Tarea 2°
Seminario de Solución de Problemas de Inteligencia
Artificial II
Contenido
Introducción: ................................................................................................................................................. 1
Desarrollo: ...................................................................................................................................................... 1
Conclusión: .................................................................................................................................................... 3
Bibliografía: .................................................................................................................................................... 3
Introducción:
El objetivo de un sistema de reconocimiento de patrones consiste en particionar dicho
universo en clases "patrón" ajenas, de tal manera que el sistema asignará a un elemento x
a una y sólo una clase. Es decir, el problema es de clasificación, el sistema reconoce que
un elemento pertenece a una clase. Patrón o clase es la descripción de un objeto, se refiere
al conjunto de atributos que retemos para definir un objeto. Categoría determinada por
atributos comunes.
Se abordará la investigación sobre clasificadores y reconocimiento de patrones distintos a
los basados en redes neuronales, con una extensión aproximada de poco más de dos
cuartillas a continuación.
Desarrollo:
De manera general, podemos decir que existen tres metodologías básicas para el
reconocimiento de patrones: las heurísticas, las matemáticas y las lingüísticas. De manera
general, cuando se intenta resolver algún problema que implique el reconocimiento de
patrones se deben de tomar en cuenta las siguientes etapas:
1. Adquisición de datos. 3. Extracción de características.
2. Preprocesamiento. 4. Reconocimiento.
Los patrones son porciones específicas de la señal, caracterizados por su
morfología o por determinados parámetros característicos (tales como la frecuencia,
amplitud, etc.). Los patrones están generados por eventos fisiológicos o por propiedades
del medio de conducción. El análisis de patrones incluye:
• Reconocimiento: comprende las diferentes fases de procesado desde la adquisición
hasta la identificación del patrón, y se utiliza para tareas de clasificación
(asignación de un patrón a una clase determinada) o detección (determinación del
instante de ocurrencia o localización espacial de un patrón).
• Interpretación: es el reconocimiento de las implicaciones que la aparición del
patrón tiene (por ejemplo, el origen o la forma de generarse eventos, etc.). Utiliza
resultados obtenidos en diferen1tes etapas del reconocimiento de patrones.
• Aprendizaje: incluye las diferentes etapas durante las cuales se transfiere
conocimiento a la máquina, con el objetivo de minimizar el error durante el
reconocimiento o la interpretación. Este aprendizaje puede ser supervisado o no
supervisado. En el primer caso, se proporcionan patrones correctamente
clasificados por los expertos para cada clase, y que permiten al sistema aprender la
forma de clasificar. En el segundo caso, el sistema forma automáticamente grupos
de patrones similares y extrae a partir de ellos las clases.
En este tema nos vamos a centrar en el reconocimiento de patrones, para el diseño del
sistema de reconocimiento de patrones es necesario:
a) Diseño algoritmo localizador del objeto: Seleccionar un algoritmo de segmentación
que aislará los objetos individuales de la imagen.
b) Selecciones características: Decidir qué propiedades de los objetos discriminan
mejor y cómo medirlas.
c) Diseño clasificador: Establecerlas bases matemáticas del algoritmo de clasificación
y escoger la estructura del clasificador que se usará.
d) Aprendizaje del clasificador: Fijar parámetros ajustables, por ejemplo, fronteras de
decisión, etc. en la clasificación.
e) Evaluación del funcionamiento: Estimarlas tasas de los posibles errores al
clasificar.
Existe una gran variedad de métodos de clasificación, que podemos agrupar en
clasificadores estadísticos, sintácticos y basados en técnicas de Inteligencia Artificial:
Clasificadores estadísticos. Existen varios tipos de clasificadores estadísticos. Un tipo,
los denominados clasificadores basados en minimización de distancias, realizan la
clasificación de un patrón en función de la menor distancia a una de las clases en el espacio
de características. Dentro de este tipo se encuentra el clasificador lineal de Bayes, el
clasificador de distancia mínima, de distancia euclidiana, distancia de Mahalanobis, el
discriminador lineal de Fisher, los basados en criterios de entropía que realizan la
clasificación de un patrón minimizando el grado de incertidumbre y los clasificadores
basados en máxima semejanza que, optimizan un parámetro basado en la semejanza entre
el patrón a clasificar y el de las clases.
Clasificadores sintácticos. Siguen un esquema similar al de los estadísticos. Dado un
conjunto de clases, el clasificador debe aprender su estructura durante la fase de
aprendizaje. Para ello, partiendo de un conjunto de entrenamiento, se determinan las
características estructurales (primitivas) y las reglas de combinación (gramática). Cada
gramática describe todas las señales (sentencias) pertenecientes a una clase dada
(lenguaje). La determinación de la gramática a partir del conjunto de entrenamiento se
conoce como inferencia gramatical. En la fase de clasificación, el vector de entrada se
preprocesa para eliminar ruido y se extraen sus primitivas. Posteriormente se clasifica
mediante la aplicación de la gramática de cada clase.
- Clasificadores basados en técnicas de inteligencia artificial. Básicamente hay dos
grupos de técnicas basadas en inteligencia artificial (AI): simbólicas (sistemas expertos) y
conectivas (redes neuronales). Podemos destacar dos tipos: los que proporcionan una
conclusión (clasificación) a partir de un conjunto de hechos (datos) y reglas, y los que
muestran que un conjunto de hechos satisface las hipótesis.
Conclusión:
Es necesario elegir adecuadamente un clasificador para lograr asignar un objeto o categoría
partir del vector de características medido, con lo cual podremos logra realizar mejor un
sistema de reconocimiento de patrones. Donde el grado de dificultad del diseño del
algoritmo de clasificación propiamente dicho depende del grado de variabilidad, que
interesa: Baja variabilidad de intercalases y de Alta variabilidad de intraclases.
A la hora de realizar el diseño de un clasificador, este requiere una selección cuidadosa del
conjunto de patrones, así como del tipo de clasificador. Antes de investigar desconocía los
diferentes clasificadores de patrones que existían de esta forma ya con nombre y detalles,
ya que solo conocía bien los de redes neuronales ya que es el tema que se esta centrando la
presente asignatura, es bueno conocer los demás clasificadores y reconocimiento de
patrones fuera de las redes neuronales pero que existen dentro de la Inteligencia Artificial.
Bibliografía:
• http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/gutierrez_g_l/capitulo2.pdf
• http://ocw.uv.es/ingenieria-y-arquitectura/1-5/ib_material/IB_T8_OCW.pdf
• http://www.redalyc.org/pdf/478/47812225005.pdf
• http://profesores.fi-b.unam.mx/ana/APUNTES_RP/capitulo1.pdf
