Artculos

EL ENFOQUE NEURAL PARA EL RECONOCIMIENTO DE PATRONES

04 2004 | POR JOHN PETER JESAN

Compartir en emailCompartir en impresinCompartir en TwitterCompartir en favoritosCompartir en facebook|Ms Servicios para

Para ver la cita completa en la Biblioteca Digital ACM por favor haga clic aqu Las redes neuronales artificiales podran superar las capacidades de los sistemas de reconocimiento de patrones basados en computadoras convencionales. La palabra "reconocimiento" juega un papel importante en nuestras vidas. Es una propiedad bsica de todos los seres humanos, y cuando una persona ve un objeto, que primero recoge toda la informacin sobre el objeto y compara sus propiedades y comportamientos con el conocimiento existente almacenado en la mente. Si nos encontramos con un partido propio, lo reconocemos. Por ejemplo, cuando vemos a un perro, en primer lugar, reconocemos que es un animal, y cuando tomamos vistazo ms de cerca, podemos reconocer que tiene cuatro patas y una cola.Como sabemos, la mayora de los animales tienen cuatro patas y una cola. La pregunta es cmo reconocemos que es un perro. Nos fijamos en otras propiedades de los perros, como la cara, la forma de los odos, la boca, la nariz, la estructura del cuerpo, los dientes, los ojos y la voz. Podramos haber visto un montn de perros y aprendido lo que un perro se ver as.Despus de realizar un anlisis adecuado de todas las propiedades, reconocemos y concluir que es un perro. Yendo un paso ms all, podemos diferenciar y reconocer nuestro propio perro cuando nuestro perro con otros perros. Este concepto de reconocimiento es simple y familiar para todos en el entorno real, pero en el mundo de la inteligencia artificial, reconocimiento de tales objetos es una hazaa increble. La funcionalidad del cerebro humano es increble, no es comparable con cualquier equipo o software artificiales. Vamos a profundizar y analizar lo que es el reconocimiento y la forma en que se lleva a cabo a travs de mquinas. Reconocimiento de formas El acto de reconocimiento se puede dividir en dos grandes categoras: los que reconocen los elementos de hormign y el reconocimiento de los artculos abstractos. El reconocimiento de los elementos concretos implica el reconocimiento de los elementos espaciales y temporales.Ejemplos de elementos espaciales son las huellas dactilares, mapas del tiempo, imgenes y objetos fsicos. Ejemplos de elementos temporales son formas de onda y las firmas.Reconocimiento de los artculos abstractos implica el reconocimiento de una solucin a un problema, una vieja conversacin o argumento, etc En otras palabras, los artculos que reconocen que no existen fsicamente. En este artculo, me preocupa el reconocimiento de elementos de hormign. Las aplicaciones incluyen la identificacin de la huella digital, reconocimiento de voz, reconocimiento facial, reconocimiento de caracteres, reconocimiento de firma y clasificacin de objetos en reas cientficas / de investigacin tales como la astronoma, ingeniera, estadstica, medicina, aprendizaje automtico y redes neuronales. El reconocimiento de un elemento implica tres niveles de procesamiento: El filtrado de entrada, extraccin de caractersticas y clasificacin Filtrado es la eliminacin de la informacin o datos no deseados de entrada. Dependiendo de la aplicacin, el algoritmo o mtodo de filtro cambiarn. Por ejemplo, considere la posibilidad de identificacin de huellas digitales. Cada vez que exploramos nuestras huellas digitales a travs de un dispositivo de huella digital (no tinta), la salida de escaneado puede ser diferente.La diferencia puede ser debida a un cambio en el contraste o el brillo o en el fondo de la imagen. Podra haber cierta distorsin. Para procesar la entrada, es posible que slo las lneas de las huellas digitales y es posible que no necesite las dems partes o de fondo de la huella digital. Para filtrar la parte no deseada de la imagen y reemplazarla con un fondo blanco, necesitamos un mecanismo de filtro. Una vez que la imagen se filtra a travs del mecanismo de filtro, vamos a dejar huellas limpias estndar slo con palangre, que a su vez ayuda en el proceso de extraccin de caractersticas. Extraccin de caractersticas es un proceso de estudio y derivar informacin til a partir de los patrones de entrada filtrados. La informacin derivada puede ser caractersticas generales, que se evalan para facilitar an ms el procesamiento. Por ejemplo, en el reconocimiento de la imagen, las caractersticas extradas contendr la informacin sobre sombra gris, la textura, la forma o el contexto de la imagen. Esta es la informacin principal que se utiliza en el procesamiento de imgenes. Los mtodos de extraccin de caractersticas y las caractersticas extradas son dependiente de la aplicacin.

Clasificacin es la etapa final del reconocimiento de patrones. Esta es la etapa en la que un sistema automatizado declara que el objeto introducido pertenece a una categora particular.Hay muchos mtodos de clasificacin en el campo. Mtodo diseos clasificacin se basa en los siguientes conceptos. Concepto de miembro del roster: Bajo este concepto plantilla de coincidencia, un conjunto de patrones que pertenecen a un mismo patrn se almacena en un sistema de clasificacin.Cuando un patrn desconocido se da como entrada, se compara con los patrones existentes y se coloc bajo la clase de coincidencia de patrn. Concepto de propiedad comn: En este concepto, las propiedades comunes de los patrones se almacenan en un sistema de clasificacin. Cuando un patrn desconocido viene en el interior, el sistema comprueba su propiedad comn extrado en contra de las propiedades comunes de las clases existentes y coloca el patrn / objeto bajo una clase, que tiene, propiedades comunes similares. Clustering concepto: Aqu, los patrones de las clases especficas estn representados en los vectores cuyos componentes son nmeros reales. Por lo tanto, el uso de sus propiedades de agrupacin, podemos distinguir fcilmente entre el patrn desconocido. Si los vectores de destino estn muy separados en disposicin geomtrica, es fcil de clasificar los patrones desconocidos. Si estn cerca o si hay alguna superposicin en el sistema de grupos temticos, se necesitan algoritmos ms complejos para clasificar los patrones desconocidos.Un simple algoritmo basado en el concepto de agrupacin es clasificacin mnima distancia.Este mtodo calcula la distancia entre el patrn desconocido y el conjunto deseado de patrones conocidos y determina qu patrn conocido es la ms cercana a la desconocida y, por ltimo, el patrn desconocido se coloca bajo el modelo conocido a la que tiene distancia mnima. Este algoritmo funciona bien cuando los patrones diana estn muy separados. Enfoque Neural Los mtodos de reconocimiento de patrones discutidos hasta ahora se basan en el clculo directo a travs de mquinas. Clculos directos se basan en tcnicas relacionadas con las matemticas. A continuacin, voy a hablar de conceptos relacionados con la binica en el reconocimiento de patrones. Bionics significa la aplicacin de los conceptos biolgicos a las mquinas electrnicas. El enfoque neuronal se aplica conceptos biolgicos a las mquinas para reconocer patrones. El resultado de este esfuerzo es una invencin de las redes neuronales artificiales. Una red neuronal es un sistema de procesamiento de la informacin. Se compone de unidades masivas de procesamiento simples con un alto grado de interconexin entre cada unidad. Las unidades de procesamiento trabajan en cooperacin entre s y lograr un procesamiento distribuido en paralelo masiva. El diseo y funcionamiento de las redes neuronales simulan algunas funciones de los cerebros biolgicos y los sistemas neuronales.Las ventajas de las redes neuronales son su adaptacin-aprendizaje, auto-organizacin y la capacidad de tolerancia a fallos. Para estas capacidades en circulacin, las redes neuronales se utilizan para aplicaciones de reconocimiento de patrones. Algunos de los mejores modelos neuronales son retropropagacin, redes de alto orden, redes neuronales de retardo y las redes recurrentes. Normalmente, slo las redes de alimentacin directa se utilizan para el reconocimiento de patrones. Feedforward significa que no hay retroalimentacin a la entrada. Similar a la forma en que los seres humanos aprenden de los errores, las redes neuronales podran aprender de sus errores al dar retroalimentacin a los patrones de entrada. Este tipo de retroalimentacin se utiliza para reconstruir los patrones de entrada y hacerlos libre de error; aumentando as el rendimiento de las redes neurales. Por supuesto, es muy compleja para construir tales tipos de redes neuronales. Este tipo de redes se llaman como las redes neuronales autoassociative. Como su nombre lo indica, se utilizan algoritmos de propagacin hacia atrs. Uno de los principales problemas asociados con los algoritmos de propagacin hacia atrs es mnimos locales. Adems, las redes neuronales tienen problemas asociados con la velocidad de aprendizaje, la seleccin de la arquitectura, la representacin de entidad, la modularidad y la escala. Aunque hay problemas y dificultades, las ventajas potenciales de las redes neuronales son muy amplias. Conclusin El reconocimiento de patrones se puede hacer tanto en ordenadores normales y las redes neuronales. Los equipos utilizan algoritmos aritmticos convencionales para detectar si el patrn dado coincide con una ya existente. Se trata de un mtodo sencillo. Se dir s o no. No tolera los patrones ruidosos. Por otro lado, las redes neurales pueden tolerar el ruido y, si est entrenado adecuadamente, responder correctamente para patrones desconocidos. Las redes neuronales no pueden hacer milagros, pero si se construye con la arquitectura adecuada y entrenados correctamente con buenos datos, van a dar resultados sorprendentes, no slo en el reconocimiento de patrones, sino tambin en otras aplicaciones cientficas y comerciales. Sobre el autor John Peter Jesan es un ingeniero de software que trabaja en CitiStreet, una empresa conjunta de la calle del estado y las empresas de Citigroup. Tiene una maestra en sistemas de informacin de la computadora y lo est haciendo activamente la investigacin en redes neuronales. John Peter es miembro

profesional en ACM, SIGART de ACM y miembro asociado de Sigma Xi (una sociedad de la American Research). Da la bienvenida a sus comentarios en este artculo.