VANESSA CAMARGOEDWIN ALZATELEONID LOPEZ

TECNICAS AVANZADAS DE RECONOCIMIENTO DE

PATRONES

INTRODUCCIÓN

• La evolución de los sistemas electrónicos ha permitido importantes avances en el desarrollo e imitación de los sentidos humanos, hasta ahora muy logrados en el caso auditivo y en la visión, el desafío para los investigadores en la actualidad es conseguir replicas fiables del gusto y del olfato, los objetivos hasta el momento presente están por conseguir sistemas que permitan asegurar la calidad de alimentos, dosificación de fármacos, diagnóstico de enfermedades, control ambiental y mejora de los sistemas de seguridad de índole militar.

SISTEMAS DE OLFATO ELECTRÓNICO

• Son instrumentos constituidos por una agrupación de sensores químicos para obtener los datos de entrada junto a equipos que implementan técnicas de reconcomiendo de patrones, los cuales son capaces de reconocer aromas simples o compuestos de una manera análoga al olfato humano.

• Los sistemas de olfato electrónico comerciales incorporan sistemas de reconocimiento de patrones basados en técnicas de la estadística multivariante (análisis de componentes principales, análisis mediante funciones discriminantes) y en redes neuronales.

• El paradigma neuronal utilizado de forma casi exclusiva es la red perceptrón multicapa MPL con conectividad total y entrenada mediante el algoritmo de retropropagación del gradiente del error Backpropagation. Pero este método presenta algunos inconvenientes, lo que hace deseable explorar otros modelos neuronales que presenten características de aprendizaje continuo y la tolerancia a diferencias en el número de patrones de aprendizaje disponibles por cada categoría, los cuales deben contribuir a desarrollar una nueva generación de sistemas de olfato electrónico comerciales, más fiables, más robustos ante las derivadas de los sensores y de manejo más fácil.

APLICACIÓN

Clasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales

• PROCESO: Para un buen diseño de una nariz electrónica, se debe optimizar los procedimientos que se llevan a cabo en la clasificación y validación de los datos.

El objetivo final del Sistema de Reconocimiento de patrones es el etiquetar de forma automática patrones de los cuales se desconoce su clase.

La construcción del clasificador comprende las siguientes etapas:

1. Elección del modelo 2. Aprendizaje 3. Verificación de Resultados.

Una vez que se ha realizado el entrenamiento de la red, al tener un dato nuevo, se lleva a la capa de entrada del clasificador, que dará la pertenencia a una de las clases especificadas.

BASE DE DATOSLas muestras se obtuvieron de dos bases de datos: Blend y Monovariety, del Departamento de Química y Física de la Universidad de Brescia, Italia.

Son 5 y 4 características diferentes respectivamente, porque este es el número de sensores que se utilizaron para extraer los datos de olor de las muestras de café.

BD Muestras Distribución datos Características Tipos de café

Blend 249Entrenamiento: 186

5 7Prueba: 63

Monovariety 210Entrenamiento: 154

4 7Prueba: 56

CLASIFICACIÓN DE PATRONES DE OLOR MEDIANTE RNA

Una de las técnicas de reconocimiento de patrones más utilizadas para las narices electrónicas son las redes neuronales artificiales, que intentan simular el funcionamiento del cerebro humano, estando formadas por un número variable de unidades de cálculo conectadas entre sí, llamadas neuronas, cuya respuesta se va adaptando conforme se le van mostrando la salida deseada.

A continuación se describe las redes utilizadas en este trabajo: La Red de Alimentación hacia adelante (FF) y la Red de Función de Base Radial (RBF); además se utilizó el método de Validación Cruzada de k Particiones.

Red de Alimentación hacia adelante (FF)• La red neuronal Feed-forward consiste de N capas que usan la

función de pesos por medio del producto punto. • La primera capa tiene pesos que vienen de la entrada. • Cada capa subsiguiente tiene un peso que proviene de la capa

anterior. • La última capa es la salida de la red. • Todos los pesos son inicializados de manera aleatoria. • La adaptación de los pesos se hace con algún entrenamiento, el

cual actualiza los pesos con la función de aprendizaje especificada. • El entrenamiento termina cuando se ha alcanzado la meta

definida por el usuario.

Red de Función de Base Radial (RBF)• La red Radial Basis Function se compone de tres capas, la

capa de entrada, la cual pasa las entradas a la capa oculta a través de un conjunto de conexiones sin pesos. La capa oculta se compone de funciones de base local. Usualmente se utiliza una función Gaussiana, la cual ejecuta una transformación no lineal.

Validación Cruzada de k Particiones• Se utilizó este método para evaluar el desempeño de la red

neuronal, en términos de precisión, eficiencia y fiabilidad. • Este consiste en tomar los datos de entrenamiento y

particionarlos en k subconjuntos, tomar k-1 subconjuntos para entrenar la red y 1 para probarla, así sucesivamente hasta que cada subconjunto haya sido usado para prueba una vez, por lo tanto, se debe repetir el entrenamiento k veces, sobre la misma red.

• También se calculó un resultado final, haciendo una prueba con datos que fueron previamente separados y que no fueron usados para las particiones. Esto para poder hacer una prueba final de la eficiencia de la red neuronal.

• Para los resultados de este artículo se usaron 10 particiones.

IMPLEMENTACIÓN DEL SISTEMA DE CLASIFICACIÓN DE CAFÉ

• La topología de las redes neuronales consiste de 5 neuronas en la capa de entrada, en el caso de Blend y 4 neuronas para Monovariety, una capa de salida de 7 neuronas, que corresponden a la cantidad de diferentes tipos de café que existen.

• Las capas ocultas varían en el número de capas, número de neuronas y el número de épocas, ya que la configuración de las redes se estableció heurísticamente, con el fin de buscar la mejor configuración de cada red.

RESULTADOS Y CONCLUSIONESEn la siguiente tabla se muestra el mejor resultado obtenido con las redes FF y RBF, por cada clase de café usando Blend, en Arquitectura se muestra el número de neuronas utilizadas en las capas ocultas que tuvieron mejor desempeño; indiscutiblemente se tiene un mejor reconocimiento en las clases 1 y 6.

ARQUITECTURA RNA CAFÉ1 CAFÉ2 CAFÉ3 CAFÉ4 CAFÉ5 CAFÉ6 CAFE7

5-74-74-7 FF 100 88.88 88.88 77.77 88.88 100 88.88

5-74-7 RBF 100 66.66 88.88 88.88 77.77 100 88.88

RESULTADOS Y CONCLUSIONES

En la siguiente tabla al igual que en la anterior, mostramos los resultados de reconocimiento obtenidos por cada clase, usando esta vez Monovariety, como se puede observar, se tiene problemas para reconocer el Café 5.

ARQUITECTURA RNA CAFÉ1 CAFÉ2 CAFÉ3 CAFÉ4 CAFÉ5 CAFÉ6 CAFE7

5-74-74-7 FF 100 87.5 75 100 25 87.5 100

5-74-7 RBF 87.5 75 75 87.5 0 100 100

RESULTADOS Y CONCLUSIONES• La red neuronal FF ha mostrado tener un excelente

desempeño para la clasificación de datos de café, esto es, que la red aprende bien en la etapa de entrenamiento, sin embargo, se puede decir que tiene un inconveniente justificable, que tarda más en la fase del entrenamiento comparando con la red RBF, pero se obtiene una mayor precisión.

• En cuanto a la red RBF, se tiene un desempeño aceptable, ya que como se muestra, obtiene resultados similares que la red FF pero tiene la ventaja que su entrenamiento es mucho más breve que utilizando FF.

RESULTADOS Y CONCLUSIONES

Estos son los resultados obtenidos con validación cruzada de 10 particiones usando las bases de datos Blend y Monovariety.

  RED NEURONAL BASE DE DATOS RESULTADO PROMEDIO RESULTADO FINAL

FF Blend 100% 88.88%

RBF Blend 85.86% 90.47%

FF Monovariety 89.66% 100%

RBF Monovariety 64.28% 75%

GRACIAS POR SU

ATENCIÓN