1. Introducción. 1.1 Motivación
|
|
- Juan Francisco Soto Fidalgo
- hace 7 años
- Vistas:
Transcripción
1 1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer características comunes dentro de un conjunto de datos. Este hecho motiva que sean múltiples las aplicaciones que se apoyan en estas técnicas para lograr los objetivos planteados, como por ejemplo puede ser el caso de la reconstrucción de imágenes ruidosas y su posterior reconocimiento o clasificación. Figura 1.1 La reconstrucción y clasificación de imágenes representa una aplicación típica de la Factorización No Negativa de Matrices y el Análisis de Componentes Independientes. El ejemplo de la figura se corresponde con un problema de reconocimiento facial en el que dada una imagen ruidosa observada, se reconstruye para mejorar su calidad y posteriormente se le asigna una categoría entre todas las disponibles. Especialmente relevante es el conocido como aprendizaje basado en partes (del inglés parts-based learning) que toma especial importancia dentro de la Factorización No Negativa de Matrices. Cuando se dispone de una colección de datos, generalmente se suele repetir una estructura común consistente en una serie de partes o factores, cada uno de los cuales puede tomar una serie de valores posibles. Un modelo de los datos basado en sus partes proporcionará una representación eficiente que permitirá en cierta medida comprender la estructura de los mismos [Ross]. Si los datos se representan a partir de vectores, estas partes se ponen de manifiesto a partir de las conocidas como bases, a partir de las cuales se podrán ir reconstruyendo los
2 vectores originales mediante los coeficientes asociados a dichas proyecciones. Teniendo en cuenta el ejemplo de la figura 1.1 donde aparecen imágenes digitales, estas partes pueden hacer referencia a los rasgos más destacados de los rostros, tales como ojos, nariz, boca, etc. Algunos autores como [Biederman], consideran que el reconocimiento de imágenes de objetos a partir de sus partes presenta una serie de ventajas: 1. Resulta muy complicado obtener un modelo completo de aquellos objetos a reconocer que sean puedan presentar diferentes configuraciones, como el cuerpo humano (o en el ejemplo anterior posibles variaciones en el rostro a clasificar). 2. Si hay que reconocer objetos que estuvieran parcialmente ocultos, su clasificación se podría realizar a partir de las partes visibles. 3. La apariencia de ciertas partes variarán en menor medida ante una modificación de la posición o del punto de vista del objeto completo que su propia visión total. 4. Es posible clasificar nuevas variedades de un cierto objeto tan sólo a partir de combinaciones de sus partes. Siguiendo el ejemplo de la figura 1.1 en el que se trata el reconocimiento facial, sería posible implementar un clasificador que permitiera detectar los rostros que contengan gafas de sol y barba habiendo sido entrenado tan sólo con caras que tuvieran una de las dos características. La principal dificultad de estas técnicas radica en discernir qué partes han de ser tenidas en cuenta, y la identificación de dichas partes en los datos de entrenamiento El reconocimiento facial y la Factorización No Negativa de Matrices Fundamentos del reconocimiento facial en el ser humano El rostro representa una de las principales características que define a una persona. En principio, aunque las caras se enmarcan dentro de una categoría visual bastante homogénea, cualquier persona es capaz de reconocer diferencias entre las partes que las componen y su distribución espacial. Los seres humanos somos capaces de reconocer rostros que nos resulten familiares con una efectividad cercana al 90%, incluso después de cincuenta años [Wallraven]. Sin embargo, este porcentaje se reduce drásticamente cuando la imagen representativa del rostro está invertida, como podremos comprobar por nosotros mismos en la figura 1.2, en la que las dos imágenes parecen tener la misma expresión. Sin embargo, si observamos la imagen sin invertir, podremos notar como la diferencia entre los rostros es bastante acusada.
3 Figura 1.2 Ilusión de Tatcher. A primera vista, no es posible observar la enorme diferencia que existe entre los gestos ya que las imágenes están invertidas. Ello se puede deber según algunos autores a que para rotaciones de un rostro previamente adquirido, el reconocimiento se realiza por partes. Como apuntan algunos autores como [Rock], es posible que cuando el ser humano observa una imagen invertida, realice un procesamiento por partes del conjunto y de ahí que la imagen de la derecha de la figura 1.2 no nos resulte tan extraña como al mirarla en su posición original. La distinción entre partes o componentes de información e componentes de configuración ha sido objeto de estudio por parte de muchos autores. Por un lado, las componentes de información hacen referencia a las partes del rostro, tales como los ojos, la nariz, la boca, etc, que se pueden diferenciar claramente como elementos distintos dentro del conjunto. Por otro lado, las componentes de configuración se refieren a las relaciones espaciales existentes entre las componentes y se emplea para diferenciar las partes del rostro (por ejemplo la distancia entre ojos o entre la nariz y la boca). Además resulta intuitivo comprobar como una alteración en las componentes de información, puede provocar variaciones en las de configuración, como por ejemplo al realizar un cambio de ojos o de nariz en una cara. Figura 1.3 Componentes de información y de configuración. En la figura (A) se representan diferentes componentes de información (diferentes ojos, bocas, etc). En cambio en la figura (B), se ponen de manifiesto las variaciones existentes en las componentes de configuración (separaciones diferentes entre ojos, nariz y boca, etc).
4 La Factorización No Negativa de Matrices y el aprendizaje por partes Como se ha venido observando hasta ahora el ser humano fundamenta su aprendizaje en las partes que constituyen el conjunto. Pues bien, la Factorización No Negativa de Matrices, de forma análoga al hombre se construye a partir de los elementos constitutivos del conjunto de datos que se desea analizar. Aplicando este hecho al caso del reconocimiento facial, podemos pensar en una aplicación consistente en la reconstrucción de rostros a partir de una serie de caras que conforman una base de datos. El planteamiento del problema se presenta en la siguiente figura. Figura 1.4 Planteamiento del problema de la reconstrucción de rostros a partir de una base de datos de caras. Dado un rostro (a la izquierda), se pretende sintetizar otro lo más parecido posible al original a partir del conjunto de caras que conforman la base de datos. En primera aproximación se podría pensar en realizar una suma ponderada de cada uno de los rostros que conforman la base hasta llegar a un resultado parecido al que hay que sintetizar. Sin embargo este procedimiento no arrojaría unos resultados del todo satisfactorios. Quizás la mejor forma de llevarlo a cabo consistiría en hacer uso del aprendizaje por partes, en el que se fundamenta la Factorización No Negativa de Matrices. Tras la aplicación del algoritmo descrito en el capítulo 4, se obtienen unas bases, a partir de las cuales se podrá realizar una reconstrucción bastante aceptable del rostro original. Figura 1.5 Bases obtenidas tras la aplicación del algoritmo NMF.
5 Como se puede observar en la figura anterior, las bases obtenidas (a partir de las cuales realizaremos la reconstrucción) representan diferentes componentes de información y configuración características del conjunto de los rostros que conformaban la base de datos original, es decir, aparecen diferentes tipos de ojos, cejas, narices, bocas, etc. La síntesis final del rostro consiste sencillamente en proyectar la cara original sobre cada una de las bases y así determinar los coeficientes de ponderación asociados a cada una de ellas (que serán mayores cuanto más se asemeje la correspondiente base al rostro original). Figura 1.6 Síntesis final del rostro a partir de las bases obtenidas tras la aplicación del algoritmo basado en la Factorización No Negativa de Matrices. 1.2 Organización del proyecto En este proyecto se estudiarán dos técnicas de procesamiento de datos, el Análisis de Componentes Independientes y la Factorización No Negativa de Matrices. Dado el enorme abanico de posibilidades que proporcionan en la práctica, se han elegido tres de las más habituales aplicaciones para las que se emplean. Para el caso del Análisis de Componentes Independientes se ha pensado en ampliar el problema clásico de la Separación Ciega de Fuentes de señales de audio, dotándolo de características más acordes a un entorno real. Este método de separación presentará como principal novedad la explotación de una serie de características de estacionaridad de la señal de voz. Por otro lado, para el caso de la Factorización No Negativa de Matrices se ha implementado un sistema de reconstrucción de imágenes ruidosas y una aplicación consistente en la clasificación de documentos atendiendo a su temática. En el caso de la primera, dado que habrá que eliminar el ruido presente en las imágenes observadas, habrá que emplear las conocidas como técnicas de Reducción del Código Disperso ( Sparse Code Shrinkage ). Para la segunda aplicación emplearemos la propiedad que presenta la Factorización No Negativa de Matrices que permite extraer una serie
6 características comunes de los datos, que en este caso serán las categorías asociadas a cada uno de los documentos que constituyen la base de datos original. El proyecto se estructura en torno a ocho capítulos divididos en dos partes. La primera de ellas consta de cuatro capítulos y en ella se presentan los fundamentos teóricos que describen tanto el Análisis de Componentes Independientes como la Factorización No Negativa de Matrices. La segunda parte está formada por tres capítulos dedicas a cada una de las aplicaciones descritas anteriormente. Por último, se incluye un último capítulo dedicado a las conclusiones y posibles vías de investigación futuras. Primera parte: Fundamentos teóricos Capítulo 1. Introducción. Se estructuran los contenidos del proyecto y se presenta los fundamentos que rigen el reconocimiento de objetos por parte del ser humano. Capítulo 2. Fundamentos básicos del Análisis de Componentes Independientes. Tras introducir el problema de la separación ciega de fuentes se procede a analizar la importancia del Análisis de Componentes Principales (PCA) como preprocesado de las señales observadas. Se establece una definición del modelo ICA y se presentan las restricciones esenciales que han de cumplir los datos para su correcta separación. Capítulo 3. Obtención de las componentes independientes en ICA. Se introducen algunas técnicas de estimación de las componentes basadas en la maximización de la no gaussianidad y la entropía negativa. Como ejemplo se presenta un algoritmo de punto fijo bastante extendido: FastICA. Se concluye el capítulo introduciendo el algoritmo AMUSE para la estima de las señales independientes a partir de su covarianza. Capítulo 4. La Factorización No Negativa de Matrices. En primer lugar se define el modelo NMF y las matrices que lo conforman, para luego pasar a establecer una comparativa con otras técnicas como ICA, PCA o la Cuantización de Vectores (VQ). Por último se presenta un algoritmo matemático iterativo que permite estimar las matrices que conforman la factorización, para lo cual se definen una función de coste y unas reglas de actualización. Segunda Parte: Aplicaciones Capítulo 5. Separación Ciega de Fuentes basada en la estructura temporal de las señales de voz. En esta primera aplicación dedicada al Análisis de Componentes Independientes se trata de implementar un sistema más robusto que el descrito en los capítulos teóricos, que permita separar señales de voz cuando la mezcla de señales en vez de ser lineal es convolutiva. Para ello se intenta aprovechar una serie de propiedades de estacionaridad que presenta la señal de voz humana que permiten un tratamiento característico que permite resolver el problema. Capítulo 6. Reconstrucción de imágenes ruidosas mediante técnicas basadas en la Factorización No Negativa de Matrices. Aplicando el algoritmo de obtención de bases descrito en el Capítulo 4 y haciendo uso de la Reducción de Código Disperso, se pretende diseñar un sistema de reconstrucción de imágenes inmersas en ruido aditivo.
7 Capítulo 7. Clasificación de documentos basada en la Factorización No Negativa de Matrices. Dado un conjunto de documentos pertenecientes a diferentes temáticas, se pretende su clasificación en categorías a partir de las temáticas extraídas tras la obtención de las bases NMF. Capítulo 8. Conclusiones y líneas futuras de investigación.
8. Conclusiones y líneas futuras de investigación
8. Conclusiones y líneas futuras de investigación 8.1 Conclusiones El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan las técnicas de procesamiento
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 3 : RECONOCIMIENTO
Más detalles4. Diseño funcional de la aplicación.
4. Diseño funcional de la aplicación. En este apartado se va a realizar una descripción de cómo se ha abordado la resolución del problema de gestión de recursos, desde el punto de vista de la programación.
Más detallesCAPÍTULO 2 MARCO TEÓRICO
CAPÍTULO 2 MARCO TEÓRICO Reconocimiento de Patrones El reconocimiento de patrones es utiliza actualmente para la solución de tareas tales como el reconocimiento de caracteres, de huellas digitales y reconocimiento
Más detallesCAPÍTULO 2 INTRODUCCIÓN A ICA Y PCA
CAPÍTULO INTRODUCCIÓN A ICA Y PCA. Análisis de componentes principales.. Introducción El Análisis de Componentes Principales (PCA), también llamado transformada de Karhunen-Loève, es una técnica estadística
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
Más detallesSeparación Ciega de Fuentes aplicado en el Transporte de Señales
Separación Ciega de Fuentes aplicado en el Transporte de Señales Dr. Ingo R. Keck Congreso Internacional de Informática y Telecomunicaciones Pasto, Colombia. Octubre 24 al 26 de 2007 Contenido Transporte
Más detallesReconocimiento automático de rostros
Reconocimiento automático de rostros Ponente: Dr. Wilfrido Gómez Flores Investigador CINVESTAV wgomez@tamps.cinvestav.mx Ciudad Victoria,, 7 de junio de 2017 1 Introducción 2 Reconocimiento de rostros
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesproporcionan respuestas muy diferentes a este problema, obteniendo que la solución asociada a la norma l
6 Conclusiones Con la teoría de muestreo de Nyquist, a medida que el ancho de banda de la señal aumenta, también lo hace la frecuencia de muestreo, de forma que para ciertos tipos de señales la tarea de
Más detallesTécnicas de Análisis Estadístico Multivariado Basadas en Estadísticos de Orden Superior
Técnicas de Análisis Estadístico Multivariado Basadas en Estadísticos de Orden Superior Curso 29-21 Contenido 1 Introducción 2 Separación Ciega de Fuentes - Caso Determinado Análisis de Componentes Independientes
Más detallesIntroducción teórica del filtro de Kalman. a) el conocimiento del sistema y a dispositivos dinámicos de medida,
Apéndice B El Filtro de Kalman B.1. Introducción teórica del filtro de Kalman El Filtro de Kalman es una potente herramienta matemática que juega un importante papel cuando se incluyen medidas del mundo
Más detallesAnálisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesSeries Numéricas. Serie numérica: 2, 4, 6, 8, Relación : Son números pares consecutivos.
M1 Series Numéricas Primero hay que definir el concepto de serie. Según el diccionario de la real academia española, la palabra serie en términos matemáticos, quiere decir Expresión de la suma de los términos
Más detallesReconocimiento automático de rostros
Reconocimiento automático de rostros Ponente: Dr. Wilfrido Gómez Flores Investigador CINVESTAV wgomez@tamps.cinvestav.mx Ciudad Victoria,, 15 de junio de 2016 1 Introducción 2 Reconocimiento de rostros
Más detallesAnálisis de mezclas espectrales
Análisis de mezclas espectrales Apellidos, nombre Ruiz Fernández, Luis Ángel (laruiz@cgf.upv.es) Departamento Centro Ingeniería Cartográfica, Geodesia y Fotogrametría ETSI. Geodésica, Cartográfica y Topográfica
Más detallesTópicos Selectos en Aprendizaje Maquinal. Algoritmos para Reconocimiento de Patrones
Tópicos Selectos en Aprendizaje Maquinal Guía de Trabajos Prácticos N 1 Algoritmos para Reconocimiento de Patrones 18 de septiembre de 2014 1. Objetivos Introducir conceptos básicos de aprendizaje automático.
Más detallesInterfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial
UNIVERSIDAD DE ALCALÁ Escuela Politécnica Superior INGENIERÍA DE TELECOMUNICACIÓN Interfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial Proyecto Fin de Carrera
Más detallesContenido. MF0065_2 Maquillaje social (Online)
Contenido MF0065_2 Maquillaje social (Online) ACCIóN FORMATIVA MF0065_2 Maquillaje social (Online) La presente guía tiene como finalidad proporcionar al alumno/a una visión general sobre la acción formativa
Más detallesAnexo I CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN
Anexo I CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN 165 ENCUESTA DE COMPORTAMIENTOS Y TIPOLOGÍAS DE VISITANTES EN EUSKADI 166 ANEXO I. CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN
Más detallesCAPÍTULO 2. Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver
CAPÍTULO 2 PROCESAMIENTO DE IMÁGENES 2.1 Imágenes Digitales Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver como una matriz de miles o millones de píxeles cada
Más detallesVisión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Definición y clasificación Reconocimiento basado en la apariencia Bag of words Deep learning Parte
Más detallesTécnicas de inteligencia artificial. Visión Artificial Reconocimiento de objetos
Técnicas de inteligencia artificial Visión Artificial Reconocimiento de objetos Indice Introducción Reconocimiento mediante características PCA Introducción El reconocimiento de objetos consiste en, dado
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
Más detallesSugerencias didácticas
Sugerencias didácticas Para alcanzar los aprendizajes esperados, el docente debe promover un interés real en la matemática. No basta que el alumno sea capaz de realizar una suma de fracciones u obtener
Más detalles2x + y 120 x + 2y 110 x + y 70
OPTIMIZACIÓN DE MODELOS FUNCIONALES. LA PROGRAMACIÓN LINEAL Y LA CALCULADORA GRÁFICA. Abel Martín. Dpto. Matemáticas IES La Ería de Oviedo. INTRODUCCIÓN Se pretende en esta comunicación presentar el desarrollo
Más detallesTema 9. Análisis factorial discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. 9.1. Introducción. Tema 9. Análisis factorial discriminante Supongamos que están denidos I grupos,
Más detallesAprendizaje y Percepción
Aprendizaje y Percepción Facultad de Informática Universidad Politécnica de Valencia Tema 2: Preproceso y Extracción de Características: Imágenes Enrique Vidal, Alfons Juan, Roberto Paredes, Jorge Civera
Más detallesUnidad 3. Separacion de costos fijos y costos variables. Objetivos especificos de aprendizaje
Unidad 3 Separacion de costos fijos y costos variables Objetivos especificos de aprendizaje Alterminar de estudiar este capitulo, el estudiante sera capaz de: Explicar el concepto de costos fijos. Explicar
Más detallesIntroducción al Procesamiento de Imágenes Satelitales con Software Libre. Módulo 03
Introducción al Procesamiento de Imágenes Satelitales con Software Libre Módulo 03 Dirección de Formación de Capital Humano Especializado en el Campo Espacial Agencia Espacial Mexicana www.gob.mx/aem Plan
Más detalles11. FUENTES DE INFORMACIÓN
multidimensionales Unidad 3: Tratamiento del color Identificar las características del histograma y su uso para el tratamiento del color Obtener el histograma de diferentes imágenes para indicar las características
Más detallesEn el presente capítulo se describe el proceso, módulos, arquitectura y principales controles
Capítulo 3. Diseño del Sistema En el presente capítulo se describe el proceso, módulos, arquitectura y principales controles utilizados, para el desarrollo de un prototipo con la finalidad de comprobar
Más detallesRelación 7 - Redes neuronales
Sistemas Inteligentes 0-0 Relación - Redes neuronales Problemas Ejercicio. Explicar cómo se usaría una red neuronal para obtener un reconocedor de letras escritas a mano. Describir con precisión qué estructura
Más detallesDICTADOS ARMÓNICOS A2 VOCES
Libro del Profesor DICTADOS ARMÓNICOS A2 VOCES Felix Sierra Ediciones Si bemol Observaciones Con los dos cuadernos de Dictados Armónicos a tres voces, de los que éste es el segundo, se plantean una serie
Más detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesInteligencia Artificial II (Curso ) Ejercicios propuestos del tema 5
Inteligencia Artificial II (Curso 0-0) Ejercicios propuestos del tema Ejercicio : Diseñar un perceptrón simple con n valores de entrada y función umbral de activación que sirva para calcular la función
Más detallesPráctica 3: Operadores puntuales
Práctica 3: Operadores puntuales Apellidos, nombre Apellidos, nombre Grupo Puesto Fecha El objetivo de esta práctica es presentar al alumno las técnicas para realizar operadores puntuales sobre imágenes
Más detallesAnálisis Estadístico de Datos Climáticos. Análisis de espectro singular. Facultad de Ciencias Facultad de Ingeniería 2013
Análisis Estadístico de Datos Climáticos Análisis de espectro singular Facultad de Ciencias Facultad de Ingeniería 2013 Análisis de Espectro Singular Motivación El análisis de espectro singular (SSA en
Más detallesCinemática del robot
Cinemática del robot Cinemática del robot La cinemática del robot estudia el movimiento del mismo con respecto a un sistema de referencia. La cinemática se interesa por la descripción analítica del movimiento
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesEstadística con R. Clasificadores
Estadística con R Clasificadores Análisis discriminante lineal (estadístico) Árbol de decisión (aprendizaje automático) Máquina soporte vector (aprendizaje automático) Análisis discriminante lineal (AD)
Más detallesSOFTWARE PARA EL RECONOCIMIENTO DE PATRONES FACIALES Y DEL IRIS PARA AYUDAR A LOS ESPECIALISTAS A DIAGNOSTICAR SIGNOS DE VIOLENCIA (SOREPAFI)
SOFTWARE PARA EL RECONOCIMIENTO DE PATRONES FACIALES Y DEL IRIS PARA AYUDAR A LOS ESPECIALISTAS A DIAGNOSTICAR SIGNOS DE VIOLENCIA (SOREPAFI) Monserrat Gabriela Pérez Vera Escuela Superior de Cómputo mperezve@ipn.mx
Más detallesMATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO)
MATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO) 1.1.1 Contenidos y temporalización. Matemáticas Aplicadas a las Ciencias Sociales II 1.1.1.1 Bloque 1. Álgebra (Total : 40 sesiones) Matrices y determinantes
Más detalles12 IMPLEMENTACIÓN DEL MÓDULO "ACCIONES"
12 IMPLEMENTACIÓN DEL MÓDULO "ACCIONES" 12.1 OBJETIVO En este módulo de la aplicación, lo que se pretende es conseguir la máxima solicitación que un soporte (pilar) de la estructura ejerce sobre la base
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
Más detallesProcesamiento de voz - Reconocimiento de voz II
Procesamiento de voz - Reconocimiento de voz II Marc S. Reßl Roxana Saint-Nom 2009 Ingeniería Electrónica Instituto Tecnológico de Buenos Aires Reconocimiento de voz Las técnicas que vimos hasta ahora
Más detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detallesÁlgebra Lineal. Tema 13. Mínimos cuadrados. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 3. Mínimos cuadrados Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Índice
Más detallesDirección de Operaciones
Dirección de Operaciones 1 Sesión No.7 Nombre: 7. Análisis de sensibilidad. Segunda parte. Objetivo Al finalizar la sesión, el alumno será capaz de identificar las aplicaciones o variaciones que se pueden
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesIN 540 Métodos Estadísticos para Economía y Gestión. Cap. VII. Análisis Factorial
IN 540 Métodos Estadísticos para Economía y Gestión Cap. VII Análisis Factorial 7.1 Introducción El Análisis Factorial es una técnica multivariada que nos permite reducir el tamaño'' de un problema sin
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesDeterminantes. = a 11a 22 a 12 a 21 = ( 3) ( 5) ( 4) 7 = 15 ( 28) = = 43
Determinante de una matriz cuadrada Toda matriz cuadrada A lleva asociado un número, llamado determinante de A, y que denotaremos mediante el símbolo. Este número, entre otras cosas, permite saber cuándo
Más detallesLa importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de
La importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de imágenes Humberto Madrid, Irma García, Federico Garza Centro de Investigación en Matemáticas
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesComparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 2011)
Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 11) 1 Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre
Más detallesExperimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
Más detallesINTRODUCCIÓN. Capítulo OBJETIVO
Capítulo 1 INTRODUCCIÓN La cuantización es un proceso que ha tomado gran importancia en las comunicaciones en general desde el momento en que las comunicaciones analógicas comenzaron a ser desplazadas
Más detallesFÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico.
FÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico. OBJETIVOS 1. Reconocer las etapas del trabajo científico y elaborar informes
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesCAPÍTULO 5. UTILIZACIÓN DEL GRADIENTE DEL CAMPO DE REFLECTIVIDAD PARA LA MEJORA DE LA PREVISIÓN A MUY CORTO PLAZO
CAPÍTULO 5. UTILIZACIÓN DEL GRADIENTE DEL CAMPO DE REFLECTIVIDAD PARA LA MEJORA DE LA PREVISIÓN A MUY CORTO PLAZO En este capítulo se plantea una nueva posibilidad: la utilización del gradiente del campo
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesNombre de la Asignatura METODOS NUMERICOS PARA INGENIEROS INFORMACIÓN GENERAL Escuela. Departamento Unidad de Estudios Básicos
Código 0083813 Horas Semanales 04 Horas Teóricas 04 UNIVERSIDAD DE ORIENTE INFORMACIÓN GENERAL Escuela Departamento Unidad de Estudios Básicos Ciencias Pre-requisitos Introducción a la Programación y Matemáticas
Más detallesDEPARTAMENTO DE MATEMÁTICAS PLAN DE TRABAJO PARA LA CONVOCATORIA DE SEPTIEMBRE º BACHILLERATO DE CIENCIAS SOCIALES.
DEPARTAMENTO DE MATEMÁTICAS PLAN DE TRABAJO PARA LA CONVOCATORIA DE SEPTIEMBRE 2017 UNIDAD 1.-Matrices. Conceptos: 2º BACHILLERATO DE CIENCIAS SOCIALES. Tipos de matrices. Tipos de matrices cuadradas.
Más detallesEstado del Arte. Capítulo Marco teórico. Módelo de Placas / Láminas Estrategias de Modelado Modelo Shell
Capítulo 2 Estado del Arte 2.1. Marco teórico. Módelo de Placas / Láminas Las placas son elementos estructurales planos, cuyo espesor es mucho menor que las otras dos dimensiones. Es habitual dividir el
Más detallesAsignaturas Temas Asignaturas Temas
1 Datos de la Asignatura Nombre de la asignatura: Carrera: Clave de la asignatura: Reconocimiento de Patrones Ingeniería en Sistemas CIE-0701 Horas teoría / práctica / Créditos: 2 2 6 2 Historia del Programa
Más detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detallesLección 8. Matrices y Sistemas de Ecuaciones Lineales
Lección 8 Matrices y Sistemas de Ecuaciones Lineales MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY Septiembre 2014 1 Centro de Investigación en Matemáticas, Unidad Mérida En
Más detallesTema 7. Otras medidas descriptivas usuales Ejercicios resueltos 1
Tema 7. Otras medidas descriptivas usuales Ejercicios resueltos 1 Ejercicio resuelto 7.1 Los siguientes datos se corresponden con los retrasos (en minutos) de una muestra de 30 vuelos de cierta compañía
Más detallesUniversidad Nacional de Ingeniería. UNI RUACS. Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón.
Universidad Nacional de Ingeniería. UNI RUACS Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón. Tema: Teoría de la Dualidad. 28/ Septiembre/2011 Teoría
Más detallesCONCLUSIONES 5. CONCLUSIONES.
5. CONCLUSIONES. Entre los sistemas de referencia empleados para el cálculo de las fuerzas elásticas, para un elemento finito de dos nodos que utiliza la teoría de Euler- Bernoulli [11], basándose en las
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesDICTADOS ARMÓNICOS A2 VOCES
DICTADOS ARMÓNICOS A2 VOCES Felix Sierra Observaciones Con los dos cuadernos de Dictados Armónicos a tres voces, de los que éste es el primero, se plantean una serie de ejercicios de educación auditiva
Más detallesDepartamento de Matemáticas IES Valsequillo
Departamento de Matemáticas IES Valsequillo Programación de 3º ESO - MATEMÁTICAS ACADÉMICAS Criterios de Evaluación, Contenidos y Estándares de Aprendizaje Prueba extraordinaria Criterio de Evaluación
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesProcesamiento Cuántico de Datos
Procesamiento Cuántico de Datos Miguel Arizmendi, Gustavo Zabaleta 15 de diciembre de 2016 Sitio web: www3..mdp.edu.ar/fes/procq.html Miguel Arizmendi, Gustavo Zabaleta () Procesamiento Cuántico de Datos
Más detallesCRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial)
CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial) Los criterios de evaluación que se exponen son los correspondientes al Real Decreto 1631/2006 al que remite el Decreto 231/2007 de 31
Más detallesConjuntos de Clasificadores (Ensemble Learning)
Aprendizaje Automático Segundo Cuatrimestre de 2016 Conjuntos de Clasificadores (Ensemble Learning) Gracias a Ramiro Gálvez por la ayuda y los materiales para esta clase. Bibliografía: S. Fortmann-Roe,
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 16
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 16 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesInteligencia Computacional
Inteligencia Computacional Práctica de redes neuronales Reconocimiento óptico de caracteres MNIST Curso 2017-2018 Máster en Ingeniería Informática Departamento de Ciencias de la Computación e Inteligencia
Más detallesPROCEDIMIENTOS QUE PUEDEN EMPLEAR LOS NIÑOS/AS PARA RESOLVER PROBLEMAS MATEMÁTICOS
PROCEDIMIENTOS QUE PUEDEN EMPLEAR LOS NIÑOS/AS PARA RESOLVER PROBLEMAS MATEMÁTICOS AUTORÍA SARA NIETO CALAVIA TEMÁTICA MATEMÁTICAS ETAPA EDUCACIÓN INFANTIL Resumen Voy a tratar los procedimientos que el
Más detallesSistema Automático de Reconocimiento Fonético
PROYECTO FIN DE CARRERA para la obtención del título de Ingeniero Industrial Sistema Automático de Reconocimiento Fonético Alumno: Francisco José Cadaval Arrola Tutor: Dr. J. Ramiro Martínez de Dios Departamento
Más detallesSistema de ecuaciones lineales
1 El sistema de ecuaciones lineales Sistema de ecuaciones lineales puede ser escrito en forma matricial como, donde: es llamada matriz de los coeficientes (reales) del sistema es el vector de las incógnitas
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesCinemática del Robot
Cinemática del Robot La cinemática del robot estudia el movimiento del mismo con respecto a un sistema de referencia. En primer término, la cinemática se interesa por la descripción analítica del movimiento
Más detalles5. Funciones, parte I
Matemáticas I, 01-I Hay varios nociones claves en las matemáticas. Una de ella es la de función. A lo largo del año volveremos a ver este concepto bajo diferentes puntos de vista. Empezaremos con una idea
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesUNIVERSIDAD DE ORIENTE NUCLEO DE ANZOATEGUI PROGRAMA DE ASIGNATURA NOMBRE DE LA ASIGNATURA MATEMATICA I
ESCUELA Ciencias Administrativas CODIGO PREREQUISITO(S) 008-1613 Ninguno HORAS SEMANALES TOTAL HORAS SEMESTRE 05 90 HORAS TEORICAS HORAS PRACTICAS 02 03 UNIVERSIDAD DE ORIENTE NUCLEO DE ANZOATEGUI PROGRAMA
Más detallesINSTITUTO POLITECNICO NACIONAL UNIDAD PROFESIONAL INTERDISCIPLINARIA DE BIOTECNOLOGIA DEPARTAMENTO DE CIENCIAS BASICAS
MANUAL DE PRÁCTICAS DEL TALLER DE PROGRAMACIÒN PRACTICA NO.4 NOMBRE DE LA PRÁCTICA Operaciones con Escalares y Conceptos Básicos de Programación 4.1 OBJETIVO GENERAL El alumno conocerá el funcionamiento
Más detallesCONTENIDOS MÍNIMOS BLOQUE 6. ESTADÍSTICA Y PROBABILIDAD.
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 3º ESO Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las unidades
Más detallesActividad 1 Conocimiento de Conceptos y Principios
Actividad 1 Conocimiento de Conceptos y Principios Información: Elementos: se refiere a que un sistema de información consiste en 3 elementos: humano, tecnología y organización. En teoría de sistemas,
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2017 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA. Contenido
TEMARIOS EXAMEN DE ADMISIÓN 2017 1 Básico 1.- Reconocimiento izquierda derecha 2.- Figuras geométricas 3.- Cuerpos geométricos 4.- Establecer patrones 5.- Secuencias temporales 6.- ordinales 7.- Reconocimiento
Más detallesÍndice 1. Introducción Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales. Introducción.
Índice 1. Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales Procesamiento de imágenes digitales Transformaciones basadas en el histograma Ecualización del
Más detalles