Reconocimiento de patrones | Introducción

El patrón lo es todo en este mundo digital. Un patrón puede verse físicamente o puede observarse matemáticamente mediante la aplicación de algoritmos. 

Ejemplo: los colores de la ropa, el patrón del habla, etc. En informática, un patrón se representa mediante valores de características vectoriales. 

¿Qué es el reconocimiento de patrones? 

El reconocimiento de patrones es el proceso de reconocimiento de patrones mediante el uso de un algoritmo de aprendizaje automático. El reconocimiento de patrones se puede definir como la clasificación de datos basada en el conocimiento ya adquirido o en información estadística extraída de patrones y/o su representación. Uno de los aspectos importantes del reconocimiento de patrones es su potencial de aplicación. 

Ejemplos: reconocimiento de voz, identificación del hablante, reconocimiento de documentos multimedia (MDR), diagnóstico médico automático. 
En una aplicación típica de reconocimiento de patrones, los datos sin procesar se procesan y se convierten en una forma que es adecuada para que la use una máquina. El reconocimiento de patrones implica la clasificación y agrupación de patrones. 

• En la clasificación, se asigna una etiqueta de clase adecuada a un patrón en función de una abstracción que se genera utilizando un conjunto de patrones de entrenamiento o conocimiento del dominio. La clasificación se utiliza en el aprendizaje supervisado.
• El agrupamiento generó una partición de los datos que ayuda a la toma de decisiones, la actividad específica de toma de decisiones que nos interesa. La agrupación se utiliza en el aprendizaje no supervisado.

Las características se pueden representar como variables binarias continuas, discretas o discretas. Una característica es una función de una o más medidas, calculada de modo que cuantifique algunas características significativas del objeto. 

Ejemplo: considere nuestra cara, entonces los ojos, los oídos, la nariz, etc. son características de la cara. 
Un conjunto de características que se toman juntas forman el vector de características . 

Ejemplo: En el ejemplo anterior de una cara, si todas las características (ojos, orejas, nariz, etc.) se toman juntas, la secuencia es un vector de características ([ojos, orejas, nariz]). El vector de características es la secuencia de una característica representada como un vector de columna d-dimensional. En el caso del habla, MFCC (coeficiente cepstral de frecuencia Mel) es la característica espectral del habla. La secuencia de las primeras 13 características forma un vector de características. 

El reconocimiento de patrones posee las siguientes características: 

• El sistema de reconocimiento de patrones debe reconocer patrones familiares de forma rápida y precisa.
• Reconocer y clasificar objetos desconocidos.
• Reconoce con precisión formas y objetos desde diferentes ángulos.
• Identifique patrones y objetos incluso cuando están parcialmente ocultos
• Reconocer patrones rápidamente con facilidad y con automaticidad.

Entrenamiento y aprendizaje en el reconocimiento de patrones  
El aprendizaje es un fenómeno a través del cual un sistema se entrena y se vuelve adaptable para dar resultados de manera precisa. El aprendizaje es la fase más importante, ya que el rendimiento del sistema con los datos proporcionados al sistema depende de los algoritmos que se utilicen con los datos. Todo el conjunto de datos se divide en dos categorías, una que se usa para entrenar el modelo, es decir, Conjunto de entrenamiento, y la otra que se usa para probar el modelo después del entrenamiento, es decir, Conjunto de prueba. 

• Conjunto de entrenamiento: 
  El conjunto de entrenamiento se utiliza para construir un modelo. Consiste en el conjunto de imágenes que se utilizan para entrenar el sistema. Las reglas de entrenamiento y los algoritmos se utilizan para brindar información relevante sobre cómo asociar los datos de entrada con las decisiones de salida. El sistema se entrena aplicando estos algoritmos al conjunto de datos, toda la información relevante se extrae de los datos y se obtienen los resultados. Generalmente, el 80% de los datos del conjunto de datos se toman para datos de entrenamiento.
• Conjunto de prueba: 
  los datos de prueba se utilizan para probar el sistema. Es el conjunto de datos que se utiliza para verificar si el sistema está produciendo la salida correcta después de haber sido entrenado o no. Generalmente, el 20% de los datos del conjunto de datos se utiliza para la prueba. Los datos de prueba se utilizan para medir la precisión del sistema. Por ejemplo, un sistema que identifica a qué categoría pertenece una flor en particular es capaz de identificar siete categorías de flores correctamente de diez y el resto de otras incorrectamente, entonces la precisión es del 70 %.

Ejemplos y explicaciones en tiempo real: 
un patrón es un objeto físico o una noción abstracta. Al hablar de las clases de animales, la descripción de un animal sería un patrón. Mientras se habla de varios tipos de pelotas, la descripción de una pelota es un patrón. En el caso de las pelotas consideradas como patrón, las clases podrían ser fútbol, ​​pelota de cricket, pelota de tenis de mesa, etc. Dado un nuevo patrón, se determinará la clase del patrón. La elección de atributos y representación de patrones es un paso muy importante en la clasificación de patrones. Una buena representación es aquella que hace uso de atributos discriminatorios y también reduce la carga computacional en la clasificación de patrones. 

Una representación obvia de un patrón será un vector . Cada elemento del vector puede representar un atributo del patrón. El primer elemento del vector contendrá el valor del primer atributo del patrón que se está considerando. 

Ejemplo: al representar objetos esféricos, (25, 1) puede representarse como un objeto esférico con 25 unidades de peso y 1 unidad de diámetro. La etiqueta de clase puede formar parte del vector. Si los objetos esféricos pertenecen a la clase 1, el vector sería (25, 1, 1), donde el primer elemento representa el peso del objeto, el segundo elemento el diámetro del objeto y el tercer elemento representa la clase del objeto . 

ventajas:  

• El reconocimiento de patrones resuelve problemas de clasificación
• El reconocimiento de patrones resuelve el problema de la detección biométrica falsa.
• Es útil para el reconocimiento de patrones de ropa para personas ciegas con discapacidad visual.
• Ayuda en la diarización del hablante.
• Podemos reconocer objetos particulares desde diferentes ángulos.

Desventajas:  

• El enfoque de reconocimiento de patrones sintácticos es complejo de implementar y es un proceso muy lento.
• A veces, para obtener una mayor precisión, se requiere un conjunto de datos más grande.
• No puede explicar por qué se reconoce un objeto en particular. 
  Ejemplo: mi cara vs la cara de mi amigo.

Aplicaciones:  

• Procesamiento, segmentación y análisis 
  de imágenes El reconocimiento de patrones se utiliza para brindar inteligencia de reconocimiento humano a las máquinas que se requieren en el procesamiento de imágenes.
• Visión por computadora 
  El reconocimiento de patrones se usa para extraer características significativas de muestras de imágenes/video dadas y se usa en visión por computadora para diversas aplicaciones, como imágenes biológicas y biomédicas.
• Análisis sísmico 
  El enfoque de reconocimiento de patrones se utiliza para el descubrimiento, la obtención de imágenes y la interpretación de patrones temporales en registros de arrays sísmicas. El reconocimiento de patrones estadísticos se implementa y utiliza en diferentes tipos de modelos de análisis sísmico.
• Clasificación/análisis 
  de señales de radar Los métodos de reconocimiento de patrones y procesamiento de señales se utilizan en diversas aplicaciones de clasificaciones de señales de radar, como la detección e identificación de minas AP.
• Reconocimiento 
  de voz El mayor éxito en el reconocimiento de voz se ha obtenido utilizando paradigmas de reconocimiento de patrones. Se usa en varios algoritmos de reconocimiento de voz que intentan evitar los problemas de usar un nivel de descripción de fonemas y trata unidades más grandes, como palabras, como patrones.
• Identificación 
  de huellas dactilares La tecnología de reconocimiento de huellas dactilares es una tecnología dominante en el mercado biométrico. Se han utilizado varios métodos de reconocimiento para realizar la comparación de huellas dactilares, de los cuales se utilizan ampliamente enfoques de reconocimiento de patrones.