Reconocimiento de Patrón
Debe de cumplir con las siguientes condiciones:
Las características deben representar una codificación óptima de la entrada, perdiendo la información que no sea muy importante.
La dimensionalidad del vector de características debe de ser menor que la del patrón original.
Trata de reducir la cantidad de información (reducción de dimensionalidad) que representa a cada uno de los patrones, obteniendo de esta forma, un vector de características que represente de la mejor manera posible al patrón original.
Uno de los principales problemas en el reconocimiento de patrones, es encontrar una manera óptima de representar la información original que describe a cada uno de los patrones.
Se puede pre – procesar el patrón de entrada de tal forma que todos los patrones tengan el mismo tamaño (escala) consiguiendo con esto que el sistema sea invariante al escalamiento. Además de esto, también se busca lograr que el sistema sea invariante a la traslación.
Ventaja
Puede reducir la dimensionalidad de los datos, lo cual mejora substancialmente la ejecución del sistema
Esta etapa se podría realizar con la ayuda de una cámara digital o utilizando un escáner.
Es necesario, realizar o implementar alguna etapa de adquisición de los datos que describen al patrón que se desea clasificar.
Etapas
Reconocimiento
Extracción de características
Pre – procesamiento
Adquisición de datos
Metodologías
Lingüísticas
Hace uso de los elementos primitivos que componen a los patrones (sub-patrones) y la relación que existe entre ellos.
Matemáticas
Se basan en las reglas de clasificación formuladas en un marco matemático.
Estadísticas
Podemos encontrar a los clasificadores basados en las regla de clasificación de Bayes.
Determinísticas
Podemos encontrar, por ejemplo, los algoritmos de aprendizaje iterativo tales como los algoritmos utilizados para el entrenamiento de redes neuronales.
Heurísticas
Están hechos a la medida del problema que se desea resolver.
Hace uso de la experiencia y la intuición humana.
