redes neumaticas y de control de patrones

REDES NEURONALES Y RECONOCIMIENTO DE PATRONES.
INTRODUCCIÓN.
¿Qué es un patrón? Siguiendo la definición de Watanabe [Wat85], un patrón es una entidad a la que se le puede dar un nombre y que está representada por un conjunto de propiedades medidas y las relaciones entre ellas (vector de características). Por ejemplo, un patrón puede ser una señal sonora y su vector de características elconjunto de coeficientes espectrales extraídos de ella (espectrograma).
Otro ejemplo podría ser una imagen de una cara humana de las cuales se extrae el vector de características formado por un conjunto de valores numéricos calculados a partir de la misma.
El reconocimiento automático, descripción, clasificación y agrupamiento de patrones son actividades importantes en una granvariedad de disciplinas científicas, como biología, sicología, medicina, visión por computador, inteligencia artificial, teledetección, etc.
Un sistema de reconocimiento de patrones tiene uno de los siguientes objetivos:
a.- Identificar el patrón como miembro de una clase ya definida (clasificación supervisada).
b.- Asignar el patrón a una clase todavía no definida (clasificación nosupervisada, agrupamiento o clustering).
El diseño de un sistema de reconocimiento de patrones se lleva a cabo normalmente en tres fases:
1.- Adquisición y pre proceso de datos.
2.- Extracción de características.
3.- Toma de decisiones o agrupamiento.
El universo del discurso, o dominio del problema, gobierna la elección de las diferentes alternativas en cada paso: tipo de sensores,técnicas de reprocesamiento, modelo de toma de decisiones, etc.
Este conocimiento específico del problema está implícito en el diseño y no se representa como un módulo separado como sucede, por ejemplo, en los sistemas expertos.


Tradicionalmente, el reconocimiento de patrones se ha abordado desde un punto de vista estadístico, dando lugar al llamado reconocimiento estadístico depatrones (REP), del cual se darán unas breves pinceladas en el punto siguiente. No obstante, existe una alternativa que se ha revelado como muy prometedora en algunos casos en que el REP no funciona satisfactoriamente. Dicha alternativa son las Redes Neuronales Artificiales (RNA) que se verán también. Finalmente, presentaremos una visión de los puntos comunes entre ambas técnicas.

RECONOCIMIENTOESTADÍSTICO DE PATRONES (REP).

El REP es una disciplina relativamente madura hasta el punto de que existen ya en el mercado un cierto número de sistemas comerciales de reconocimiento de patrones que emplean esta técnica.
En REP, un patrón se representa por un vector numérico de dimensión n. De esta forma, un patrón es un punto en un espacio n-dimensional (de características). UnREP funciona en dos modos diferentes: entrenamiento y reconocimiento.
En modo de entrenamiento, se diseña el extractor de características para representar los patrones de entrada y se entrena al clasificador con un conjunto de datos de entrenamiento de forma que el número de patrones mal identificados se minimice.
En el modo de reconocimiento, el clasificador ya entrenado toma comoentrada el vector de características de un patrón desconocido y lo asigna a una de las clases o categorías.
El proceso de toma de decisiones en un REP se puede resumir como sigue. Dado un patrón representado por un vector de características


Asignarlo a una de las c clases o categorías, C1, C2,..Cc. Dependiendo del tipo de información disponible sobre las densidades condicionales de lasclases, se pueden diseñar varias estrategias de clasificación.


Si todas las densidades condicionales p(x | Ci), i=1,2,...c se conocen, la regla de decisión es la de Bayes que establece los límites entre las diferentes clases. Sin embargo, en la práctica las densidades condicionales no se conocen y deben ser estimadas (aprendidas) partiendo de los patrones de entrada. Si se conoce la forma...