investigaciones actuales relacionadas al reconocimiento de patrones

Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
INVESTIGACIONES ACTUALES RELACIONADAS AL
RECONOCIMIENTO DE PATRONES
Resumen— Actualmente el Reconocimiento de Patrones y
Aprendizaje Automático se ha afianzado como un área de la
inteligencia artificial que busca adquirir e identificar objetos
(patrones), representarlos, clasificarlos y posteriormente evaluarlos
creando así un sistema de aprendizaje automático. El presente
artículo pretende mostrar las nuevas tendencias del reconocimiento de
patrones y aprendizaje automático para solucionar problemas reales,
tales como, reconocimiento de rostros, reconocimiento de movimiento
de objetos y colores para robots autónomos, en la alimentación para
diferenciar alimentos en mal estado con los que se pueden todavía
comer, etc. Con la intención de conocer los avances de investigación
en reconocimiento de patrones que actualmente se estudian.
Palabras claves— Reconocimiento de patrones, aprendizaje
automático, aprendizaje supervisado, aprendizaje no supervisado.
Juan Alberto Antonio Velázquez
Tecnológico de Estudios Superiores de
Jocotitlán Carretera Toluca-Atlacomulco KM.
44.8 Ejido de San Juan y San Agustín
Jocotitlán,
juanalbertoantonio@hotmail.com
Alejo Eleuterio Roberto
Tecnológico de Estudios Superiores de
Jocotitlán Carretera Toluca-Atlacomulco KM.
44.8 Ejido de San Juan y San Agustín
Jocotitlán,
ralejoll@hotmail.com
López González Erika
Tecnológico de Estudios Superiores de
Jocotitlán Carretera Toluca-Atlacomulco KM.
44.8 Ejido de San Juan y San Agustín
Jocotitlán,
lz_erika_gz@yahoo.com.mx
Gil Antonio Leopoldo
(Tecnológico de Estudios Superiores de
Jocotitlán Carretera Toluca-Atlacomulco KM.
44.8 Ejido de San Juan y San Agustín
Jocotitlán,
lgilant72@yahoo.com.mx
Rosa María Valdovinos Rosas
Universidad Autónoma del Estado de México,
Facultad de Ingeniería Cerro de Coatepec
li_rmv@hotmail.com
1. INTRODUCCIÓN
El reconocimiento de Patrones es una ciencia que
desciende de la rama de la inteligencia artificial que se
encarga
de
la
descripción
y
clasificación
(reconocimiento) de objetos, personas, representaciones
de todo lo que interactúa con el ser humano y que al final
se puede representar computacionalmente.
Por ejemplo con la ayuda del reconocimiento de patrones
hoy en día se puede dar un diagnóstico más acertado para
encontrar espectros que diferencien individuos sanos a
individuos que están enfermos de enfermedades renales
crónicas [1]. El reconocimiento de la voz y sonidos se ha
empleado en la terapia del lenguaje en niños con
problemas psicomotores [2]. Con la ayuda del
reconocimiento de patrones y con la ayuda de los
síntomas en un paciente se puede determinar si contiene
la bacteria gonococcus o la bacteria Neisseria gonorrea
causantes de la gonorrea [3]. Por otro lado otros
investigadores que estudian el área de robótica con visión
artificial han utilizado el reconocimiento de imágenes y
con la ayuda del reconocimiento de patrones manipular
un robot programado en un circuito FPGA y que fuera
capaz de reconocer objetos de colores utilizando una
cámara [4]. Otras áreas en las cuales se aplica el
Reconocimiento de patrones es el procesamiento de
imágenes satelitales, reconocimientos de rostros, control
de robots, reconocimiento de caracteres escritos, sistemas
de reconocimiento de voz, desarrollo de diarios, lectura
de direcciones postales, [5] etc.
Se deduce por problemas de Reconocimiento de Patrones
a todos aquellos relacionados con la clasificación de
objetos y fenómenos que tienen factores que inciden en
los mismos.
Existen varios enfoques en el reconocimiento automático
de patrones. Los más utilizados son: Los que se basan en
la teoría de probabilidad y estadística, los que utilizan
funciones discriminantes, los que se basan en la neurocomputación y los que trabajan con algoritmos de
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
114
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
búsqueda de optimización basados en heurística entre
otros [5].
1.1 Características generales
Enfoque Estadístico. Una de las primeras herramientas
utilizadas en la solución de Reconocimiento de Patrones
es la Estadística; utiliza el Análisis Discriminante, la
Teoría de Probabilidad y el Análisis de Agrupamientos
(Cúmulus, clúster) [6]. El enfoque estadístico es el más
simple de todos los enfoques y consiste en representar
cada patrón mediante un vector resultante del muestreo y
cuantificación de las señales externas y cada clase por
uno o varios patrones modelo. Ha sido aplicado en
muchos problemas, en particular cuando se relaciona con
imágenes y señales. Los estudios apropiados de variables,
la variabilidad de los patrones de una clase, las medidas
de semejanza entre patrones, así como la relación entre
patrones y clases y caracterizan a este enfoque son los
siguientes:
Existen dos diferentes formas de reconocimiento
estadístico que son [5]: El reconocimiento paramétrico y
el reconocimiento no paramétrico. Entre tanto que, el
reconocimiento paramétrico trabaja por medio de
métodos estadísticos como la Teoría de Decisión de
Bayes para calcular la probabilidad a priori de las clases.
El Reconocimiento no paramétrico dispone de un
conjunto de patrones que se representan en forma de
vector y utiliza funciones discriminantes donde se
establecen regiones en un universo de estudio donde se
encuentran las clases a las que contienen a los patrones y
para determinar a la clase que pertenece un patrón nuevo
necesita la información de éste que se proporciona por
los patrones de entrenamiento [7].
1.2 Enfoque sintáctico estructural
Este enfoque se deriva de la Teoría de los lenguajes
formales y su origen está relacionado con el
reconocimiento de imágenes y señales. Por ejemplo, si
existe una señal electrocardiográfica ésta se puede
descomponer en partes. Este tipo de reconocimiento
busca las relaciones estructurales que guardan los objetos
de estudio, es decir busca la cantidad de información que
un objeto x tiene sobre un objeto y, y el metalenguaje con
el que puede ser capaz de describirse, utilizando
descriptores sintácticos con la ayuda de la teoría de
lenguajes formales [2].
En otras palabras, el propósito es encontrar la gramática
cuyo lenguaje estaría formado sólo por señales que
estarían estrechamente vinculadas unas con otras y
aquellas señales que no tuvieran que ver con las primeras,
responderían a gramáticas diferentes, por lo que
pertenecerían a otro lenguaje.
1.3 Redes neuronales artificiales
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
Este tipo de enfoque utiliza una estructura formada por
varios nodos (neuronas) que se interconectan entre sí
mediante pesos y que se concentran en diferentes capas
(de entrada, oculta por lo general). Esta estructura es
entrenada con los patrones disponibles, de tal manera que
al finalizar el entrenamiento, la red neuronal tenga la
capacidad de etiquetar nuevos patrones de forma
eficiente y en poco tiempo.
Es una herramienta que debido a su alto poder de
clasificación y resolución de problemas del tipo no lineal
se utiliza hoy en día para la solución de problemas de
reconocimiento de patrones aunque puede tener algunos
inconvenientes como el desconocimiento a priori de la
estructura de capas y el número de nodos necesarios para
cada problema, contar con un aprendizaje excesivamente
costoso y tener problemas de caer en mínimos locales
durante su entrenamiento [6].
1.4 Enfoque de reconocimiento lógico combinatorio de
patrones
Este enfoque trabaja en la imagen del modelado de un
problema y debe ser lo más parecido a la realidad del
mismo, sin hacer suposiciones que carezcan de
fundamento. Las ideas centrales consisten también en
suponer que los objetos se describen por medio de una
combinación de rasgos numéricos y no numéricos, y los
distintos valores pueden ser procesados por funciones
numéricas [8]. Utiliza un fundamento teórico-matemático
basándose en la lógica matemática, la teoría de testores,
la teoría clásica de conjuntos, la teoría de los
subconjuntos difusos, la teoría combinatoria y las
matemáticas discretas en general.
2. CLASIFICACIÓN EN EL RECONOCIMIENTO
DE PATRONES.
En la clasificación de patrones se dice que dado un
universo de estudio dividido en clases y una muestra de
objetos ya clasificados, se tienen que buscar mecanismos
que permitan clasificar nuevos objetos (patrones) [6].
El proceso de clasificación consiste en incorporar
información sobre un patrón o conjunto de entrenamiento
en el diseño del clasificador que incluye un tipo de
aprendizaje [5]. Existen 3 tipos de aprendizaje que son: el
aprendizaje
supervisado,
no
supervisado
y
semisupervisado o parcialmente supervisado. En el
primero se cuenta con un conjunto de patrones pero
también llamado muestra de entrenamiento o conjunto de
datos del entrenamiento (CE). Un experto humano es
quien realiza la clasificación según sus propiedades [9];
para resolver problemas de clasificación supervisada se
han perfeccionado gran cantidad de métodos como:
clasificadores Bayesianos, arboles de decisión, redes
neuronales, máquinas de vectores de soporte, vecinos
más cercanos, algoritmos de votación, clasificadores
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
115
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
basados en patrones, etc. [6]. En el aprendizaje no
supervisado también conocido como agrupamiento [6],
que utiliza algoritmos conocidos como auto-asociativos y
no requiere de un etiquetado previo en los patrones de
entrada y utiliza técnicas de clustering [5]. El aprendizaje
no paramétrico (por agrupamiento) [10], se divide en tres
métodos de agrupamiento, jerárquicos, particionales y
basados en densidad [7]:
En el agrupamiento jerárquico el conjunto de datos se va
particionando por niveles, en cada nivel se unen o se
dividen en dos grupos del nivel anterior, puede ser
aglomerativo o divisivo y éstos en su resultado gráfico es
mediante dendrogramas.
En las aglomerativas: Se utiliza un acercamiento
ascendente: cada observación comienza en su propio
grupo, y los pares de grupos son mezclados mientras uno
sube en la jerarquía.
En las divisivas: Es un acercamiento descendente: todas
las observaciones comienzan en un grupo y generalmente
se realizan divisiones mientras uno baja en la jerarquía.
En el agrupamiento del tipo particional son los que al
inicio realizan una división de los datos en grupos y
posteriormente mueven los objetos de un grupo a otro
según se optimice alguna función objetivo.
Los algoritmos basados en densidad enfocan el problema
de la división de un tipo de datos en grupos y se toma en
cuenta la distribución de densidad de los puntos, de modo
que los grupos que se forman tienen una alta densidad de
puntos en su interior mientras que entre ellos aparecen
zonas de baja densidad.
Agrupamiento Restringido: El número de grupos está
previamente definido. Esto resulta útil cuando se tiene
conocimiento acerca de la estructura del universo de
estudio, pero se desconoce la clasificación de la muestra.
Agrupamientos Libres: El número de grupos es
desconocido. Éste es el caso más general, sólo cuenta con
una muestra de objetos, pero se desconoce la forma en
que se estructura el universo. Y en el aprendizaje
parcialmente supervisado se combinan las 2 técnicas
anteriores, pero se parte de un conjunto pequeño de
patrones de entrenamiento que va creciendo a medida que
hay nuevos patrones sin etiquetar [11] y su objetivo es
aumentar el conocimiento durante la fase de
clasificación, facilitando así la simplificación de
obtención de patrones etiquetados.
3. Aplicaciones actuales y
Reconocimiento de Patrones
Tendencias
en
el
La historia de reconocimiento automatizado de patrones
se remonta a la llegada de la informática moderna a
través de mucho tiempo desde la aparición de la
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
inteligencia artificial como resultado de la psicología
cognitiva y la lógica matemática donde se incluyen
solución a diagnósticos de fallas, robótica y suministro de
asesoría experta; el concepto de inteligencia artificial se
debe a John McCarthy quien en 1956 al discutir la
posibilidad de construir máquinas que hicieran
operaciones inteligentes acuño este término [12].
El reconocimiento de patrones como una rama que
desciende de la inteligencia artificial fue reconocido por
el investigador King-Sun Fu en el año de 1971 [13].
Desde entonces, la popularidad y el crecimiento del
campo de reconocimiento de patrones han sido
alimentados por el mismo significado científico y su
aplicabilidad al mundo real.
El reconocimiento de patrones es un área de
investigación muy desafiante y multidisciplinaria, atrae a
investigadores y profesionales de muchos campos,
incluyendo la informática, la inteligencia, la estática, la
ingeniería y las ciencias médicas computacionales, por
mencionar sólo unos pocos. A continuación se muestran
algunas de las aplicaciones y tendencias de
Reconocimiento de Patrones hoy en día.
3.1 Reconocimiento de Escritura cursiva (manuscrito)
El reconocimiento de escritura cursiva o escritura a
mano, es una tarea difícil para muchas aplicaciones del
mundo real, tales como la autenticación de documentos,
procesamiento de formularios, el reconocimiento de la
dirección postal, máquinas de lectura para ciegos,
reconocimiento cheque bancario, y la interpretación de
documentos históricos. Al respecto Verma y Blumenstein
[14], revisan las técnicas de reconocimiento de escritura
existentes y presenta el estado actual de la técnica en el
reconocimiento de escritura a mano cursiva.
El artículo también presenta estrategias de segmentación
y un enfoque basado en segmentación para el
reconocimiento automático de la escritura cursiva sin
restricciones. También se ofrece una revisión exhaustiva
de la literatura con las técnicas básicas y avanzadas y
resultados de investigación en reconocimiento de
escritura para estudiantes de posgrado, así como para
investigadores avanzados.
En este trabajo se utilizó la técnica de clasificación por
aprendizaje supervisado donde el autor propone en
primer lugar, se propone un método de segmentación
basado en curvas de nivel, el cual soluciona el primer
problema con la forma delineada del caracter. Un
enfoque de extracción del contorno para el caracter entre
dos puntos de segmentación es significativa y útil.
La extracción de contorno es muy importante porque una
extracción basada en una disección vertical puede cortar
un carácter a la mitad o de manera inadecuada. El
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
116
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
contorno entre dos puntos consecutivos de segmentación
se extrae utilizando prioridad y enfoque basado en la
segmentación forzada, que se basa en la evaluación de
precedencia y la regla para forzar un punto de
segmentación para el reconocimiento del carácter. Por
último, se propone un enfoque de validación neuronal
para eliminar puntos de segmentación incorrectos. Este
enfoque se basa en tres clasificadores que utilizan
perceptrones multicapa (MPLs) y máquinas de vectores
soporte (SVMs). El éxito de las técnicas basadas en redes
neuronales para el reconocimiento numérico y de
caracteres ha dado la motivación para su uso.
El reciente éxito en la aplicación de SVMs en el área de
reconocimiento de escritura, justifica su uso junto con
técnicas basadas en redes neuronales, en algunos casos
superando a las redes neuronales. El primer clasificador
es entrenado con información de trazos izquierdos y
derecho del caracter. El segundo clasificador es
entrenado con información descriptiva desde el punto
mismo de segmentación. El tercer clasificador es
entrenado con los caracteres adyacentes o compatibles.
Los núcleos finales se fusionan, y se eliminan los puntos
de segmentación dando por resultado un carácter
reconocible.
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
donde se define la diferencia entre dos imágenes de caracteres
escritos a mano [15]
Fuente: Elaboración propia
Las técnicas EM para el reconocimiento de escritura a
mano en base a la formulación 2DW que en el cual uno
de los 2 factores determinan las características de EM. Se
estudian 2 tipos de clases paramétrico 2DW basado en
EM y no paramétrico 2DW basado en EM.
Figura 2. Técnicas de clasificación paramétricas y no
paramétricas EM empleadas en el reconocimiento de caracteres
manuscritos [15]
3.2 Técnicas de juego con
elasticidad, para el
reconocimiento de caracteres manuscritos.
El investigador Seiichi Uchida de Kyushu University de
Japón comenta en su artículo [15], un estudio de las
características de la adaptación elástica (elastic matching,
EM), que son técnicas empleadas en el reconocimiento
de caracteres manuscritos. EM a menudo se denomina
plantilla deformable, adaptación flexible, o comparación
de plantillas no lineal, y se define como el problema de
optimización de la deformación de dos dimensiones
(2DW) que especifica la correspondencia píxel a píxel
entre dos patrones de imagen de carácter sometidos a
elasticidad.
La distancia de los puntos en un patrón deformable es
evaluada bajo la optimización 2DW y es invariante al
rango de deformaciones geométricas de cada caracter.
Por lo tanto, mediante el uso de la distancia EM como
una función discriminante, los sistemas de
reconocimiento robustos a las deformaciones de
caracteres escritos a mano se pueden optimizar más
fácilmente.
Fuente: Elaboración propia
La mayoría de las técnicas de EM paramétricos para el
reconocimiento de caracteres manuscritos suponen que
las deformaciones geométricas de caracteres escritos a
mano pueden ser descritos por algunas transformaciones
lineales. Wakahara y sus colegas han propuesto técnicas
afines a 2DW basados en transformación, llamados GAT
(transformación global afín) [16], para el reconocimiento
de caracteres manuscritos. En GAT, 2DW se describe por
una sola transformación afín global. El problema de
optimización de GAT es aproximado como un problema
lineal mediante la fijación de los parámetros en la parte
no lineal de una función objetivo a valores constantes.
Este problema puede ser resuelto aproximada por el
método de iteración sucesiva.
En la clase no paramétrico 2DW, cada variable controla
un pixel correspondiente y representa una medida que
controla a 2DW indirectamente. Para clasificar los puntos
mediante la función no paramétrico y continua 2DW, a
En el trabajo realizado por estos investigadores, se
menudo se asume como una función continua y derivable
proponen técnicas de EM donde se clasifican según el
que optimiza por alguna estrategia iterativa donde 2DW
tipo de 2DW y las propiedades de cada clase a utilizar.
se actualiza. En este sentido la clase no paramétrica y
Varios temas alrededor de EM, como la categoría de
continua 2DW es similar en paramétrico 2DW. Usando la
dependiente deformación de los caracteres escritos a
relajación determinística se puede ver como una
mano que también se discuten.
estrategia de optimización iterativo para problemas
variacionales. Cuando estrategia de optimización para los
Figura 1. Reconocimiento de 2 patrones A y B donde se aplica
problemas variacionales. Al optimizar con clases no
la asignación de deformación 2D-2D y posteriormente 2DW
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
117
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
paramétricas y continua 2DW por relajación determinista
y usando la ecuación de Euler-Lagrange se obtiene un
sistema de ecuaciones no lineales para resolver el
problema elástico de los caracteres.
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
Figura 3. Imagen del cerebro para su estudio en la localización
de patologías [19].
3.2 Reconocimiento de Rostros
El reconocimiento automático facial, sirve hoy en día
para identificar a los individuos mediante la explotación
de las características distintivas de la superficie del rostro
humano, las curvas de la cuenca de los ojos, la nariz y la
barbilla, donde el tejido y el hueso son más evidentes y
que no lo hacen cambiar con el tiempo [17]. Este
reconocimiento se hace con la ayuda de una
computadoras que identifica automáticamente a una
persona mediante una imagen digital mediante el análisis
de las características faciales de una persona extraídas de
la imagen o de un fotograma de video y mediante
técnicas como el procesado de imágenes, reconocimiento
de patrones, visión por computadoras y redes neuronales
puede ayudar a reconocer un rostro. En el trabajo
realizado por Tin Shan, Abbas Bigdeli, Brian Lovell y
Shaokang Chen [18] se habla de la problemática existente
en la adquisición de imágenes, tales como el ángulo de la
iluminación, la expresión facial y el pose de la cabeza. La
precisión de adquisición puede caer a 10% o incluso a
menos en condiciones de adquisición de imágenes no
controladas. Tales condiciones se encuentran a menudo
en la captura automática de la identidad para la vigilancia
de vídeo y para la identificación de rostros por medio de
una cámara del teléfono. De hecho, el teléfono móvil es
una ayuda ya que su cámara con alta resolución para el
reconocimiento avanzado de patrones en rostros. Muchos
teléfonos modernos pueden reconocer de forma fiable
aún en ambientes ruidosos. El rendimiento de los
sistemas de reconocimiento facial se reduce
significativamente cuando grandes variaciones pose están
presentes. Se han propuesto muchos enfoques para
compensar el cambio pose. Wiskott, Fellous, Kuiger, y
von der Malsburg extienden el DLA (arquitectura de
enlace dinámico) reconocedor de caras basado para hacer
frente a grandes variaciones de pose. La imagen de la
cara está representada por un gráfico de marcado llamado
el gráfico racimo de rostros (FBG, face bunch graph) que
consiste en N nodos conectados a E bordes. Los nodos
están localizados como puntos de referencia faciales xn,
n=1,…,N, que son llamados puntos faciales.
En la Biomedicina se ha logrado avances como lo
mencionado por [19], en clasificación de imágenes en la
medicina. Es una de las metodologías más utilizadas en el
campo de la biomedicina para detección de anomalías en
la anatomía del cuerpo humano. La clasificación de la
imagen cerebral pertenece a una amplia categoría de
reconocimiento de patrones en las que diferentes
imágenes anormales se agrupan en incomparables
categorías basadas en la naturaleza de estas patologías
que dañan al cerebro.
Fuente: Elaboración propia
Hoy en día, estas técnicas son automatizadas. La
aplicación de técnicas de inteligencia Artificial (AI) para
el reconocimiento de patrones es explorado en el
contexto de Resonancia Magnética (RM) anormal para la
clasificación de imágenes del cerebro con patologías
extrañas. La teoría ilustra la categoría detrás de las
técnicas de IA y su efectividad para su aplicación
práctica en la clasificación de imágenes médicas. Aparte
de las técnicas de IA como las redes neuronales, la teoría
fuzzy y algoritmos genéticos también se tratan en esta
investigación. En la robótica y con la ayuda del
reconocimiento de imágenes donde se aborda el
problema del reconocimiento de señales generadas por
una persona para guiar a un robot. En el trabajo realizado
por [20], donde el método propuesto se basa en el análisis
de color de vídeo de una persona que se mueve por señas.
El análisis consiste en la segmentación de medio cuerpo,
el brazo y la ubicación del antebrazo con ayuda del
reconocimiento de las posiciones del brazo y el
antebrazo. El método propuesto fue probado
experimentalmente en vídeos con diferentes colores de
destino y las condiciones de iluminación. Las
evaluaciones cuantitativas indican 97.76% de la
detección correcta de los signos en 1.807 frames de
video.
3.3 Reconocimiento de patrones en la alimentación.
En otro caso como la alimentación se dice en [21] que la
caracterización y clasificación de las tortillas de maíz
resulta ser un proceso extremadamente delicado y difícil
cuando
se
trata
de
regulaciones
para
importación/exportación y certificación de procesos de
producción. En este trabajo se presenta un método para la
extracción de características no invasivas, basado en
imagen digital y una serie de procedimientos para
caracterizar diferentes cualidades de las tortillas de maíz
para su posterior clasificación. La novedad en todo este
método radica en el extremadamente y reducido conjunto
de características necesarias para la caracterización;
tomando en cuenta sólo las características geométricas y
de color. No obstante, en este conjunto de características
puede evaluar diversos elementos de calidad como la
homogeneidad del proceso de horneado y otros por igual.
Los resultados experimentales en un tamaño muestra de
600 tortillas muestran el método presentado en torno al
95% de efectividad en la calidad de las mismas.
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
118
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
3.4 Reconocimiento de patrones en la seguridad
informática.
En lo que se refiere a la seguridad informática se
menciona en el trabajo [22], donde se captura el tráfico
de red y se ve que cada vez es mayor los incidentes por
ataques, debido al uso creciente de dispositivos
inteligentes e Internet. Importe de los estudios de
detección de intrusos se centró en la selección o
reducción característica porque algunas de las
características son irrelevantes y redundantes, que resulta
largo
proceso
de
detección
y
degrada el rendimiento de un sistema de detección de
intrusiones (IDS). El propósito de este estudio es
identificar importantes características de los tipos de
intrusiones seleccionados en la construcción del IDS que
es computacionalmente eficiente y efectiva. Para ello se
evalúa el funcionamiento de los métodos de selección de
características estándar; CFS (basada en la selección de
correlación característica), IG (Ganancia de Información)
y GR (Radio de ganancia). En este artículo, se propone
un nuevo método de selección de características
utilizando la función de la media del total en cada clase.
Se aplica un algoritmo clasificador basado en árboles,
para evaluar el método de reducción de características. Se
compara sus resultados del método propuesto con otros
métodos mencionados en otros trabajos.
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
repositorio UCI Machine Learning [25]. Los datos de la
UCSD establecen correspondiente a una versión reducida
de una base de datos utilizada en el Concurso de Data
Mining en el 2007 organizado por la Universidad de
California en San Diego y por la Fair Isaac Corporation.
El conjunto de datos de Irán [26], trata de una
modificación de una base de datos de clientes
corporativos de un pequeño banco privado en Irán.
Cada juego original, excepto la base de datos de Irán
debido a su extremadamente alta relación de
desequilibrio (iRatio = 19), ha sido alterada por azar
bajo-muestreo de la clase minoritaria de morosos, lo que
produce seis conjuntos de datos con diferentes
desequilibrio ratios, iRatio = {4, 6, 8, 10, 12, 14}. Por lo
tanto, hemos obtenido un total de 25 conjuntos de datos.
La Tabla 1 resume las principales características de los
conjuntos de datos, incluidas la relación de desequilibrio,
es decir, el número de ejemplos no predeterminados
dividido por el número de los casos predeterminados.
Tabla 1. Algunas características de los conjuntos de datos
utilizados en los experimentos. Tener en cuenta que estaban
representadas todas las variables de entrada como valores
numéricos
3.5 Reconocimiento de patrones en la predicción de
riesgos en los costos de crédito.
En el trabajo realizado por R. Alejo, A.I. Marqués, J.S.
Sánchez y J.A. Antonio-Velázquez [24], donde se
menciona que las aplicaciones prácticas de la evaluación
del riesgo de crédito donde a menudo el tomar
decisiones incorrectas en el ámbito financiero debido a la
falta de datos suficientes por defecto. La difícil cuestión
de la distribución de clases muy desigual entre clientes
morosos y clientes no morosos se toma e a través de una
solución algorítmica basada en el aprendizaje del costo
razonable. El estudio se llevó a cabo en la red neuronal
perceptrón multicapa, quién pertenece a la solución de
aprendizaje supervisado, popular a través de tres
funciones de costos de clasificación errónea, que se
incorporan en el proceso de formación. Los resultados
experimentales sobre los conjuntos de datos de crédito de
la vida real muestran que las funciones de costos
propuestos para formar una red de este tipo neural son
muy eficaces para mejorar la predicción de los ejemplos
que pertenecen a la (minoritaria) clase moroso.
Fuente: Elaboración propia
3.5.1 Protocolo Experimental
Fue adoptado un método de validación cruzada de 5
veces para estimar el rendimiento:
Se han tomado los conjuntos de datos para probar el
rendimiento de las estrategias investigadas en el trabajo.
Los conjuntos de datos australianos, alemanes y
japoneses utilizados son de la base de datos del
Cada conjunto de datos se ha dividido en cinco bloques
estratificados o pliegues de tamaño N / 5 (donde n denota
el número total de ejemplos en el conjunto de datos).
Posteriormente, cinco iteraciones de la formación y la
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
119
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
prueba se realiza de tal manera que en cada iteración un
pliegue diferente de los datos se lleva a cabo de salida
para la prueba mientras que los cuatro pliegues restantes
se utilizan para la formación el clasificador. En
consecuencia, los resultados corresponden a la media de
los cinco atributos calculados.
Los cuatro modelos MLP diferentes se han aplicado a los
conjuntos de entrenamiento desequilibradas.
Para cada MLP que consiste en una capa oculta con
cuatro neuronas, la tasa de aprendizaje y el impulso se
han fijado en 0,1 y 0,01, respectivamente, mientras que la
interrupción criterio ha sido fijada a cualquiera de 25.000
épocas o MSE = 0,001.
La mayoría de las aplicaciones de puntuación de crédito a
menudo emplean la precisión de clasificación (ACC) y/o
las tasas de error para estimar el rendimiento de los
sistemas de aprendizaje. Sin embargo, evidencias
empíricas y evidencias teóricas muestran que estas
medidas son parciales con respecto a los datos de
desequilibrio y las proporciones de las clasificaciones
correctas e incorrectas.
Para hacer frente a los problemas del desequilibrio de
clases, el receptor de funcionamiento característico
(ROC), se sugiere como una herramienta adecuada para
la visualización y la selección de los clasificadores
basados en hacer predicciones de riesgo de crédito
precisas el equilibrio entre los beneficios (verdaderos
positivos) y costos (falsos positivos). Una representación
cuantitativa de una curva de ROC es el área debajo de
ella (AUC). Por sólo una carrera de un clasificador, el
AUC puede calcularse como AUC= (sensibilidad
especificidad +) / 2, donde la sensibilidad es el porcentaje
de malos ejemplos que se han predicho correctamente,
mientras que la especificidad corresponde al porcentaje
de buenos casos que se predijeron son buenos.
4. CONCLUSIONES
En los trabajos anteriormente citados nos ayudan a
comprender como el reconocimiento de patrones es una
ciencia computacional que ayuda a solucionar
problemáticas mediante el estudio de las clases
representadas en diversas formas pero categorizadas en
su estudio en 2 tipos de aprendizaje que son el
aprendizaje supervisado y no supervisado que ayudan a
los investigadores hoy en día a utilizar cada vez más
técnicas de reconocimiento de patrones en especial en lo
relacionado con el aprendizaje no supervisado en el cual
un experto humano no está al pendiente de los resultados
obtenidos.
Se espera que en un futuro no muy lejano se tengan
noticias sobre nuevas expectativas en lo relacionado al
reconocimiento de patrones.
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
5. REFERENCIAS
[1]
L. A. Gonzalez-Naranjo, G. M. Vasquez y L. A.
Ramírez Gómez, «End-Stage Renal Disease in Systemic
Lupus Erythematosus,» Revista Colombiana de
Reumatología, vol. 16, nº 2, pp. 75-81, 2009.
[2]
J. A. Franco Galván, «RECONOCIMIENTO DE
VOZ PARA NIÑOS CON DISCAPACIDAD EN EL
HABLA,» Universidad de las Americas de Puebla,
Puebla, Puebla, 2004.
[3]
Umoh, U.A, A. A. Umoh, G. G. James, U. U.
Oton, J. J. Udoudo y E. B., «Design of Pattern
Recognition System for the Diagnosis of Gonorrhea
Disease,» International Journal of Scientific &
Technologic Research, vol. 1, pp. 5-8, 2012.
[4]
J. Pérez León, J. H. Sossa Azuela y L. A. Villa
Vargas, Tele-manipulación de objetos mediante un robot
Khepera II, Vols. 1 de 2c-30, México D.F.: CIC IPN,
2009, pp. 30-35.
[5]
R. M. Valdovinos Rosas, Técnicas de
Submuestreo, Toma de Decisiones y Análisis de
Diversidad en Aprendizaje Supervisado con Sistemas
Múltiples de Clasificación., Castelló de la Plana, España:
Universitat Jaume I, 2006.
[6]
J. A. Carrasco Ochoa y J. F. Martínez Trinidad,
«Theory of Pattern Recognition,» Komputer Sapiens, vol.
II, nº III, pp. 5-9, 2011.
[7]
D. Pascual, F. Pla y S. Sánchez, «Algoritmos de
agrupamiento,» Universida Jaume I, pp. 163-175, 2007.
[8]
X. Olvera-Rocha y M. Ortiz-Posadas,
«Diagnóstico Diferencial de Glaucoma Mediante el
Enfoque Lógico-Combinatorio de Reconocimiento de
Patrones,» Serie Verde, pp. 674-677, 2011.
[9]
C. Soto y C. Jiménez, «APRENDIZAJE
SUPERVISADO PARA LA DISCRIMINACIÓN Y,»
scielo, vol. 1, pp. 26-33, 2011.
[10]
D. E. Pinto Avendaño, P. Rosso y H. Jiménez
Salazar, Tratamiento de Textos Cortos: Agrupamiento y
Evaluaci´on, Valencia, España: Universidad Politécnica
de Valencia, 2007.
[11]
O. Chapelle, B. Schölkopf y A. Zien, SemiSupervised Learning, Massachusetts: The MIT Press,
2006.
[12]
A. Pazos , N. Pedreira, J. R. Rabuñal y J.
Pereira, «Inteligencia Artificial y Computación
Avanzada,» Inteligencia Artificial y Computación
Avanzada, vol. 1, nº 13, pp. 9-34, 2007.
[13]
P. S.P Wang, Pattern Recognition, Machine
Intelligence and Biometrics, Beijing, China: Higher
Eduacation Press, Beijing, 2011.
[14]
B. Verma y M. Blumenstein, «Fusion of
Segmentation Strategies for Off-Line Cursive
Handwriting
Recognition,»
Pattern
Recognition
Technologies and Applications: Recent Advances, vol. 1,
nº 1, pp. 1-16, 2008.
[15]
S. Uchida, «Elastic Matching Techniques for
Handwritten
Character
Recognition,»
Pattern
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
120
Congreso Internacional de Investigación Tijuana.
Revista Aristas: Investigación Básica y Aplicada.
Recognition Technologies and Applications Recent
Advances, vol. 1, nº 1, pp. 17-38, 2008.
[16]
S. Makino y T. Wakahara, «Affine-Invariant
Recognition of Face Images Using GAT Correlation,» in
Proceedings of International Workshop on Advanced
Technology 2006, vol. 1, pp. 279-284, 2006.
[17]
M. Williams, «Technology Review,» Better
Face-Recognition Software, 30 Mayo 2007. [En línea].
Available:
http://www.technologyreview.com/news/407976/betterface-recognition-software/. [Último acceso: 23 09 2014].
[18]
T. Shan, A. Bigdel y S. Chen, «Robust Face
Recognition Technique for a Real-Time Embedded Face
Recognition System,» Pattern Recognition Technologies
and Applications: Recent Advances, vol. 1, nº 1, pp. 188211, 2008.
[19]
D. J. Hemanth y J. Anitha, «Tecniques for
Pattern Recognition in Biomedical Image Processing
Applications
(IRMA),»
Information
Resources
Management Association, vol. 2, nº 1, pp. 711-716, 2013.
[20]
L. Saldivar-Piñon, M. I. Chacon-Murguia, R.
Sandoval-Rodriguez y J. Vega-Pineda, «Human Sign
Recognition for Robot Manipulation,» Pattern
Recognition, Lecture Notes in Computer Science 4th
Mexican Conference, MCPR 2012, vol. 7329, pp. 107116, 2012.
[21]
M. A. Moreno-Armendariz, S. Godoy-Calderón,
H. Calvo y O. M. Rojas-Padilla, «Assessing the Quality
Level of Corn Tortillas with Inductive Characterization
and Digital Image Analysis,» Pattern Recognition,
Lecture Notes in Computer Science 4th Mexican
Conference, MCPR 2013, vol. 7914, pp. 40-53, 2013.
[22]
C. Hee-su, J. Byung-oh, C. Sang-Hyun y P.
Twae-kyung, «Feature Selection for Intrusion Detection
using NSL-KDD,» Recent Advances in Computer
Science, pp. 184-187, 2013.
[23] J. A. C. Ochoa, «Reconocimiento de Patrones,»
2004.
[En
línea].
Available:
http://ccc.inaoep.mx/~ariel/recpat.pdf. [Último acceso:
26 Agosto 2014].
[24] R. Alejo, V. García, A. I. Marqués, S. J. S. y A.-V.
J.A, «Making Accurate Credit Risk Predictions with
Cost-Sensitive MLP Neural Networks,» Management
ISSN 2007-9478, Vol. 4, Núm. 7. Año 2015.
Intelligent Systems, Advances in Intelligent Systems and
Computing, vol. 220, pp. 1-8, 2013.
[25] Frank, A., Asunción, A.: UCI Machine learning
repository (2010), http://archive.ics.uci.edu/ml.
[26] Sabzevari, H., Soleymani, M., Noorbakhsh, E.: A
comparison between statical and datamining methods for
credit scoring in case of limited avalable data. In: Proc.
the 3rd CRC Credit Scoring Conference (2007).
______________________________________________
Juan Alberto Antonio Velázquez: Ingeniero en sistemas
Computacionales con estudios de Maestría en Tecnologías de Cómputo
en el Centro de Investigación y Desarrollo Tecnológico en Cómputo del
Instituto Politécnico Nacional. Actualmente se desarrolla en el área de
investigación en el Tecnológico de Estudios Superiores de Jocotitlán en
la línea de investigación de Aplicaciones de minería de datos y
reconocimiento de patrones para el apoyo en la toma de decisiones y
aplicaciones de redes y sistemas distribuidos además de colaborar en el
Centro Universitario de Ixtlahuaca.
Roberto Alejo Eleuterio: Ingeniero en sistemas computacionales, con
estudios de maestría en ciencias de la ingeniería en el Instituto
Tecnológico de Toluca, además de doctorarse en la universidad Jaume I
en Castello de la Plana España: Actualmente desarrolla trabajos de
investigación en minería de datos y reconocimiento de patrones en el
Tecnológico de Estudios Superiores de Jocotitlán en la línea de
investigación de Aplicaciones de minería de datos y reconocimiento de
patrones para el apoyo en la toma de decisiones y aplicaciones de redes
y sistemas distribuidos además de colaborar en el Centro Universitario
de Ixtlahuaca como profesor de posgrado en el programa de maestría en
TIC’s. Candidato a SNI Conacyt.
Erika López González: Ingeniera en Computación con estudios de
Maestría en Tecnologías de Cómputo en el Centro de Investigación y
Desarrollo Tecnológico en Cómputo del Instituto Politécnico Nacional.
Actualmente se desarrolla en el área de investigación en el Tecnológico
de Estudios Superiores de Jocotitlán en la línea de investigación de
Aplicaciones de minería de datos y reconocimiento de patrones para el
apoyo en la toma de decisiones y aplicaciones de redes y sistemas
distribuidos.
Leopoldo Gil Antonio: Licenciado en electrónica con estudios de
Maestría en Tecnologías de Cómputo en el Centro de Investigación y
Desarrollo Tecnológico en Cómputo del Instituto Politécnico Nacional.
Actualmente se desarrolla en el área de investigación en el Tecnológico
de Estudios Superiores de Jocotitlán en la línea de investigación de
Aplicaciones de minería de datos y reconocimiento de patrones para el
apoyo en la toma de decisiones y aplicaciones de redes y sistemas
distribuidos.
Rosa María Valdovinos Rosas: Doctora en la universidad Jaume I en
Castello de la Plana España. Profesor-Investigador de Tiempo
Completo en la Facultad de Ingeniería de la UAEM en la División de
Computación
18 al 20 de febrero 2015. Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright 2015. Tijuana, Baja California, México.
121