Reconocimiento de Patrón

Heurísticas

Hace uso de la experiencia y la intuición humana.

Están hechos a la medida del problema que se desea resolver.

Matemáticas

Se basan en las reglas de clasificación formuladas en un marco matemático.

Determinísticas

Podemos encontrar, por ejemplo, los algoritmos de aprendizaje iterativo tales como los algoritmos utilizados para el entrenamiento de redes neuronales.

Estadísticas

Podemos encontrar a los clasificadores basados en las regla de clasificación de Bayes.

Lingüísticas

Hace uso de los elementos primitivos que componen a los patrones (sub-patrones) y la relación que existe entre ellos.

Adquisición de datos

Pre – procesamiento

Extracción de características

Reconocimiento

Es necesario, realizar o implementar alguna etapa de adquisición de los datos que describen al patrón que se desea clasificar.

Esta etapa se podría realizar con la ayuda de una cámara digital o utilizando un escáner.

Ventaja

Puede reducir la dimensionalidad de los datos, lo cual mejora substancialmente la ejecución del sistema

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.

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.

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.

Debe de cumplir con las siguientes condiciones:

La dimensionalidad del vector de características debe de ser menor que la del patrón original.

Las características deben representar una codificación óptima de la entrada, perdiendo la información que no sea muy importante.