2.3 Reconocimiento de caracteres
2.3.2 Extracci´ on de caracter´ısticas
2.5.3.5 Aprendizaje del Perceptr´ on Multicapa
Sea{(X(n), S(n)), n= 1, ..., N}el conjunto de muestras o patrones que representan el prob- lema a resolver, donde X(n) = (x1(n), ..., xn1(n)) son los patrones de entrada a la red, S(n) = (s1(n), ..., snC(n)) son las salidas deseadas para dichas entradas y N es el n´umero de patrones del conjunto de entrenamiento seleccionado. Generalmente, es frecuente encontrar los patrones de entrada y salida normalizados o escalados mediante una transformaci´on lineal en los intervalos [0,1] o [-1,1] dependiendo de la funci´on de activaci´on empleada, sigmoidal o tangente hiperb´olica, respectivamente; sin embargo, la trans formaci´on de los patrones no es una condici´on necesaria para realizar el aprendizaje de la red, los datos pueden presentarse a la red sin sufrir dicha normalizaci´on [PIVn04]. Sol´o se debe tener en cuenta que, en el caso de que los patrones de salida se utilicen sin escalar, la funci´on de activaci´on de las neuronas de salida de la red debe ser la identidad, pues si se utilizan funciones de activaciones sigmoidales, las salidas de red siempre estar´an en los rangos de valores [0,1] o [-1,1] y por lo tanto nunca podr´an aproximarse a la salida deseada.
A continuaci´on se presenta los pasos del proceso de aprendizaje del Perceptr´on Multi- capaque son los siguientes:
1. Se inicializa los pesos y umbrales de la red. Generalmente, esta inicializaci´on es aleatoria y con valores alrededor del cero.
2. Se toma un patr´on n del conjunto de entrenamiento, (X(n), S(n)), y se propaga hacia la salida de la red el vector de entrada X(n) utilizando las Ecuaciones 2.5, 2.6 y 2.7, obteni´endose as´ı la respuesta de la red para dicho vector de entrada, Y(n).
3. Se eval´ua el error cuadr´atico cometido por la red por el patr´onnutilizando la Ecuaci´on
DE CIENCIAS
FISICAS
4. Se aplica la regla delta generalizada para modificar los pesos y umbrales de la red. Para ello se siguen los siguientes pasos:
(a) Se calculan los valores δ para todas las neuronas de la capa de salida utilizando la Ecuaci´on 2.17.
(b) Se calculan los valores δ para el resto de las neuronas de la red utilizando la Ecuaci´on 2.30 empezando desde la ´ultima capa oculta y retro-propagando dichos valores hacia la capa de entrada
(c) Se modifican pesos y umbrales de la red siguiendo las Ecuaciones 2.19 y 2.20 para los pesos y umbrales de la capa de salida y 2.29 y 2.31 para el resto de los par´ametros de la red.
5. Se repiten los pasos 2, 3 y 4 para todos los patrones de entrenamiento completando as´ı una iteraci´on o itemciclo de aprendizaje.
6. Se eval´ua el error total E Ecuaci´on 2.11 cometido por la red. Dicho error tambi´en recibe el nombre de error de entrenamiento, pues se calcula utilizando los patrones de entrenamiento.
7. Se repiten los pasos 2, 3, 4, 5 y 6 hasta alcanzar un m´ınimo del error de entrenamiento, para lo cual se realizan mciclos de aprendizaje.
DE CIENCIAS
FISICAS
CAPITULO 3
Materiales y M´etodos
3.1
Enfoque de Investigaci´on
La presente tesis ha sido desarrollada siguiendo un enfoque cuantitativo pues presenta car- acter´ısticas como: el problema de investigaci´on es concreto y limitado, usa recolecci´on de datos para probar la hip´otesis, con base en la medici´on num´erica, para establecer patrones de reconocimiento y probar la mejora del mismo.
3.2
Tipo de Investigaci´on
El tipo de investigaci´on esAplicado, pues se caracteriza porque busca la aplicaci´on o utilizaci´on de los conocimientos que se adquieren.
3.3
Dise˜no de la Investigaci´on
El dise˜no de la investigaci´on que se utilizar´a en este trabajo es el dise˜no de investigaci´on Ex- perimental usando el dise˜no de pos-prueba ´unicamente. El dise˜no se encuentra representado por la siguiente notaci´on:
donde:
G: Grupo experimental.
X: Marco de trabajo para el reconocimiento en el sistema inteligente.
DE CIENCIAS
FISICAS
3.4
Variables de Estudio
Las variables de estudio a considerar son:• Independiente: Desarrollo del sistema inteligente.
• Dependiente: Reconocimiento de matr´ıculas de autom´oviles usando redes neuronales BP.
3.4.1 Indicadores
Los indicadores nos permiten realizar mediciones que a la vez determinan la validez de la hip´otesis planteada en la presente investigaci´on.
• Cantidad de matriculas reconocidas y no reconocidas.
3.5
Poblaci´on y Muestra
3.5.1 Poblaci´on
La poblaci´on de la presente investigaci´on est´a delimitado por una base de datos que contienen 100 im´agenes de matr´ıculas de veh´ıculos, tomadas de distintas zonas de la ciudad de Trujillo - Per´u, seleccionadas previamente que cuentan con una resoluci´on de 600×400 p´ıxeles y esta en un modo de RGB.
3.5.2 Muestra
El tama˜no de la muestra se calcula con la siguiente f´ormula [Ped11].
n= N
1 +E2z(2NP Q−1)
donde:
N: Tama˜no de la poblaci´on.
Z: Grado de confiabilidad deseado para la muestra.
P: Proporci´on de la poblaci´on que tienen las caracter´ısticas de inter´es. Q: Proporci´on de la poblaci´on que no tienen las caracter´ısticas (1- P).
DE CIENCIAS
FISICAS
Para obtener la muestra representativa basado en la f´ormula anterior realizamos los sigu- ientes c´alculos:
• Considerando como nivel de confianza el 95%, se deduce que Z=1,96
• Proporci´on de la poblaci´on que tiene la caracter´ıstica P. Si no se conoce el valor de P se asume que es el 50%, entonces: P=0.5.
• Proporci´on de la poblaci´on que no tiene caracter´ısticas: Q =1-0.5 = 0.5.
• El margen de error es de 5%, entonces: E = 0.05. Aplicando la formula:
n= 135
1 +10..960522∗∗(0(135.5∗−0.1)5)
Encontramos que el valor de la muestra ”n” es de aproximadamente 100 im´agenes.
3.6
T´ecnicas e Instrumentos
3.6.1 Instrumentos
• Observaci´on a los resultados referenciales.
• Observaci´on directa de los resultados mediante la mejora del reconociendo de matr´ıculas de autom´oviles.
• Base de Datos de im´agenes.
• Evaluaci´on y verificaci´on.
• Investigaci´on y consulta bibliogr´afica.
• Desarrollo humano.
3.6.2 T´ecnicas
Para la medici´on del desempe˜no del sistema inteligente fundamentalmente se har´a uso de la inspecci´on visual de las im´agenes producto de la aplicaci´on del algoritmo de segmentaci´on y
DE CIENCIAS
FISICAS
3.7
Procesamiento de la Informaci´on
• Se Utilizar´a lenguaje de programaci´on Java, que es orientado a objetos, para desarrollar el sistema reconocimiento de veh´ıculos, el cual, el c´odigo generado por el compilador java es independiente de la arquitectura; que podr´ıa ejecutarse en un entorno UNIX, Mac o Windows