Métodos de reconocimiento de patrones

        MÉTODOS DE RECONOCIMIENTO DE PATRONES

A lo largo del desarrollo humano hemos diferenciado el mundo con base en patrones, siendo algunos de estos instintivos como el reconocimiento de nuestros padres, de animales peligrosos, de comida, etc; mientras hemos inventado otros para comunicarnos como los patrones de sonido, de escritura o las  imágenes.

Dada la importancia en la vida diaria de los patrones naturales e inventados por nosotros, desde el siglo pasado se han empezado a desarrollar diversas técnicas para lograr por medio de una máquina acercarnos a la manera en que el cerebro distingue diferentes formas. Estas técnicas tienen diversas aplicaciones que van desde reconocimiento facial para cámaras fotográficas hasta recuperación de datos en imágenes difusas o borrosas, por lo cual algunos autores describen el desarrollo de esta temática como “un medio para interpretar el mundo” [1] o a la im “como una entidad opuesta al caos, vagamente definida y a la cual se le puede dar un nombre” [2].

El desarrollo de las técnicas de reconocimiento de patrones ha tomado dos caminos claramente diferenciados: El estadístico y el computacional basado en redes neuronales. Por antigüedad, así como disponibilidad de medios, los métodos estadísticos poseen más estudio y referencia de consulta que los computacionales y poseen varias técnicas que se comenzaron a desarrollar desde las primeras décadas del siglo pasado; aunque las redes neuronales comenzaron a desarrollarse desde la década de los 40s su verdadero auge vino después de los 80s con las aplicaciones del perceptrón [3].

Los clasificadores estadísticos parten de la extracción de datos una región de interés R representados por un vector columnax=[x1,x2,...,xn]T , dichos datos son procesados y clasificados en clases por medio de técnicas estadísticas generando diversos resultados dependiendo de la forma y filosofía de clasificación, siendo estas técnicas determinísticas o no. Esta clasificación se hace por medio de variables que pueden representar características propias de algún objeto y características redundates que pueden ser desechadas para mejorar el procesamiento [1]. Entran, aunque no la abarcan totalmente, en esta definición:

• Clasificador de distancia mínimo: Determinístico, requiere conocer las clases para clasificar y la pertenencia de los patrones a las mismas, se basa en la distancia mínima de posición de cada patrón a un conjunto de representantes de clase.
• Clasificador de k-vecinos: Se basa en la clasificación de patrones por medio de “votos” de adaptación a las clases.
• Clasificador de Mahalabonis: Al igual que el clasificador k-vecinos es una alternativa al clasificador de distancia mínimo utilizando la llamada distancia de Mahalanobis que tiene en cuenta la separación de los patrones de su media estadística.
• Clasificador bayesiano: Se utiliza cuando los datos a tratar están muy dispersos, con grandes desviaciones o patrones con poca separación para los cuales los clasificadores euclidianos anteriores no son muy finos. Se basa en cuatro principios:  La probabilidad de que un patrón pertenezca a una clase, la probabilidad de que entre los patrones de las clase se escoja el que esta en estudio, la probabilidad a priori de que se manifieste un elemento y la probabilidad a priori de que se manifieste el patrón de estudio [3]. Dada la complejidad de los cálculos en este método, no es muy popular debido al alto costo computacional y de tiempo que toma.
• Análisis de componentes principales: Al tener datos muy dispersos, este método resulta mas amigable en costo computacional que el bayesiano ya que su principio de funcionamiento se basa en reducir la multidimensionalidad del conjunto de datos, esto permite al computador enfocarse en la dirección de las áreas de interés reduciendo considerablemente el costo computacional [2].

La mayoría de los métodos estadísticos son muy útiles para patrones linealmente separables, sin embargo, estos patrones en la realidad no siempre se dan o las propiedades estadísticas de los clasificadores no se pueden conocer o estimar [3] por lo cual se ha popularizado bastante el uso de modelos computacionales neuronales.

Las redes neuronales artificiales, RNAs, permiten el entrenamiento de sus clasificadores con base en ejemplos obtenidos como muestras vectoriales de cada clase, desarrollando el procesamiento de los mismos no sólo en las neuronas de cada RNA sino incluso en las capas mismas de transporte de datos.

...