En este enfoque se emplea el cálculo de distancias, geometría de formas, vectores numéricos, puntos de atracción, etc.
  • Estadístico: Se basa en la teoría de la probabilidad y la estadística, utiliza análisis de varianzas, covarianzas, dispersión, distribución, etc.

Supone que se tiene un conjunto de medidas numéricas con distribuciones de probabilidad conocidas y a partir de ellas se hace el reconocimiento.

  • Sintáctico‐estructural: se basa en encontrar las relaciones estructurales que guardan los objetos de estudio, utilizando la teoría de lenguajes formales, teoría de autómatas, etc. El objetivo es construir una gramática que describa la estructura del universo de objetos.
  • Neuro‐reticular: se utilizan redes neuronales que se ‘entrenan’ para dar una cierta respuesta ante determinados valores.
  • Lógico‐combinatorio: se basa en la idea de que el modelado del problema debe ser lo más cercano posible a la realidad del mismo, sin hacer suposiciones que no estén fundamentadas. Se utiliza para conjuntos difusos y utiliza lógica simbólica, circuitos combinacionales y secuenciales, etc.

Según tengamos constancia o no de un conjunto previo que permita al sistema aprender, la clasificación puede ser supervisada, parcialmente supervisada o no supervisada.

a) Clasificación supervisada: también es conocida como clasificación con aprendizaje. Se basa en la disponibilidad de áreas de entrenamiento. Se trata de áreas de las que se conoce a priori la clase a la que pertenecen y que servirán para generar una signatura espectral característica de cada una de las clases. Se denominan clases informacionales en contraposición a las clases espectrales que genera la clasificación no supervisada.
Algunos métodos de la clasificación supervisada:
  • Funciones discriminantes: si son dos clases, se busca obtener una función 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 múltiples clases se busca un conjunto de funciones gi y el nuevo objeto se ubica en la clase donde la función tome el mayor valor.
  • Vecino más cercano: un nuevo objeto se ubica en la clase donde esté el objeto de la muestra original que más se le parece.
  • Redes neuronales artificiales: denominadas habitualmente RNA o en sus siglas en inglés ANN. Se supone que imitan a las redes neuronales reales en el desarrollo de tareas de aprendizaje.
 
b) Clasificación parcialmente supervisada: también conocida como de aprendizaje parcial. En estos problemas existe una muestra de objetos solo en algunas de las clases definidas.
c) Clasificación no supervisada: también conocida como clasificación sin aprendizaje. Se utilizan algoritmos de clasificación automática multivariante en los que los individuos más próximos se van agrupando formando clases.
  • Restringida: el número de clases en la que se estructurará la muestra está previamente definido.
  • Libre: el número de clases en la que se estructurará la muestra depende exclusivamente de los datos.
Algunos métodos de la clasificación no supervisada:
  • Simple Link y Complete Link: parten de grupos unitarios de objetos y van uniendo los grupos más parecidos en cada etapa, hasta cumplir alguna condición.
  • ISODATA: se van formando grupos que se ajustan iterativamente usando teoría de probabilidades. En algunas versiones se puede hacer la unión o división de algún grupo.
  • C-means: se define un grupo de semillas, se asocia cada objeto al grupo de la semilla más parecida, se toman los centroides de cada grupo como nuevas semillas y se itera hasta que se estabilice.
  • Criterios lógico-combinatorios: los criterios que se imponen a los grupos son tales como ser conexos, completos maximales, compactos, etc.


 


El reconocimiento de patrones es más complejo cuando se usan plantillas para generar variantes. Por ejemplo, en castellano, las frases a menudo siguen el patrón "sujeto-predicado", pero se requiere cierto conocimiento de la lengua para detectar el patrón. El reconocimiento de patrones se estudia en muchos campos, incluyendo psicología, etología, informática y procesamiento digital de señales.

Aplicaciones

Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las más relevantes y utilizadas actualmente son:

  • Previsión meteorológica: poder clasificar todos los datos meteorológicos según diversos patrones, y con el conocimiento a priori que tenemos de las diferentes situaciones que pueden aparecer nos permite crear mapas de predicción automática.
  • Reconocimiento de caracteres escritos a mano o a máquina: es una de las utilidades más populares de los sistemas de reconocimiento de patrones ya que los símbolos de escritura son fácilmente identificables.
  • Reconocimiento de voz: el análisis de la señal de voz se utiliza actualmente en muchas aplicaciones, un ejemplo claro son los teleoperadores informáticos.
  • Aplicaciones en medicina: análisis de biorritmos, detección de irregularidades en imágenes de rayos-x, detección de células infectadas, marcas en la piel...
  • Reconocimiento de huellas dactilares: utilizado y conocido por la gran mayoría, mediante las huellas dactilares todos somos identificables y con programas que detectan y clasifican las coincidencias, resulta sencillo encontrar correspondencias.
  • Reconocimiento de caras: utilizado para contar asistentes en una manifestación o simplemente para detectar una sonrisa, ya hay diferentes cámaras en el mercado con esta opción disponible.
  • Predicción de magnitudes máximas de terremotos.
  • Reconocimiento de música: identificar el tipo de música o la canción concreta que suena.

Notas y referencias

  1. Ernesto A. Meyer: Glosario de términos técnicos, Entrada P, «pattern recognition». Grupo de Informática Aplicada al Inglés Técnico, la Argentina, 1995, bajo la licencia de documentación libre GNU

Bibliografía

  • Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2ª edición), Wiley, New York, ISBN 0-471-05669-3.
  • Dietrich Paulus and Joachim Hornegger (1998) Applied Pattern Recognition (2ª edición), Vieweg. ISBN 3-528-15558-2
  • J. Schuermann: Pattern Classification: A Unified 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

Enlaces externos

  • Lista de webs sobre reconocimiento de patrones
  • Journal of Pattern Recognition Research
  • Recuperación y Extracción de la información no supervisada
  • Librería virtual de artículos sobre reconocimiento de patrones
  • The Neural Approach to Pattern Recognition


  •   Datos: Q378859
  •   Multimedia: Pattern recognition

Enero 16, 2022
reconocimiento, patrones, reconocimiento, patrones, ciencia, ocupa, procesos, sobre, ingeniería, computación, matemáticas, relacionados, objetos, físicos, abstractos, propósito, extraer, información, permita, establecer, propiedades, entre, conjuntos, dichos, . El reconocimiento de patrones es la ciencia que se ocupa de los procesos sobre ingenieria computacion y matematicas relacionados con objetos fisicos o abstractos con el proposito de extraer informacion que permita establecer propiedades de entre conjuntos de dichos objetos Indice 1 Introduccion 2 Sistema basico de reconocimiento 2 1 Sensor 2 2 Extraccion de caracteristicas 2 3 Seleccion de variables 2 4 Clasificacion 3 Aplicaciones 4 Notas y referencias 5 Bibliografia 6 Enlaces externosIntroduccion EditarEl reconocimiento de patrones tambien llamado lectura de patrones identificacion de figuras y reconocimiento de formas 1 consiste en el reconocimiento de patrones de senales Los patrones se obtienen a partir de los procesos de segmentacion extraccion de caracteristicas y descripcion donde cada objeto queda representado por una coleccion de descriptores El sistema de reconocimiento debe asignar a cada objeto su categoria o clase conjunto de entidades que comparten alguna caracteristica que las diferencia del resto Para poder reconocer los patrones se siguen los siguientes procesos adquisicion de datos extraccion de caracteristicas toma de decisionesEl punto esencial del reconocimiento de patrones es la clasificacion se quiere clasificar una senal dependiendo de sus caracteristicas Senales caracteristicas y clases pueden ser de cualquiera forma por ejemplo se puede clasificar imagenes digitales de letras en las clases A a Z dependiendo de sus pixeles o se puede clasificar ruidos de cantos de los pajaros en clases de ordenes aviares dependiendo de las frecuencias Sistema basico de reconocimiento EditarUn sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los elementos del universo a ser clasificado un mecanismo de extraccion de caracteristicas cuyo proposito es extraer la informacion util eliminando la informacion redundante e irrelevante y finalmente una etapa de toma de decisiones en la cual se asigna a la categoria apropiada los patrones de clase desconocida a priori Sensor Editar Articulo principal Sensor El sensor es el dispositivo encargado de la adquisicion de datos Ha de ser capaz de transformar magnitudes fisicas o quimicas llamadas variables de instrumentacion en magnitudes electricas Las variables de instrumentacion dependen del tipo de sensor y pueden ser por ejemplo temperatura intensidad luminica distancia aceleracion inclinacion desplazamiento presion fuerza torsion humedad etc Extraccion de caracteristicas Editar Es el proceso de generar caracteristicas que puedan ser usadas en el proceso de clasificacion de los datos En ocasiones viene precedido por un preprocesado de la senal necesario para corregir posibles deficiencias en los datos debido a errores del sensor o bien para preparar los datos de cara a posteriores procesos en las etapas de extraccion de caracteristicas o clasificacion Las caracteristicas elementales estan explicitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasificacion Las caracteristicas de alto orden son derivadas de las elementales y son generadas por manipulaciones o transformaciones en los datos Seleccion de variables Editar Consiste en seleccionar cual es el tipo de caracteristicas o rasgos mas adecuados para describir los objetos Para ello se deben localizar los rasgos que inciden en el problema de manera determinante Esta etapa tambien puede ser disenada dentro de la clasificacion La seleccion de variables puede diferenciarse segun los objetivos buscados Para la clasificacion la seleccion de caracteristicas relevantes a partir del conjunto total de caracteristicas que describen a los objetos se hace con dos motivos fundamentales mejorar la clasificacion o aumentar la velocidad de procesamiento Para la representacion decidir que caracteristicas representan mejor a cierto tipo de objetos Estrategias de seleccion de variables wrapper la seleccion de caracteristicas se hace usando informacion del mecanismo de clasificacion filter la seleccion se hace con un criterio independiente del clasificador Incluye algunos metodos como Tablas de decision le busca un subconjunto minimo de variables que no introduzca confusion entre clases ID3 le crea un arbol de decision y se selecciona un conjunto de variables que permita discriminar entre clases Teoria de testores le buscan todos los subconjuntos de variables discriminantes minimales con estos se evalua la relevancia de cada variable y se seleccionan aquellas con mayor relevancia dd Clasificacion Editar La clasificacion trata de asignar las diferentes partes del vector de caracteristicas a grupos o clases basandose en las caracteristicas extraidas En esta etapa se usa lo que se conoce como aprendizaje automatico cuyo objetivo es desarrollar tecnicas que permitan a las computadoras aprender Utiliza habitualmente uno de los siguientes procedimientos Geometrico Clustering Los patrones deben ser graficables En este enfoque se emplea el calculo de distancias geometria de formas vectores numericos puntos de atraccion etc Estadistico Se basa en la teoria de la probabilidad y la estadistica utiliza analisis de varianzas covarianzas dispersion distribucion etc Supone que se tiene un conjunto de medidas numericas con distribuciones de probabilidad conocidas y a partir de ellas se hace el reconocimiento Sintactico estructural se basa en encontrar las relaciones estructurales que guardan los objetos de estudio utilizando la teoria de lenguajes formales teoria de automatas etc El objetivo es construir una gramatica que describa la estructura del universo de objetos Neuro reticular se utilizan redes neuronales que se entrenan para dar una cierta respuesta ante determinados valores Logico combinatorio se basa en la idea de que el modelado del problema debe ser lo mas cercano posible a la realidad del mismo sin hacer suposiciones que no esten fundamentadas Se utiliza para conjuntos difusos y utiliza logica simbolica circuitos combinacionales y secuenciales etc Segun tengamos constancia o no de un conjunto previo que permita al sistema aprender la clasificacion puede ser supervisada parcialmente supervisada o no supervisada a Clasificacion supervisada tambien es conocida como clasificacion con aprendizaje Se basa en la disponibilidad de areas de entrenamiento Se trata de areas de las que se conoce a priori la clase a la que pertenecen y que serviran para generar una signatura espectral caracteristica de cada una de las clases Se denominan clases informacionales en contraposicion a las clases espectrales que genera la clasificacion no supervisada dd Algunos metodos de la clasificacion supervisada Funciones discriminantes si son dos clases se busca obtener una funcion 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 multiples clases se busca un conjunto de funciones gi y el nuevo objeto se ubica en la clase donde la funcion tome el mayor valor Vecino mas cercano un nuevo objeto se ubica en la clase donde este el objeto de la muestra original que mas se le parece Redes neuronales artificiales denominadas habitualmente RNA o en sus siglas en ingles ANN Se supone que imitan a las redes neuronales reales en el desarrollo de tareas de aprendizaje dd dd b Clasificacion parcialmente supervisada tambien conocida como de aprendizaje parcial En estos problemas existe una muestra de objetos solo en algunas de las clases definidas dd c Clasificacion no supervisada tambien conocida como clasificacion sin aprendizaje Se utilizan algoritmos de clasificacion automatica multivariante en los que los individuos mas proximos se van agrupando formando clases Restringida el numero de clases en la que se estructurara la muestra esta previamente definido Libre el numero de clases en la que se estructurara la muestra depende exclusivamente de los datos dd dd Algunos metodos de la clasificacion no supervisada Simple Link y Complete Link parten de grupos unitarios de objetos y van uniendo los grupos mas parecidos en cada etapa hasta cumplir alguna condicion ISODATA se van formando grupos que se ajustan iterativamente usando teoria de probabilidades En algunas versiones se puede hacer la union o division de algun grupo C means se define un grupo de semillas se asocia cada objeto al grupo de la semilla mas parecida se toman los centroides de cada grupo como nuevas semillas y se itera hasta que se estabilice Criterios logico combinatorios los criterios que se imponen a los grupos son tales como ser conexos completos maximales compactos etc dd dd El reconocimiento de patrones es mas complejo cuando se usan plantillas para generar variantes Por ejemplo en castellano las frases a menudo siguen el patron sujeto predicado pero se requiere cierto conocimiento de la lengua para detectar el patron El reconocimiento de patrones se estudia en muchos campos incluyendo psicologia etologia informatica y procesamiento digital de senales Aplicaciones EditarLos sistemas de reconocimiento de patrones tienen diversas aplicaciones Algunas de las mas relevantes y utilizadas actualmente son Prevision meteorologica poder clasificar todos los datos meteorologicos segun diversos patrones y con el conocimiento a priori que tenemos de las diferentes situaciones que pueden aparecer nos permite crear mapas de prediccion automatica Reconocimiento de caracteres escritos a mano o a maquina es una de las utilidades mas populares de los sistemas de reconocimiento de patrones ya que los simbolos de escritura son facilmente identificables Reconocimiento de voz el analisis de la senal de voz se utiliza actualmente en muchas aplicaciones un ejemplo claro son los teleoperadores informaticos Aplicaciones en medicina analisis de biorritmos deteccion de irregularidades en imagenes de rayos x deteccion de celulas infectadas marcas en la piel Reconocimiento de huellas dactilares utilizado y conocido por la gran mayoria mediante las huellas dactilares todos somos identificables y con programas que detectan y clasifican las coincidencias resulta sencillo encontrar correspondencias Reconocimiento de caras utilizado para contar asistentes en una manifestacion o simplemente para detectar una sonrisa ya hay diferentes camaras en el mercado con esta opcion disponible Interpretacion de fotografias aereas y de satelite gran utilidad para propuestas militares o civiles como la agricultura geologia geografia planificacion urbana Prediccion de magnitudes maximas de terremotos Reconocimiento de objetos con importantes aplicaciones para personas con discapacidad visual Reconocimiento de musica identificar el tipo de musica o la cancion concreta que suena Notas y referencias Editar Ernesto A Meyer Glosario de terminos tecnicos Entrada P pattern recognition Grupo de Informatica Aplicada al Ingles Tecnico la Argentina 1995 bajo la licencia de documentacion libre GNUBibliografia EditarRichard O Duda Peter E Hart David G Stork 2001 Pattern classification 2ª edicion Wiley New York ISBN 0 471 05669 3 Dietrich Paulus and Joachim Hornegger 1998 Applied Pattern Recognition 2ª edicion Vieweg ISBN 3 528 15558 2 J Schuermann Pattern Classification A Unified View of Statistical and Neural Approaches Wiley amp Sons 1996 ISBN 0 471 13534 8 Sholom Weiss and Casimir Kulikowski 1991 Computer Systems That Learn Morgan Kaufmann ISBN 1 55860 065 5Enlaces externos EditarLista de webs sobre reconocimiento de patrones Journal of Pattern Recognition Research Recuperacion y Extraccion de la informacion no supervisada Extraccion de Informacion con Clasificacion Supervisada Libreria virtual de articulos sobre reconocimiento de patrones Notas del seminario de Reconocimiento de Patrones de Grupo de Tratamiento de Imagenes del Instituto de Ingenieria Electrica Univ de Surrey The Neural Approach to Pattern Recognition Ejemplo de algoritmo capaz de reconocer patrones OCR basico escrito en Java y de licencia GPL Datos Q378859 Multimedia Pattern recognition Obtenido de https es wikipedia org w index php title Reconocimiento de patrones amp oldid 139660131, wikipedia, wiki, leyendo, leer, libro, biblioteca,

español

, española, descargar, gratis, descargar gratis, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, imagen, música, canción, película, libro, juego, juegos