R E C ON OC IM IEN TO DE PATR ON ES ANTECEDENTES La capacidad de reconocer patrones ha sido considerada siempre como una de las caractersticas fundamentales de la inteligencia
humana, en ese sentido, ha sido tambin una de las reas de estudio de prcticamente todas las disciplinas que conforman la Ciencia Cognitiva. As, en su papel ms concreto y menos ambicioso en sus planteamientos que la Inteligencia Artificial, el Reconocimiento de Patrones se ha establecido como una disciplina relati amente independiente de aqulla, buscando siempre en otras reas de conocimiento los modelos, e!plicaciones y herramientas que le permitan cumplir su cometido. "odernamente podemos distinguir arias corrientes o #enfoques# en el reconocimiento de patrones$ el enfoque Estadstico, el Numrico, el Sintctico, el LgicoCombinatorio, el de Redes Neuronales, etc. %odos ellos abordan la misma problemtica$ el Problema Universal de la Clasificacin , desde diferentes posturas y con diferentes herramientas. A tra s de una re isi&n del estado del arte en sistemas de soft'are relacionados con la disciplina de reconocimiento de patrones, encontramos gran cantidad de sistemas de reconocimiento especiali(ados )procesamiento de imgenes, reconocimiento de o(, reconocimiento de caracteres, identificadores personales de seguridad, etc.*, muchos de ellos con aplicaciones industriales o comerciales. "uy pocos, sin embargo, estn orientados hacia la aplicaci&n acadmica y prcticamente no e!iste ning+n sistema de carcter general. DEFINICIN Reconocimiento de Patrones es una disciplina que estudia la asignaci&n automtica de ob,etos a clases. -stas clases pueden estar predeterminadas o no. -l n+mero de aplicaciones prcticas es muy e!tenso$ lectura automtica de caracteres manuscritos e impresos. reconocimiento de o(, caras, huellas digitales, firmas. identificaci&n de partculas elementales. detecci&n de fraude. segmentaci&n de mercados, etc. Reconocimiento de Patrones es una rea de la tecnologa conocido como Aprendi(a,e de "aquinas )"achine Learning* o Aprendi(a,e Automtico. -l +nico prop&sito de este mtodo es el clasificar un grupo de patrones conocido como con,unto de pruebas en dos o mas clases de categoras. -sto es logrado al calcular las categoras del con,unto en prueba comparndolo con un con,unto de entrenamiento )pre io* o training set. /n clasificador dado mide la distancia entre arios puntos dados )compara*, para saber cuales puntos son mas cercanos a la meta en un modelo parameti(ado /n esquema modular de un sistema de RP se muestra en la siguiente figura.
Etapas de un sistema de reconocimiento de patrones.
-ste esquema no debe erse como los pasos a seguir en la construcci&n de un sistema de reconocimiento de patrones, sino ms bien desde un punto de ista funcional$ la entrada es un patr&n natural y el resultado es una etiqueta. Adems, no debe entenderse que todos los sistemas de reconocimiento de patrones deben incorporar todas estas unidades, ni siquiera que stas deban estar tan claramente separadas. 0e entiende que los componentes ya estn dise1ados y operati os APROXIMACIONES AL RECONOCIMIENTO DE PATRONES -n la literatura pueden encontrarse diferentes apro!imaciones a ese problema, moti adas por la di ersidad de tareas de reconocimiento que pueden abordarse. Apro imaci!n estad"stica. La apro!imaci&n ms simple )y no por ello la menos eficiente* consiste en representar cada atrn mediante un vector de n!meros, resultantes del muestreo y cuantificaci&n )o binari(aci&n* de las se1ales e!ternas )figura* y cada clase por uno o arios atrones rototi o. 2ado que e!iste ariabilidad en las medidas registradas, cada componente del ector es una variable aleatoria y cada uno de sus alores es una reali(aci&n de esa ariable aleatoria. Patrones de natura#e$a tempora# % espacia#
3on esta apro!imaci&n un patr&n no es ms que un punto en el es acio de re resentacin de los atrones , que es un espacio de dimensionalidad determinada por el n+mero de ariables consideradas. -sta apro!imaci&n concluye que es ra(onable que los patrones pertenecientes a una misma clase estn cercanos en el espacio de representaci&n mientras que aquellos que pertene(can a clases diferentes deberan estar en diferentes regiones del espacio de representaci&n. -l estudio del con,unto apropiado de ariables, la ariabilidad de los patrones de una clase, las medidas de similaridad entre patrones y entre patrones y clases constituye el reconocimiento estad"stico de patrones. Apro imaci!n Sint&ctica La apro!imaci&n estadstica no considera el conte!to, esto es, la relaci&n entre diferentes patrones$ en ocasiones, patrones comple,os pueden descomponerse recursi amente en patrones ms simples hasta llegar a componentes bsicos )de forma similar a como un te!to se descompone en prrafos, frases, palabras y finalmente en letras*. -sta apro!imaci&n resulta muy adecuada para reconocimiento de o(, por e,emplo. 3on esta apro!imaci&n, un patr&n se describe en trminos de sus elementos bsicos ) elementos terminales* y unas reglas sintcticas ) gramtica* que especifican c&mo se pueden generar patrones lidos de una determinada clase. -l problema se reduce ahora a responder si un determinado patr&n pertenece al lengua,e generado por una gramtica. -stas tcnicas se conocen como reconocimiento sint&ctico de patrones. APRENDI'A(E ) ADAPTACIN
3asi todos los sistemas de reconocimiento de patrones son sistemas comple,os y en ellos es posible no tener alguna suposici&n sobre lo que sera una meta al dise1ar el sistema de clasificaci&n. Por lo tanto y en un amplio sentido, cualquier mtodo que incorpora informaci&n sobre un e,emplo o con,unto entrenamiento en el dise1o del clasificador, necesariamente emplea alg+n tipo de aprendi(a,e, ra(&n bsica para considerar nociones sobre aprendi(a,e. Adems al construir clasificadores es importante imponer alg+n tipo de generalidad para reali(ar el modelo, forma de modelo o forma de un clasificador y por lo cul es necesario utili(ar patrones de entrenamiento para resol er las inc&gnitas en los patrones del modelo. -ste aprendi(a,e se refiere a alg+n tipo de algoritmo que ayude a reducir la cantidad de errores en la informaci&n para el entrenamiento. -!isten arios tipos de aprendi(a,e$ Aprendi$a*e Super+isado /n aprendi(a,e super isado requiere disponer de un con,unto de patrones de los cuales se conoce su clase cierta. A este con,unto se le denomina con*unto de entrenamiento. -ste tipo de entrenamiento se denomina entrenamiento super+isado y los clasificadores as obtenidos c#asi,icadores super+isados . 2isponer de un con,unto de entrenamiento supone que alguien se ha preocupado de etiquetar los patrones de ese con,unto. -sta tarea la suele reali(ar un e!perto en el campo en el que se a a reali(ar el reconocimiento y generalmente iene impuesto. Aprendi$a*e No Super+isado. -l aprendi(a,e no super isado se reali(a a partir de un con,unto de patrones del que no se conoce su clase cierta. -n ocasiones, ni siquiera se conoce el n+mero de clases. 4sicamente, se traduce en encontrar agru amientos. -l ob,eti o suele ser el de erificar la alide( del con,unto de clases informacionales para una clasificaci&n super isada. Las tcnicas utili(adas suelen denominarse m-todos de a.rupamiento o c#usterin.. Aprendi$a*e Re,or$ado -ste tipo de aprendi(a,e tambin es conocido como aprendi(a,e con la asistencia de un critico o editor. -sto quiere decir que aunque no e!iste una categora sugerida, en cambio la categora dada en un nue o grupo de sugerencias puede interpretarse como correcta o incorrecta aunque especficamente no se se1ale ni el porqu ni el como de otro. Ejemplo$ descripci&n de un proyecto de reconocimiento de patrones para un controlador en el "odelo 5isco de 6ioln 0erafin, 0mith y %hornburg proponen en 70erafin, %hornburg 89: un sistema de reconocimiento de patrones para in ertir el "odelo 5sico de la cuerda pulsado por un arco en el ioln. -l ob,eti o en este caso es estimar u optimi(ar los parmetros para el sonido &ptimo del modelo de ioln. -n este e,emplo in ertir el modelo fsico significa recobrar los alores e!actos en los parmetros de entrada de la forma de onda ac+stica
en un ioln tradicional. -n este caso se trata de buscar una combinaci&n &ptima para obtener el "o imiento de ;elmholt(. Por lo tanto en el paso de segmentaci&n se utili(a anlisis de espectro con la transformada de 5ourier del "o imiento a que se quiere llegar ms predicci&n lineal para retener las caractersticas del mismo en una en ol ente espectral retenida en el dominio del tiempo. -n el clasificador se utili(a un <aussian para obtener la probabilidad dado que que quiero llegar al "o imiento ;elmholt( &ptimo indicado por el segmentador. e que est equi ocada. PATRONES ) RECONOCIMIENTO DE PATRONES "ucha de la informaci&n que se mane,a en la ida real se presenta en la forma de patrones comple,os$ caras, te!tos escritos, enfermedades, m+sica, flores, pie(as industriales, etc., La psico#o."a no /a encontrado un mode#o conc#u%ente Para la sicologa, el problema central en el mbito del reconocimiento de patrones el es estudio de los mecanismos por los que las se1ales e!ternas estimulan los &rganos sensoriales y se con ierten en e!periencias perceptuales significati as, o dicho de otra forma, c&mo reali(amos el eti"uetado de estos estmulos tan comple,os asignndoles un nombre. -stos procesos contin+an siendo desconocidos en su mayor parte y no se ha encontrado un modelo concluyente sobre c&mo nuestro sistema ner ioso reali(a este reconocimiento. =o obstante, se admite que esta tarea debe reali(arse siguiendo un esquema general como el que se detalla a continuaci&n. Antes del reconocimiento, un patr&n debe ser ercibido por los &rganos sensoriales. Adems, el mismo patr&n o alguno similar )de la misma clase* debe haberse percibido y recordado pre iamente. 5inalmente, debe establecerse alguna corres ondencia entre la percepci&n actual y lo recordado. -n resumen, esta apro!imaci&n al reconocimiento de patrones se centra en el estudio del mecanismo de reconocimiento resente en los seres vivos . La tecno#o."a impu#sa e# estudio -l uso intensi o de ordenadores u otros dispositi os electr&nicos en los +ltimo a1os ha impulsado el estudio y aplicaci&n de tcnicas de reconocimiento de patrones. -n particular los dispositi os de adquisici&n de datos )sensores y transductores* y los con ertidores A>2 hacen que un ordenador pueda ser ??alimentado@@ con datos )obser aciones* del mundo real, utili(ado para almacenar y recuperar informaci&n y para establecer la correspondencia entre obser aciones pasadas y actuales )utili(ando modelos adecuados, naturalmente*.
La apro!imaci&n al reconocimiento de patrones que adoptaremos es la del estudio de las teoras # tcnicas de reconocimiento im lementables en un sistema informtico . -n este sentido, las fuentes de esta rea son las "atemticasAfundamentalmente la -stadsticaA y la Inteligencia Artificial, en sus apro!imaciones algortmicas a la resoluci&n de problemas. -l ob,eti o final de un sistema de Reconocimiento de Patrones es el etiquetar de forma automtica patrones de los cuales desconocemos su clase. 0uponemos que el sistema dispone de un m&dulo de adquisici&n de datos y que se han seleccionado pre iamente las ariables ms significati as. E# con*unto de c#ases -n primer lugar debe establecerse claramente el ob,eti o final del sistema$ Bcul es el con,unto de etiquetasC o dicho de otra forma Bqu salidas debe proporcionar el sistemaC 0i suponemos que todos los patrones a reconocer son elementos potenciales de D clases distintas denotadas E G , ,..., , , E 9, F,..., D, llamaremos
H al con,unto de las clases informacionales.
3on iene tener en cuenta que una clase informacional es la denominaci&n que se da a una clase conocida y con significado. /sualmente se habla simplemente de clase prescindiendo del a1adido IinformacionalJ aunque esta distinci&n es muy importante a la hora de abordar las tcnicas de agrupamiento. Resulta con eniente ampliar el con,unto incorporando una nue a clase, llamada la clase de recha(o. As, se define la clase de recha(o ) * como una clase que se asigna a todos los patrones para los que no se tiene una certe(a aceptable de ser clasificados correctamente en alguna de las clases de ,..., , . 0e dice que E G ,
H es el con,unto e!tendido de clases informacionales.
E# c#asi,icador /na e( establecido el con,unto de clases se procede a la construcci&n del clasificador. 3omo puede intuirse, la construcci&n del clasificador no es una tarea tri ial ni directa e in olucra una serie de etapas$ 9. La elecci&n del modelo. F. Aprendi(a,e )entrenamiento del clasificador*. K. 6erificaci&n de los resultados. -s muy importante se1alar que estas etapas no deben erse de forma secuencial. Puede ocurrir que en un momento dado hay que ol er atrs para replantearse alguno de los pasos dados, incluso el con,unto de clases informacionales.
/n clasificador o regla de clasificaci&n es una funci&n d $ P patrones L tal que para todo patr&n L, d )L* CAMPO DE APLICACIN .
definida sobre los
Aunque la aplicabilidad de las tcnicas resulta, a priori, muy amplia, no hay un mtodo que sea la panacea. 2i ersas ra(ones hacen que los sistemas de reconocimiento de formas operati as sean muy especficos del problema a resol er$ 9. La naturale(a de los patrones$ caracteres escritos, smbolos, dibu,os, imgenes biomdicas, ob,etos tridimensionales, firmas, huellas dactilares, espectrogramas, imgenes de %eledetecci&n, cromosomas, ... F. Los requerimientos del sistema, especialmente en tiempo de respuesta hace que algunos mtodos de reconocimiento, a+n siendo superiores en !ito no sean aplicables en la prctica. K. 5actores econ&micos$ un sistema equipado con diferentes sensores y equipos de procesamiento muy potentes pueden dar resultados muy satisfactorios pero no pueden ser asumidos por los usuarios. -stos factores hacen que un sistema adecuado para un problema sea inaplicable para otro, lo que posibilita el estudio y desarrollo de nue as tcnicas. 2ebe considerarse, adems, que el reconocimiento de patrones no constituye un campo de estudio cerrado sino que las tcnicas relacionadas con este campo pueden encontrase en otras ramas de la 3iencia y de la %ecnologa. 2e ah que encontrar una definici&n formal para un campo tan di ersificado sea imposible. PRO)ECTOS E INSTIT0CIONES DE IN1ESTI2ACIN LA3ORATORIO DE PROCESAMIENTO DE IM42ENES Las acti idades principales de este laboratorio son$ la formaci&n de personal altamente calificado, el desarrollo de in estigaci&n te&rica y aplicada de alto ni el en las reas del procesamiento de imgenes y reconocimiento de patrones, la isi&n por computadora y la rob&tica. Reali(a acti idades de cooperaci&n cientfica y tecnol&gica con el sector producti o. Actualmente, las in estigaciones se encaminan en los aspectos te&ricos y prcticos en las lneas de segmentaci&n de imgenes, el reconocimiento de ob,etos F2 y K2 usando tcnicas de inde!ado, redes neuronales e in ariantes geomtricos y topol&gicos, el reconocimiento de patrones abstractos usando el enfoque l&gico combinatorio, la estructuraci&n de espacios conceptuales, as como el control de ser omecanismos usando informaci&n isual. Las aplicaciones incluyen el diagn&stico mdico asistido por computadora, la segmentaci&n de imgenes usando mtodos ariacionales, el reconocimiento de rostros, y el control de robots m& iles usando informaci&n isual.
4reas de In+esti.aci!n5
Algoritmos para el reconocimiento de patrones. 3ontrol de sistemas electromecnicos -structuraci&n 3onceptual de -spacios. "orfologa "atemtica. "ultiresoluci&n y Mndculas. Redes =euronales. Redes "orfol&gicas Asociati as. 0egmentaci&n de Imgenes. %cnicas de inde!ado en 4ancos de Mb,etos. %eora de %estores. %opologa 2igital.
E6uipo % So,t7are5
-staciones de traba,o 0/=. 3omputadoras personales. Impresoras. %ar,etas de digitali(aci&n. 3maras en blanco y negro. 0oft'are de proceso y adquisici&n de imgenes. Acceso a Internet.
Pro%ectos de In+esti.aci!n % Desarro##o5 ;erramientas para la estructuraci&n conceptual de espacios. "odelos "atemticos y ;erramientas 3omputacionales para el Anlisis de 2atos. ;erramientas basadas en ob,etos simb&licos. Resp.$ M. en C. (os- Francisco Mart"ne$ Trinidad. %el. NOFPQ888. -!t. NQNOK. fmartineRcic.ipn.m! 0elecci&n y detecci&n de caractersticas para reconocimiento de rostros. Resp.$ Dra. Patricia Ra%!n 1i##e#a. %el. NOFPQ888. -!t. NQNSF. prayonRcic.ipn.m! 3onstrucci&n y control 6isual de robots m& iles. Imgenes simb&licas. Resp.$ Dr. (uan Luis D"a$ de Le!n. %el. NOFPQ888. -!t. NQNSF. ,dia(Rcic.ipn.m! 2etecci&n y reconocimiento de rostros en imgenes y secuencias de imgenes. ;erramientas para el tratamiento y anlisis de imgenes mdicas. Resp.$ Dr. (uan 8um9erto Sossa A$ue#a.
"todos para segmentaci&n de Imgenes. Resp.$ Dr. Ser.ei Le+ac/i:ine . Mtros in estigadores$ Dr. C#audio 1a#en$ue#a. %el. NOFPQ888. -!t$ NQNN9. alen(ucRcic.ipn.m! Recuperaci&n de se1ales min+sculas en presencia de ruido fuerte. Resp. de 2IPLA4$ Dr. 8um9erto Sossa A$ue#a %el.NOFPQ888, -!t. NQN9F. hsossaRcic.ipn.m! 0istema "ultiagentes para la elaboraci&n de modelos de ob,etos y su reconocimiento usando informaci&n de su apariencia. Resp.$ DR. MAT;AS AL1ARADO MENTADO. %el.NOFPQ888, -!t. NQN9F. matiasRcic.ipn.m! PRO)ECTO S8ELL O9*eti+o5 2ise1ar y construir un soft'are para reconocimiento de patrones desde el enfoque l&gicoAcombinatorio que permita al usuario la definici&n, estructuraci&n y soluci&n de problemas a tra s de un lengua,e formal. 2icho lengua,e deber tener la capacidad de e!presar Ao modelarA todas las condiciones de un problema de reconocimiento de patrones as como el procesamiento de los datos pre io a la aplicaci&n de alg+n algoritmo de reconocimiento. -l ob,eti o de modelar el problema ser lograr una plataforma estable que permita, de manera sencilla, aplicar a un mismo problema di ersos algoritmos de reconocimiento o bien, el mismo algoritmo con diferentes parmetros para poder estudiar el efecto de stos sobre el problema y los diferentes grados de precisi&n de las soluciones obtenidas. Desarro##o5 -ste proyecto se fundamenta en una metodologa de modelado de cubrimientos desarrollada por 0al ador <odoy y que permite construir estructuras que abarcan pcticamente todos los aspectos necesarios para modelar problemas de clasificaci&n super isados. -l proyecto deber reali(ar definiciones nue as para completar la e!presi idad buscada y construir un ambiente adecuado para el estudio de problemas y algoritmos. E pectati+as5 3on este soft'are se espera lograr tres condiciones fundamentales$ 9. /na plataforma s&lida y bien adecuada para el estudio y la in estigaci&n de problemas, herramientas y algoritmos de reconocimiento de patrones en el enfoque l&gicoAcombinatorio. -ste soft'are ser ir para apoyar cursos e in estigaci&n.
F. /n entorno de aplicaci&n con la capacidad de crecer, mediante algoritmos nue os programados en forma de 2LL y comunicados a tra s de una interfa( estndar hacia el 0hell. -sto permitir que el soft'are se pueda mantener actual al ritmo de los a ances en la disciplina de reconocimiento de patrones. K. Proporcionar una interfa( de comandos para otras aplicaciones, presumiblemente Reconocedores especficos )imgenes, substancias, etc* que podrn preAprocesar sus datos de entrada, generar una especificaci&n en el lengua,e propio del 0hell y emitirle comandos indicando qu tipo de algoritmo aplicar y con qu parmetros. -sta caracterstica ,ustificar plenamente el nombre de #0hell# al colocar a este programa como una capa subyacente para ser apro echada por capas superiores con mayor grado de especiali(aci&n.
DISE<O E IMPLEMENTACIN DE 0NA RED NE0RONAL 3ASADA EN EL RECONOCIMIENTO DE PATRONES P#anteamiento % ,ormu#aci!n de# pro9#ema5 Las redes neuronales artificiales emulan las redes neuronales biol&gicas y se utili(an para aprender estrategias de control obser ando la forma como una persona lo hace.
0on sistemas que aprenden con e,emplos, es decir, que no requieren que la tarea a e,ecutar se programe. %ambin se utili(an para aprender a controlar un sistema aplicando entradas, e aluando la calidad de las respuestas para estas entradas, y a,ustando la f&rmula que genera las acciones de control para me,orar la respuesta del sistema. Las redes neuronales artificiales han demostrado su capacidad para resol er problemas donde el computo tradicional ha tenido gran dificultad durante a1os. Algunas aplicaciones e!itosas de las redes neuronales son$ Procesamiento de ima.en % +o$. Reconocimiento de patrones. P#aneamiento= predicci!n= contro# % optimi$aci!n de procesos. /n sistema neuronal puede ser simulado desarrollando un programa computacional, pero tambin se puede llegar al mismo punto empleando circuitos integrados, es as como surge la necesidad de encontrar los dispositi os adecuados que permitan identificar un carcter escrito utili(ando redes neuronales. Justificacin: La in estigaci&n propuesta busca, mediante la regla del perceptr&n, entrenar una neurona con la que se obtendr otra simulada que basa su funcionamiento en multiplicadores, sumadores y umbrales. /na neurona simulada simplemente a1ade una suma ponderada de sus entradas y permanece encendida mientras la suma de sus entradas se mantenga por encima del umbral. Lo anterior permitir desarrollar un entrenador electr&nico con neuronas simuladas para reconocer cierta regularidad en datos que dependern del patr&n establecido. Para lograr el cumplimiento de los ob,eti os de entrenamiento se acude al empleo de lengua,es de programaci&n implementados en dispositi os electr&nicos )PI39Q5ST* y etapas de adquisici&n de los datos a reconocer )sensores &pticos *. -l resultado de este compendio de elementos implementados es el de entrenar una red neuronal para el reconocimiento de caracteres escritos por diferentes personas sobre una matri( de cinco por tres p!eles. La estructura de esta red dispone de un error permisible, de un n+mero determinado de patrones de entrenamiento y unas salidas de la red asociadas con el carcter presente en la matri(. As, la implementaci&n de dispositi os utili(ando el entrenamiento de neuronas que simulen el comportamiento InaturalJ de los humanos como es el reconocimiento de caracteres es de ital importancia para comprender el grado de comple,idad que implica la simulaci&n electr&nica de estos comportamientos. O9*eti+os5
O9*eti+o .enera# 2ise1ar, implementar y entrenar una red neuronal artificial cuya aplicaci&n se dar en el reconocimiento de un patr&n determinado. O9*eti+os espec",icos Reali(ar una b+squeda bibliogrfica actuali(ada acerca del estado del arte en las redes neuronales y los mtodos utili(ados para su modelaci&n y entrenamiento. 2ise1ar un sistema que cumpla con las caractersticas necesarias para modelar una red neuronal artificial teniendo en cuenta que la aplicaci&n a tratar es el reconocimiento de patrones. 2esarrollar un soft'are que permita tanto entrenar la red neuronal, para la aplicaci&n pre ista, como responder a las e!igencias de la puesta en marcha del sistema. 3omprobar la eficacia del sistema a tra s de la obtenidos. alidaci&n de los resultados
CONCL0SIONES 2esde el punto de ista de percepci&n el rea de Reconocimiento de Patrones ofrece inquietudes por el lado sensorial en segmentaci&n o sea reconocer un ob,eto o un fen&meno con una o arias caractersticas, como tambin en conecti idad al relacionar diferentes caractersticas y en agrupamiento al me(clar patrones ,untando formas para obtener ob,etos o palabras para lograr frases y oraciones. -s necesario la 3lasificaci&n de Patrones para acotar y > o a eces limitar datos generados por un sensor. 2e esta forma los sensores pueden ser utili(ados en arios dominios incluyendo las artes y las ciencias. -sto se logra por medio de un ordenamiento de datos tomando muestras que hacen sentido y descartando las redundantes o las que son error. -n con ertidores anlogo digital el ancho de banda a eces e!cede nuestras e!pectati as y por lo tanto es necesario encontrar un rango &ptimo para el dominio de la aplicaci&n en la que se esta traba,ando. Por e,emplo en el caso del audio es practica com+n utili(ar un filtro pasa altos para eliminar frecuencias por deba,o de la escucha y de la misma manera con frecuencias por encima del rango humano con el filtro pasa ba,os. -s de gran utilidad conocer los arios tipos de sensores y sus caractersticas para dise1ar sistemas de clasificaci&n y reconocimiento de patrones para que operen dentro de las normas y restricciones del mecanismo en el que se est traba,ando. Por e,emplo si se est reali(ando una instalaci&n audio isual es de gran utilidad entender la operaci&n de transductores como cmaras, monitores, fotoAsensores, etc... y los datos )se1al* que ellos generan. Para un entendimiento &ptimo de este campo se sugiere una familiari(aci&n en reas de matemticas a an(adas como lgebra lineal, probabilidad, teora de decisiones )4ayes* y estadstica. %ambin se sugiere familiari(aci&n con algoritmos, programaci&n y tratamiento de se1al.
3I3LIO2R AF; A LI3ROS Lampinen, D., LaaUonsen, D, y M,a, -. Pattern Reco.nition= Cap"tu#o > de Ima.e Processin. Reco.nition. -ditado por Leondes 3.%., Academic Press. 9PPS.
and Pattern
5uUunaga, V. Introduction to Statistica# Pattern Reco.nition . Academic Press. 9PP8.
;and, 2.D. Discrimination and C#assi,ication. Dohn Wiley X 0ons. 9PS9.
P42INAS
/ttp5??777.u.r.es?depar?ccia?r,?patrones?tema@.>
/ttp5??777.cic.ipn.m ?inde Ain+./tm
/ttp5??redii.cic.ipn.m ?@BBB?mu#tia.entes?ReporteREDII./tm#
