Reconocimiento de Patrones

PROYECTO DE SISTEMAS INTELIGENTES
Universidad Cesar Vallejo

Lima Este
Facultad de Ingeniera y Arquitectura

Escuela de Ingeniera de Sistemas
RECONOCIMIENTO DE PATRONES CON UN

ENFOQUE DE REDES NEURONALES
Curso: Sistemas Inteligentes
Autor(s)
Felipe Tolentino, Jesus
Garro Murillo, George
Meza Hinostroza, Kevin
Ochoa Goizueta, Omar
Ruelas Rojas, Leo
Lima Este-2014
.
1
Indice
1. Res
umen
2. Introduccion
3. Antecedentes
4. Objetivos
5. Problema
6. Marco Te
orico
6.1. Que es reconocimiento de patrones? . .
6.2. Enfoques del reconocimiento de Patrones
6.3. Procesamiento Digital de Imagenes . . .
6.4. Redes Neuronales Biologicas . . . . . .
6.5. Redes neuronales artificales . . . . . . .
6.6. Caractersticas de una RNA . . . . . . .
6.7. Proceso de Aprendizaje de una RNA . .
6.7.1. Sin entrenamiento . . . . . . . . .
6.7.2. Entrenamiento Supervisado . . .
6.7.3. Entrenamiento No Supervisado .
6.8. Arquitectura de una RNA . . . . . . . .
6.8.1. Capa Feed-Forward . . . . . . . .
6.8.2. Multi-Capa Feed-Forward . . . .
6.8.3. Red Recurrente . . . . . . . . . .
6.9. Tipos de Redes Neuronales: . . . . . . .
6.9.1. Red Perceptron . . . . . . . . . .
6.9.2. Red Hopfield . . . . . . . . . . .
6.9.3. Red backpropagation . . . . . . .
7. Metodologa
7.1. Representacion
7.2. Representacion
7.3. Representacion
7.4. Representacion
Teorica . .
en Mathlab .
en Java . . .
en Prolog . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
6
6
7
8
9
10
10
10
10
10
11
11
11
12
12
12
13
14
.
.
.
.
16
16
22
24
27
8. Resultados y discusi
on
29
9. Conclusiones
29
1.
Res
umen
Nuestro trabajo consiste en reconocer los patrones haciendo el uso de la

redes neuronales como Perceptron, Backpropagation y Hopfield para el
reconocimiento de siluetas de letras ingresadas por el usuario va interfaz
las cuales seran comparadas con las que el sistema ya conoce, dicho y hecho
se debe entrenar al agente para reconocer los patrones como determinado
objeto para as poder determinar a cual de los patrones se asemeja mas y
darnos como respuesta que ha que letra se asemeja mas.
2.
Introduccion
Gracias a la inteligencia artificial se han dado avances tecnologicos importantes que ayudan a resolver problemas, es interesante ver como funciona
el ser humano frente a diversas situaciones con las que se encuentra, relacionando hechos en forma de patrones, ademas de la forma en como se adapta
al realizar esas actividades.
Podemos incluso reconocer imagenes y letras aun cuando la informacion
no esta completa o se encuentre distorsionada. Esto es posible gracias al conocimiento y la experiencia que se tiene, no solo con la pura percepcion,
esto puede ser llevado hacia las computadoras orientandolo a resolver ciertos
problemas relacionados al manejo de conocimiento, dotando de esta maneara
un comportamiento similar al del ser humano frente a situaciones dadas. Actualmente mas del 50 % de las aplicaciones de la industria de la inteligencia
artificial es de Reconocimiento de Patrones. Clasificando un patron u objeto de prueba en una determinada categora, a fin de determinar la clase del
objeto con la informacion que se tiene sobre un conjunto conocido de objetos.
Para esto se debe entender los conceptos teoricos implicados en la inteligencia artificial, b
usqueda de soluciones, sistemas expertos, reconocimiento
de patrones y redes neuronales.
3.
Antecedentes
Seg
un Roldan Rueda, Manuel, en su proyecto: Implementacion Mediante
Matlab de un Sistema de Reconocimiento de Patrones por Redes Neuronales para la Inspeccion Visual de gajos de mandarina. Madrid, Espa
na. Nos
cuenta sobre el reconocimiento de patrones usando el software MatLab. Los
patrones se utilizaran a traves de una camara que detectara los gajos de
mandarina donde el objetivo es hacer una distincion y comparacion de ellos.
Tambien nos habla de una clasificacion con ndices de calidad en los gajos
para as obtener una emulacion de un sistema multievaluado de logica difusa.
Esta aplicacion sera u
nicamente para reconocimiento de patrones. Se ha realizado una comparacion de distintos tipos redes neuronales entre el n
umero
de nodos, capas, salidas y las funciones de activaciones pasando tambien por
los algoritmos de minimizacion de error. Se especulara y ejecutara su aplicacion en tiempo real.
Seg
un Huerta, Hugo Vega - Cortez Vasquez, Augusto - Huayna, Ana
Maria - Alarcon Loayza, Luis & Romero Naupari, Pablo, en su artculo: Reconocimiento de patrones mediante redes neuronales artificiale. Nos habla
sobre la importancia del reconocimiento de patrones en la identificacion de
materias referentes a alguna especie. Nos habla tambien sobre la metodologa
implementada para modelar una RNA para reconocer patrones, para ello se
debe establecer cuantas neuronas en total se identifican en la capa de salida.
Sin embargo sus funcionalidades, aplicaciones al entorno sistematico medico,
nos dice que tenemos que seguir pasos muy estrictos ya que si lo llevamos al
campo tendremos que analizar las salidas en cada red neuronal establecida
por lo cual pasan los datos y las funcionalidades.
4.
Objetivos
Proporcionar un esquema para el reconocimiento de imagenes considerando una base de dise

no para una futura implementacion. Implementar el
caso de reconocimiento de letras considerando una red neuronal que aprenda a reconocer si silueta mediante su comparacion con el patron ingresado
mediante probabilidades. Para un rendimiento aceptable la red es entrenada
cada vez que se presente un nuevo patron.
5.
Problema
El reconocimiento de Patrones a traves de Redes Neuronales Artificiales,

es un tema de estudio amplio que demanda saber los principios basicos de
como funciona una neurona biologica y como esta se implementa de manera
artificial (RNA), de los cuales muchos de sus componentes que se relacionan son representados bajo diferentes terminos y funciones matematicas. La
solucion no se da de forma facil, es por ello que se tiene que elegir un tipo
de red neuronal, la que mas se adecue al objetivo buscado. En el presente
trabajo se presentara las alternativas que encontramos de la cuales logramos
implementar tanto de forma teorica como practica.
6.
6.1.
Marco Te
orico
Qu
e es reconocimiento de patrones?
Es la ciencia que se ocupa de los procesos sobre ingeniera, computacion

y matematicas relacionadas con objetos fsicos y matematicas relacionados
con objetos fsicos y/o abstractos, con el proposito de extraer informacion
que permita establecer propiedades de o entre conjuntos de dichos objetos.
Es la rama del conocimiento, de caracter multidisciplinario, cuyo objeto
de estudio son los procesos de identificacion, caracterizacion, clasificacion y
reconstruccion sobre conjuntos de objetos o fenomenos, as como el desarrollo
de teoras, tecnologas y metodologas relacionadas de dichos procesos.
6.2.
Enfoques del reconocimiento de Patrones
Estadstico o Teora de la decision:

Usa probabilidad y estadstica, supone la existencia de distribucion de
probabilidad a partir de ellas se hace el reconocimiento.
Sintactico o estructural:
Encuentra relaciones estructurales, utilizando teora de lenguajes formales,
construyendo una gramatica que describa al objeto.
Redes Neuronales:
Se utiliza la arquitectura para que la red aprenda a reconocer ciertos
valores y pueda dar un respuesta.
Logico combinatorio:
Se modela el problema lo mas cercana a la realidad del mismo, se estudian
sus caractersticas cuidadosamente, para no hacer suposiciones.
6.3.
Procesamiento Digital de Im
agenes
Es un area de permanente importancia tecnologica. Su objetivo van desde

procesar datos adquiridos satelitalmente para mejorar la percepcion, deteccion o interpretacion de alg
un patron especfico o aplicar filtrados a imagenes
fotograficos para reconstruir o retocar sus caractersticas visuales.
Entre sus areas podemos mencionar al reconocimiento de patrones y vision robotica, en las cuales se requiere el uso combinado de tecnicas de todo
tipo, desde las puramente numericas hasta las mas cercanas a la inteligencia
artificial.
Arquitectura:
Se necesita un leguaje de bajo nivel y uno de alto nivel para lograr el reconocimiento de la imagen por lo tanto la solucion es construir una arquitectura
de software que integre a la vez procesamiento e bajo nivel como lenguajes(C++,java,Delphi) son la implementacion de algoritmos de inteligencia
artificial implementados en los lenguajes especficamente desarrollados.
Procesamiento numerico:
Actualmente la mayor parte de las tecnicas avanzadas utilizadas en el reconocimiento de patrones se basa en un procesamiento numerico, donde mediante
un tratamiento heurstico se busca conjugar los resultados de ciertos estimadores con valores especficos de una distribucion.
Mejora de la imagen o filtrado:
Operaciones que requieren algoritmos simples pero de gran insumo de operaciones numericas en su ejecucion, entre los que se destacan conversion a
escala de grises, filtrado, umbralizacion, escalamiento, extraccion de regiones
de interes, etc.
Segmentacion:
Se busca simplificar la imagen reduciendola a un subconjunto predeterminado de objetos basicos (puntos, segmentos u otras primitivas geometricas
sencillas), facilitando su procesamiento
Descripcion de la imagen:
Se genera una representacion u
til para el problema de interpretacion de interes a partir de la informacion proveniente de las operaciones de filtrado y
segmentacion.
Figura 1: Fases del procesamiento numerico
6.4.
Redes Neuronales Biol

ogicas
El sistema nervioso humano esta constituido por celulas llamadas neuronas las cuales representan una estructura muy compleja, se llega a estimar
que el n
umero de estas celulas es de 1011 y sus interconexiones son de 1015 .
Las redes neuronales biologicas tienen propiedades especiales para recibir,
procesar y transmitir se
nales electroqumicas a traves de todas las interconexiones de sistema de comunicacion del cerebro. [4]
Figura 2: Ejemplo de Redes Neuronales Biologicas
6.5.
Redes neuronales artificales
Son modelos matematicos construidos basandose en el funcionamiento

de las redes neuronales biologicas (sistema nervioso), por consiguiente, las
unidades de procesamiento fundamental de una RNA, seran las neuronas
artificiales.
Figura 3: Modelo RNA

Este tipo de redes tratan de emular las caractersticas del funcionamiento
basico de una red neuronal biologica, la cual aplica un conjunto de entradas
a la neurona las cuales representan la salida de otra neurona. Cada entrada
se multiplica por su peso el cual representa el grado de conexion de la sinapsis. Al sumarse todas las entradas se determina el nivel de activacion de la
neurona [4]. Una representacion vectorial de la una neurona artificial seria:
NET= X*W
Donde NET es la salida, X el vector de entrada y W el vector de pesos.
Figura 4: Representacion de la formula

9
6.6.
Caractersticas de una RNA
Entre las principales caractersticas de toda red neuronal artificial, se

tiene:
a) Aprendizaje: porque aprende de la experiencia.
b) Asociacion: debido a que asocia padrones diferentes.
c) Generalizacion: generaliza de ejemplos anteriores.
d) Robustez: la perdida de algunas neuronas, no deteriora el buen funcionamiento de la red neuronal.
e) B
usqueda Paralela: basado en la b
usqueda por contenido y no en forma
paralela. [1]
6.7.
6.7.1.
Proceso de Aprendizaje de una RNA

Sin entrenamiento
En este tipo de entrenamiento los pesos de la red neuronal no se entrenan

sino que se calculan. Es el caso de la red Hopfield. [1]
6.7.2.
Entrenamiento Supervisado
Esto se da cuando hay la supervision de un tutor. Se compara el vector

de salida total y un vector de salida deseado. Esto se da por ejemplo con la
red neuronal Perceptron. [1]
6.7.3.
Entrenamiento No Supervisado
Este tipo de redes se hace sin la presencia de un tutor, un ejemplo claro lo

encontramos en la redes neuronales competitivas. Se da mayormente cuando
la informacion disponible esta en correlacion con los datos de entrada, y en
base a esta entrada la red forme categoras de entrada. [5]
10
6.8.
6.8.1.
Arquitectura de una RNA

Capa Feed-Forward
Esta arquitectura de red consta de una capa neuronas, los datos que van
a traves de este sistema es de izquierda a derecha, es decir del vector de
entrada al vector de salida de toda la red.
Figura 5: Representacion de la Capa Feed-Forward

6.8.2.
Multi-Capa Feed-Forward
Arquitectura de red mas compleja, consta de m

ultiples capas de neuronas,
donde los datos viajan de capa en capa hasta llegar a la u
ltima.
Figura 6: Representacion de la Multi-Capa Feed-Forwardd
11
6.8.3.
Red Recurrente
Arquitectura conformada por uno o varias capas de neuronas, donde hay

una realimentacion de las salidas totales hacia las entradas tal como se puede
apreciar en esta imagen.
Figura 7: Representacion de la Red Recurrente
6.9.
6.9.1.
Tipos de Redes Neuronales:

Red Perceptron
Fue dise
nada por primera vez en 1958 por Frank Rosenblatt para la neurona McCulloch y Pitts, utilizando las ideas de aprendizaje de Hebb. En
1962 publico los resultados de sus investigaciones para llevar sus clases de la
asignatura Theory of Brain Mechanisms. Esto mas tarde se vio opacada por
la publicacion de Marvin Minsky y Seymour Papert en su libro Perceptrons
realizada por el
(1969). Investigaciones en los 80 demostraron que la teorAa
libro estuvo incorrecta. [3]
El Perceptron es la representacion mas simple de un RNA. Se usa para
la clasificacion de patrones linealmente separables. Dentro de sus principales
caractersticas denota que requiere un aprendizaje supervisado, funcion de
transferencia escalon ademas de poder recibir valores de entrada reales y
salidas binarias o bipolares. [1]
12
Figura 8: Representacion de la red Perceptron

6.9.2.
Red Hopfield
Fue dise
nada por primera vez en 1982, producto de investigaciones recurrentes en el tema de Backpropagation, este tipo de red es favorable en temas
de procesado de voz, procesamiento de imagenes, memorias con tolerancia a
fallos y clasificacion de patrones. [3] La red de Hopfield es una red dinamica,
que al haber una nueva entrada, la salida es calculada y realimentada para
modificar la nueva entrada. Dicha recurrencia asegura la estabilidad al realizarlo de manera iterativa produciendo cambios en las salidas cada vez mas
peque
nos hasta lograr que las salidas sean constantes. [1]
Otros lo definen como una red de aprendizaje no supervisado que no realiza ning
un balanceo de carga de pesos, lo que hace al entrenar la red nos
de un resultado no muy optimo por lo que toca entrenar varias veces. [2]
Son redes de adaptacion probabilstica y recurrente. Aprenden a reconstruir los patrones de entrada que memorizan durante el entrenamiento.
Son modo capa con interconexion total y en la que el valor de salida
de cada unidad es binario (0 y 1) y siguen una regla de aprendizaje no
supervisado.
13
Figura 9: Modelo Hopfield

6.9.3.
Red backpropagation
Seg
un (Bernacki & Wlodarczyk, 2004), se muestra una red neuronal con
una capa de neuronas de entrada, una capa intermedia u oculta y una capa
de salida. Todas las neuronas de cada capa deben estar conectadas a todas
las neuronas de la siguiente capa.
Al haber la limitacion de trabajar en una sola capa de la red neuronal
hubo unas limitaciones por varios a
nos por lo que se dejo de investigar en este
campo. El dise
no Backpropagation trajo consigo el interes de seguir investigando sobre las redes neuronales artificiales. Este tipo de red es un metodo
de entrenamiento de redes multicapa. Su principal caracterstica es su capacidad de entrenar capas ocultas. [4]
El termino Backpropagation fue mencionado por primera vez en 1974 por
Paul Werbos y reinventado por David Parker en 1982, y tambien estudiado
por Rumelhart, Hilton y Willians en 1986. Todos estos esfuerzos dieron resultados exitosos en este campo de aplicacion. [4]
Backpropagation utiliza tres o mas capas de unidades procesadoras. En
el ejemplo que se muestra a continuacion se ve como la capa de entrada
14
recibe unidades de desde el exterior. La segunda capa es oculta la cual esta

interconectadas con la capa inferior y superior. Por u
ltimo la capa de salida
que representa la respuesta de la red. [4]
Figura 10: Modelo Back propagation
15
7.
Metodologa
7.1.
Representaci
on Te
orica
a) Para comprobar lo que nos dice la teora haremos uso de la Red Hopfield.
Primeramente hay que tener en cuenta algunas caractersticas claves de
como funciona la red. Una es que cada neurona de la red se encuentra
conectada con otra neurona menos consigo misma lo que origina pesos
simtricos.
La funcion de activacion de esta red es del tipo escalon, donde f(x) adopta
los siguientes valores:
16
b) Ahora pasamos a la etapa de aprendizaje de la red neuronal artificial.

Aqu podemos aplicar la siguiente formula:
Donde M es el n
umero de patrones a aprender, Ekt es la traspuesta de
la matriz Ek, e I la matriz identidad de dimensiones NxN que anula los
pesos de las conexiones autorrecurentes (wii).
c) Representamos los patrones a aprender en este caso sera la letra T y la
X, las que se daran de la siguiente forma:
Figura 11: E1= (1 1 1 -1 1 -1 -1 1 -1) E2= (1 -1 1 -1 1 -1 1 -1 1)
17
d) Para obtener el aprendizaje de las dos vectores a ingresar se aplicara la

formula que se menciona en la parte de arriba.
Figura 12: Representacion del Primer Patron
Figura 13: Representacion del Segundo Patron
18
Figura 14: Sumatoria de los dos Patrones

e) Una vez finalizada la fase de aprendizaje, se puede ingresar nuevos valores
de entradas los cuales seran comparados con los valores ya aprendidos y
ver si hay una similitud entre estos. Para ello nos vamos a la primera
iteracion donde ingresamos un nuevo valor.
Figura 15: Nuevo Patron E= (1 1 1 -1 1 -1 1 1 1)
19
f) Ahora multiplicamos el vector de entrada por la matriz de pesos hallada:
Figura 16: Primera Iteracion

g) Reemplazamos en f(x) cada valor de la multiplicacion seg
un la funcion de
activacion mencionada antes:
Figura 17: funcion de activacion

h) h. Ahora realizamos la segunda iteracion:
Figura 18: Segunda Iteracion

20
i) Reemplazamos el resultado seg

un la funcion de activacion ya demostrada
anteriormente:
Figura 19: funcion de activacion

j) Vemos si el resultado de la primera iteracion es igual al de la segunda
podemos afirmar que se ha llegado a una estabilidad en la red y que por
lo tanto este nuevo patron responde al patron inicial T.
Figura 20: Resultado Final
21
7.2.
Representaci
on en Mathlab
a) tipos de valores ingresados
b) Entrenamiento de la Red
22
c) Ingreso de un nuevo Patron
23
7.3.
Representaci
on en Java
24
25
26
7.4.
Representaci
on en Prolog
27
28
8.
Resultados y discusi
on
Como se ve en la metodologia, se desarrollo la red Perceptron y Hopfield

tanto de manera teorica como practica en diversas aplicaciones, las cuales
dieron los resultados esperados, logrando entrenar la red neuronal artificial
y ponerla a aprueba con un nuevo patron el cual dio una repuesta a cual de
los patrones aprendidos se asemeja. Si bien hay distintos tipos de redes, la
seleccion de esta llevo un proceso largo de investigacion puesto que cada una
tiene sus ventajas y desventajas, otro factor importante es la representacion
matematica de estos modelos de red los cuales tienen un grado de dificultad
los cuales llevarlos al area de programacion nos llevaria a un tiempo que
supera al de la entrega del proyecto del curso.
9.
Conclusiones
En el trabajo realizado se estudio los distintos tipos de redes neuronales y los metodos utilizados en cada caso, identificando cierto grado
de complejidad en algunos casos. Las redes neuronales estas compuestas por unidades interconectadas con pesos asociados, para que la red
alcance un estado estable existen funciones de activacion.
Las redes mostradas se basan en las redes Hopfield y Perceptron seg
un
su arquitectura, simples, multicapa y recurrentes.
Actualmente existen muchas aplicaciones como alternativa de solucion
para las redes neuronales como la agrupacion, analisis de datos, reconocimiento facial y de voz, etc.
Para un procesamiento o reconocimiento optimo de una caracter o entrada en general es importante realizar al entrenamiento de la red o
brindar mas data si se trata de una red recurrente.
29
Referencias
[1] HUAMANI Navarrete, Pedro. Simulacion de Redes Neuronales con
Matlab [en lnea]. Lima, Per
u: Universidad Pontificia Catolica del
Per
u [fecha de consulta: 22 noviembre 2014].
Disponible en:http://congreso.pucp.edu.pe/mecatronica/wpcontent/uploads/sites/2/2013/07/Manual RedesNeuronales URP 02.pdf
[2] FEIJO, Luis. Aplicacion Para Reconocimiento De Caracteres A Traves
De Redes Neuronales. Loja, Ecuador: Universidad Tecnica Particular de
Loja [fecha de consulta: 21 de noviembre 2014].
Disponible en: http://es.slideshare.net/luisfe/reconocimiento-decaracteres-atravez-de-redes-neuronales
[3] BANDA Gamboa, Hugo. Inteligencia Artificial Principios y
Aplicaciones. Quito, Ecuador: Departamento de Informatica y Ciencias
de Computacion [fecha de consulta: 21 de noviembre 2014].
Disponible en:
http://www.academia.edu/4232917/INTELIGENCIA ARTIFICIAL
PRINCIPIOS Y APLICACIONESInformacion del Autor
[4] BASOGAIN Olabe, Xabier. Redes Neuronales Artificiales y sus
Aplicaciones. Bilbao, Espa
na: Escuela Superior de Ingeniera de Bilbao
[fecha de consulta: 10 noviembre 2014]
Disponible en:
http://www.ciberesquina.una.edu.ve:8080/2014 2/350 E.pdf
[5] VASQUEZ
Cortez, Augusto, HUERTA Vega, Hugo, HUAYNA Mara,
Loayza, Luis, ROMERO Naupari, Pablo.
Ana, ALARCON
Reconocimiento de patrones mediante redes neuronales artificiales. Lima,
Per
u: Universidad Mayor Nacional de San Marcos. [fecha de consulta: 20
noviembre 2014].
Disponible en:
http://sisbib.unmsm.edu.pe/bibvirtual/publicaciones/risi/2009 n2/v6n2/a03v6n2.pdf
[6] Reconocimiento de Patrones j.Kittler.2002 [fecha de consulta: 10
noviembre 2014]
Disponible en:http://www.fing.edu.uy/iie/ense/asign/recpat
material/sistemas rec patrones.pdf
[7] Sistemas Hbridos para el Reconocimiento de Patrones Roman Katz y
Claudio Delrieux. Universidad Nacional del Sur. [fecha de consulta: 22
noviembre 2014]
30
Disponible en: http://sedici.unlp.edu.ar/bitstream/handle/10915/21827

/Documento completo.pdf?sequence=1
31

Reconocimiento de Patrones

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Reconocimiento de Patrones

Uploaded by

Copyright:

Available Formats

PROYECTO DE SISTEMAS INTELIGENTES

Universidad Cesar Vallejo

Facultad de Ingeniera y Arquitectura