ıllı Internet y Tecnologías de la Información (2018)

internet, Hosting, dominios, seo, antivirus, banco de imágenes, páginas web, tiendas online

[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):

ıllı Reconocimiento de patrones wiki: info, historia y vídeos


La información contenida en esta web debe ser considerada como información general, de carácter formativo, educativo o divulgativo, y no puede ser utilizada o interpretada como consejo o diagnótico médico, psicológico o de ningún otro tipo. Es posible que algunos datos mostrados no esten actualizados. Por ello, en caso de duda lo recomentable es consultar a un experto cualificado.


 


 

videos internet

salud  Reconocimiento de patrones 


El reconocimiento de patrones —también llamado lectura de patrones, identificación de figuras y reconocimiento de formas— consiste en el reconocimiento de patrones de señales. Los patrones se consiguen desde los procesos de segmentación, extracción de peculiaridades y descripción donde cada objeto queda representado por una compilación de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categoría o bien clase (conjunto de entidades que comparten alguna característica que las diferencia del resto). Para poder reconocer los patrones se prosiguen los próximos procesos:



  1. adquisición de datos
  2. extracción de características
  3. toma de decisiones

El punto esencial del reconocimiento de patrones es la clasificación: se quiere clasificar una señal en dependencia de sus peculiaridades. Señales, peculiaridades y clases pueden ser de cualquiera forma, por poner un ejemplo se puede clasificar imágenes digitales de letras en las clases «A» a «Z» en dependencia de sus pixeles o bien se puede clasificar ruidos de cantos de los pájaros en clases de órdenes aviares en dependencia de las frecuencias.


Un sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los elementos del cosmos a ser clasificado, un mecanismo de extracción de peculiaridades cuyo propósito es extraer la información de utilidad, suprimiendo la información redundante y también intrascendente, y por último una etapa de toma de resoluciones en la que se asigna a la categoría apropiada los patrones de clase ignota a priori.

Sensor

El sensor es el dispositivo encargado de la adquisición de datos. Debe ser capaz de convertir magnitudes físicas o bien químicas, llamadas variables de instrumentación, en magnitudes eléctricas. Las variables de instrumentación dependen del género de sensor y pueden ser por ejemplo: temperatura, intensidad luminosa, distancia, aceleración, inclinación, desplazamiento, presión, fuerza, torsión, humedad, etc.


Extracción de características


Es el proceso de producir peculiaridades que puedan ser utilizadas en el proceso de clasificación de los datos. A veces viene antecedido por un preprocesado de la señal, preciso para corregir posibles deficiencias en los datos debido a fallos del sensor, o para preparar los datos de cara a siguientes procesos en las etapas de extracción de peculiaridades o bien clasificación.




Las peculiaridades elementales están explícitamente presentes en los datos adquiridos y pueden ser pasados de manera directa a la etapa de clasificación. Las peculiaridades de alto orden son derivadas de las elementales y son generadas por manipulaciones o bien transformaciones en los datos.


Selección de variables


Consiste en escoger cuál es el género de peculiaridades o bien rasgos más convenientes para describir los objetos. Para esto, se deben encontrar los rasgos que inciden en el inconveniente de forma determinante.


Esta etapa asimismo puede ser desarrollada en la clasificación.


La selección de variables puede distinguirse conforme los objetivos buscados:



  • Para la clasificación: la selección de peculiaridades relevantes, desde el conjunto total de peculiaridades que describen a los objetos, se hace con 2 motivos fundamentales: progresar la clasificación o bien acrecentar la velocidad de procesamiento.
  • Para la representación: decidir qué peculiaridades representan mejor a determinado género de objetos.

Estrategias de selección de variables:



  • wrapper: la selección de peculiaridades se hace utilizando información del mecanismo de clasificación.
  • filter: la selección se hace con un criterio independiente del clasificador. Incluye ciertos métodos como:


  • Tablas de decisión: le busca un subconjunto mínimo de variables que no introduzca confusión entre clases.
  • ID3: le crea un árbol de resolución y se elige un conjunto de variables que deje discriminar entre clases.
  • Teoría de testores: le procuran todos y cada uno de los subconjuntos de variables discriminantes minimales, con estos se valora la relevancia de cada variable y se eligen aquellas con mayor relevancia.

Clasificación


La clasificación trata de asignar las distintas unas partes del vector de peculiaridades a conjuntos o bien clases, basándose en las peculiaridades extraídas. En esta etapa se emplea lo que es conocido como aprendizaje automático, cuyo objetivo es desarrollar técnicas que dejen a las computadoras aprender.


Utiliza frecuentemente uno de los próximos procedimientos:



  • Geométrico (Clustering): Los patrones han de ser graficables. En este enfoque se emplea el cálculo de distancias, geometría de formas, vectores numéricos, puntos de atracción, etc.


  • Estadístico: Se fundamenta en la teoría de la probabilidad y la estadística, usa análisis de varianzas, covarianzas, dispersión, distribución, etc.

Supone que se tiene un conjunto de medidas numéricas con distribuciones de probabilidad conocidas y a partir de ellas se hace el reconocimiento.



  • Sintáctico-estructural: se fundamenta en hallar las relaciones estructurales que guardan los objetos de estudio, usando la teoría de lenguajes formales, teoría de robots, etcétera El propósito es edificar una gramática que describa la estructura del cosmos de objetos.


  • Neuro-reticular: se usan redes neuronales que se 'entrenan’ para dar una cierta contestación ante ciertos valores.


  • Lógico-combinatorio: se fundamenta en la idea de que el modelado del inconveniente ha de ser lo más próximo posible a la realidad del mismo, sin hacer suposiciones que no estén fundamentadas. Se usa para conjuntos difusos y emplea lógica simbólica, circuitos combinacionales y secuenciales, etc.

Según tengamos perseverancia o bien no de un conjunto anterior que deje al sistema aprender, la clasificación puede ser supervisada, parcialmente supervisada o bien no supervisada.

a) Clasificación supervisada: asimismo es famosa como clasificación con aprendizaje. Se fundamenta en la disponibilidad de áreas de adiestramiento. Se trata de áreas de las que se conoce a priori la clase a la que pertenecen y que servirán para producir una signatura fantasmal característica de cada una de las clases. Se llaman clases informacionales en contraposición a las clases fantasmales que produce la clasificación no supervisada.Algunos métodos de la clasificación supervisada:

  • Funciones discriminantes: si son 2 clases, se busca conseguir una función g tal que para un nuevo objeto O bien, si g(O bien) = 0 se asigna a la clase 1 y en otro caso a la dos. Si son múltiples clases se busca un conjunto de funciones gi y el nuevo objeto se sitúa en la clase donde la función tome el mayor valor.
  • Vecino más cercano: un nuevo objeto se sitúa en la clase donde esté el objeto de la muestra original que más se le semeja.
  • Redes neuronales artificiales: llamadas frecuentemente ARN o bien en sus iniciales en inglés ANN. Se supone que imitan a las redes neuronales reales en el desarrollo de labores de aprendizaje.
b) Clasificación parcialmente supervisada: asimismo famosa como de aprendizaje parcial. En estos inconvenientes hay una muestra de objetos solo en ciertas clases definidas.c) Clasificación no supervisada: asimismo famosa como clasificación sin aprendizaje. Se usan algoritmos de clasificación automática multivariante en los que los individuos más próximos se marchan reuniendo formando clases.

  • Restringida: el número de clases en la que se estructurará la muestra está anteriormente definido.
  • Libre: el número de clases en la que se estructurará la muestra depende únicamente de los datos.
Ciertos métodos de la clasificación no supervisada:

  • Simple Enlace y Complete Link: parten de conjuntos unitarios de objetos y van uniendo los conjuntos más similares en todos y cada etapa, hasta cumplir alguna condición.
  • ISODATA: se marchan formando conjuntos que se ajustan iterativamente utilizando teoría de probabilidades. En ciertas versiones se puede hacer la unión o bien división de algún conjunto.
  • C-means: se define un conjunto de semillas, se asocia cada objeto al conjunto de la semilla más similar, se toman los centroides de cada conjunto como nuevas semillas y se itera hasta el momento en que se estabilice.
  • Criterios lógico-combinatorios: los criterios que se imponen a los conjuntos son como ser conexos, completos maximales, sólidos, etc.


El reconocimiento de patrones es más complejo cuando se emplean plantillas para producir variaciones. Por servirnos de un ejemplo, en español, las oraciones de manera frecuente prosiguen el patrón "sujeto-predicado", mas se requiere cierto conocimiento de la lengua para advertir el patrón. El reconocimiento de patrones se estudia en muchos campos, incluyendo sicología, etología, informática y procesamiento digital de señales.


  ELIGE TU TEMA DE INTERÉS: 


autoayuda.es   Internet y Tecnologias 





Está aquí: Inicio > [ INTERNET ] > ıllı Reconocimiento de patrones wiki: info, historia y vídeos

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies. Ver políticas