Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.

SOFTWARE DE RECONOCIMIENTO DE
PATRONES AUTOMÁTICO DE BOTELLAS
PLÁSTICAS UTILIZANDO REDES
NEURONALES ARTIFICIALES.
Romero, Kelmer. Vega, Jonathan. Pérez, Adith.
kelmerdromero@hotmail.com, jonatanvega90@hotmail.com, adithperez@unicesar.edu.co
Facultad de Ingenierías y Tecnológicas, Universidad Popular del Cesar


Resumen—En este documento se entrega una descripción
de las características de las redes neuronales artificiales y las
técnicas de procesamiento digital de imágenes. También se
evidencia como la unión de estas dos técnicas son útiles en
diseño de herramientas para la resolución de problemas donde
es necesario implementar el reconocimiento de patrones.
Índice de Términos— IMAGEN: Figura, representación,
semejanza y apariencia de algo. MORFOLOGIA: En el
procesamiento de imágenes, la morfología se entiende como el
estudio de la topología o la estructura de objetos a partir de sus
respectivas imágenes. SEGMENTACIÓN: La segmentación
de una imagen permite separar o destacar zonas con
características específicas de forma o de color. El método más
básico de segmentación es la aplicación de filtros.
PATRON: Es sinónimo de objeto. En ocasiones se le llama
así a los objetos ya clasificados. MATRIZ: Una matriz es una
tabla bidimensional (cuadrada o rectangular) conformada por
datos llamados elementos o entradas de la matriz.
I.INTRODUCCIÓN
Las actividades de investigación desarrolladas en
torno al estudio de redes neuronales artificiales,
están motivadas en modelar la forma de
procesamiento de la información en sistemas
nerviosos biológicos. Especialmente, por la forma
de funcionamiento del cerebro humano, que es
completamente distinta al funcionamiento de un
computador digital convencional. “El cerebro
humano corresponde al de un sistema altamente

complejo, no lineal y paralelo” [1]. Lo anterior
equivale a decir que se pueden realizar muchas
operaciones simultáneamente a diferencia de los
computadores comunes que son de tipo secuencial,
es decir, que solo realizan una operación a la vez.
En este sentido, una red neuronal artificial es un
procesador de información, de distribución
altamente paralela, constituido por muchas unidades
sencillas de procesamiento llamadas neuronas.
El procesamiento digital de imágenes constituye
una etapa fundamental en el proceso de
reconocimiento de patrones, debido a que este
mejora las condiciones de la imagen que será
evaluada por la red neuronal artificial que se esté
implementando. De esta manera las técnicas de
procesamiento digital de imágenes y las redes
neuronales mediante un trabajo en serie, se
convierten en piezas importantes en la construcción
de sistemas de reconocimiento de imágenes
robustos y eficientes.
II. DEFINICIÓN DEL PROBLEMA
“En Colombia se producen aproximadamente 40
mil toneladas diarias de residuos sólidos, se estima
que entre el 42% y el 45% lo constituyen materiales
reciclables que terminan en rellenos sanitarios y
botaderos” [2]. Los desechos provocan graves
consecuencias para los ecosistemas, se contaminan
las fuentes hídricas, se aumenta la huella de carbono
y los rellenos sanitarios se saturan.
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
El plástico es un material inorgánico, compuesto
por monómeros y polímeros, por esta razón el
tiempo para descomponerse es muy prolongado, el
plástico es considerado como muy contaminante,
por eso cuando se puede reutilizar, se le hace un
bien a la naturaleza y a la salud.
La reducción en origen es el primer paso hacia una
gestión sostenible de los residuos y ello supone la
disminución de la cantidad de plásticos que se
utilizan, así como diseñar productos que reduzcan
la utilización de estos materiales y se simplifique
el número de distintos plásticos utilizados [3]. Al
reciclar una tonelada de plástico se ahorran 40.000
litros de agua y 5.000 kW/h de energía, es decir,
recuperar dos toneladas de plástico equivale a
ahorrar una tonelada de petróleo [4].
“La capital del departamento del Cesar, produce
más de 300 toneladas diarias de basuras” [2], por lo
que la empresa de aseo INTERASEO promueve la
cultura del aprovechamiento de los materiales
reciclables, pero en la actualidad evidencian la
siguiente problemática: “los habitantes de
Valledupar no separan los residuos reciclables de
los no reciclables, esto hace que los vehículos
compactadores al momento de recolectar los
residuos sólidos mezclen todos los materiales y
cuando llegan al sitio de disposición final la basura
es compactada y luego es depositada en el relleno
sanitario de Valledupar ubicado en las afueras de la
ciudad, vía los Corazones” [2].
Para contrarrestar el impacto negativo sobre el
medio ambiente se proporcionan alternativas que
solucionan esta problemática, una de estas
alternativas es diseñar un software de
reconocimiento de patrones, herramienta que será
útil para la clasificación y posterior reciclaje
automático de botellas plásticas.
Esta idea de fusionar tecnología y medio ambiente
surge de la exigencia que hoy en día hace la
aplicación de las nuevas tecnologías en nuestro
entorno, porque sin duda está cambiando la forma
en que vivimos y nos relacionamos con el mundo.
De esta manera las tecnologías de la información y
2
el reto del cambio climático, son altamente
compatibles.
III. REDES NEURONALES ARTIFICIALES
“Una red neuronal artificial (RNA) es un esquema
de computación distribuida inspirada en la
estructura del sistema nervioso de los seres
humanos” [5]. La arquitectura de una red neuronal
es formada conectando múltiples procesadores
elementales, siendo éste un sistema adaptivo que
posee un algoritmo para ajustar sus pesos
(parámetros libres) para alcanzar los requerimientos
de desempeño del problema basado en muestras
representativas.
“Por lo tanto podemos señalar que una RNA es un
sistema de computación distribuida caracterizada
por” [6]:
 Un conjunto de unidades elementales, cada
una de las cuales posee bajas capacidades de
procesamiento.
 Una densa estructura interconectada
usando enlaces ponderados.
 Parámetros libres que deben ser ajustados
para satisfacer los requerimientos de
desempeño.
 Un alto grado de paralelismo.
“Es necesario señalar que la propiedad más
importante de las redes neuronales artificiales es su
capacidad de aprender a partir de un conjunto de
patrones de entrenamiento, es decir, es capaz de
encontrar un modelo que ajuste los datos” [5]. El
proceso de aprendizaje también conocido como
entrenamiento de la red puede ser supervisado o
no supervisado. El aprendizaje supervisado consiste
en entrenar la red a partir de un conjunto de datos o
patrones de entrenamiento compuesto por patrones
de entrada y salida. El objetivo del algoritmo de
aprendizaje es ajustar los pesos de la red, de
manera tal que la salida generada por la RNA sea lo
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan. 3

más cercanamente posible a la verdadera salida

dada una cierta entrada. Es decir, la red neuronal
trata de encontrar un modelo al procesos
desconocido que generó la salida Y. Este
aprendizaje se llama supervisado pues se conoce el
patrón de salida el cual hace el papel de supervisor
de la red. En cambio en el aprendizaje no
supervisado se presenta sólo un conjunto de
patrones a la RNA, y el objetivo del algoritmo de
aprendizaje es ajustar los pesos de la red de manera
tal que la red encuentre alguna estructura o
configuración presente en los datos [5]. Figura 2. Modelo matemático de una red neuronal
La Figura 1 muestra el modelo general de una red artificial.
neuronal artificial. Una red neuronal se compone de unidades llamadas
neuronas. Cada neurona recibe una serie de entradas
a través de interconexiones y emite una salida. Esta
salida está dada por tres funciones:

 Regla de propagación, “proporciona el

valor del potencial postsináptico de la
neurona en función de sus pesos y entradas”
[6].
 Función de activación, “proporciona el
estado de activación actual de la neurona,
Figura 1. Modelo general de una red neuronal en función de su estado anterior y de sus
artificial. potencial postsináptico actual” [6].
 Función de transferencia, “proporciona la
salida actual de la neurona en función de
sus estado de activación” [6].
a) FUNCIONAMIENTO DE UNA RED NEURONAL
ARTIFICIAL
La Figura 3 muestra la gráfica de una función de
activación tangente hiperbólica.
Una de las misiones de una red neuronal artificial
consiste en simular las propiedades observadas en
los sistemas neuronales biológicos a través de
modelos matemáticos recreados mediante
mecanismos artificiales (como un circuito
integrado, un ordenador, un conjunto de válvulas).
El objetivo es conseguir que las máquinas den
respuestas similares a las que es capaz de dar el
cerebro humano, que se caracterizan por su Figura 3. Grafica de la función de activación
generalización y robustez. tangente hiperbólica.
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
b) DISEÑO Y PROGRAMACIÓN DE UNA RED NEURONAL
ARTIFICIAL
El diseño y programación de las redes neuronales
artificiales, son definidas como un paradigma
convencional de programación en ingeniería del
software, donde el objetivo del programador es
modelar matemáticamente (con distintos grados de
formalismo) el problema en cuestión y
posteriormente formular una solución (aplicación)
mediante un algoritmo codificado que tenga una
serie de propiedades que permitan resolver dicho
problema. En contraposición, la aproximación
basada en las RNA parte de un conjunto de datos de
entrada suficientemente significativo, el objetivo es
conseguir que la red aprenda automáticamente las
propiedades deseadas. En este sentido, el diseño de
la red tiene menos que ver con cuestiones como los
flujos de datos y la detección de condiciones, y más
que ver con cuestiones tales como la selección del
modelo de red, la de las variables a incorporar y el
pre procesamiento de la información que toma el
conjunto de entrenamiento. Así mismo, el proceso
por el que los parámetros de la red se adecuan a la
resolución de cada problema no se denomina
genéricamente programación si no que se suele
denominar entrenamiento.
c) ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL
“Las redes neuronales artificiales imitan la
estructura hardware de un sistema nervioso, con la
intención de construir sistemas de procesamiento de
la información paralelos, distribuidos y adaptativos,
que puedan presentar un cierto comportamiento
inteligente” [6].
Los elementos básicos de una red neuronal artificial
son las neuronas, que se agrupan en conjuntos
compuestos por millones de ellas, organizadas en
capas constituyendo un sistema con funcionalidad
propia.
4
d) REDES NEURONALES MULTICAPAS
Este tipo de red neuronal es muy utilizado para
problemas de reconocimiento de patrones [7].
“Inicialmente fueron definidos los patrones
“círculo”, “cuadrado” y “no sé”, este último
definido para el caso en que un objeto no pertenezca
a ninguno de los patrones anteriores” [8].
IV. PROCESAMIENTO DIGITAL DE IMAGENES
El procesamiento digital de imágenes tiene como
objetivo mejorar el aspecto de las imágenes y hacer
más evidentes en ellas ciertos detalles que se desean
hacer notar. La imagen puede haber sido generada
de muchas maneras, por ejemplo, fotográficamente,
o electrónicamente, por medio de monitores de
televisión. El procesamiento de las imágenes se
puede en general hacer por medio de métodos
ópticos, o bien por medio de métodos digitales, en
una computadora.
Figura 4. División de una imagen en pixeles.
El procesamiento digital de imágenes se efectúa
dividiendo la imagen en un arreglo rectangular de
elementos, como se muestra en la Figura 4. Cada
elemento de la imagen así dividida se conoce con el
nombre de pixel. El siguiente paso es asignar un
valor numérico a la luminosidad promedio de cada
pixel. Así, los valores de la luminosidad de cada
pixel, con sus coordenadas que indican su posición,
definen completamente la imagen.
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
a) IMÁGENES BINARIAS
Una imagen binaria es una imagen en la cual cada
píxel puede tener solo uno de dos valores posibles 1
o 0. Como es lógico suponer una imagen en esas
condiciones es mucho más fácil encontrar y
distinguir características estructurales. En visión
computacional el trabajo con imágenes binarias es
muy importante ya sea para realizar segmentación
por intensidad de la imagen, para generar
algoritmos de reconstrucción o reconocer
estructuras. También se puede reducir al mínimo los
datos necesarios para representar la imagen y esto
permite un máximo aprovechamiento de una forma
más rápida y fácilmente a partir de las imágenes
binarias.
Figura 5. Imágenes binarias representadas en negro
y el blanco.
b) BINARIZACIÓN
La binarización tiene su utilidad en el
procesamiento automático de imágenes, debido a
que reduce enormemente la cantidad de datos de la
imagen de una forma muy sencilla. Si se parte de
imágenes bien contrastadas, la binarización permite
con muy poco procesamiento un análisis fiable de la
imagen.
Figura 6. Resultado de birarizar una imagen.
5
c) FILTROS DE SUAVIZADO
Los filtros de suavizado lineal son filtros pasa-
bajos. Eliminan el ruido caracterizado por su alta
frecuencia espacial pero desgraciadamente también
reducen los detalles de la imagen pues la aplicación
de una máscara de suavizado siempre tiene
aparejado el efecto indeseable de hacer más borrosa
la imagen.
Figura 7. Resultado de aplicar el filtro de suavizado
a una imagen.
d) OPERACIONES MORFOLOGICAS
Una de las operaciones más utilizadas en visión
sobre imágenes previamente binarizadas es las
operaciones morfológicas. Las operaciones
morfológicas son operaciones realizadas sobre
imágenes binarias basadas en formas. Estas
operaciones toman como entrada una imagen
binaria regresando como resultado una imagen
también binaria.
Figura 8. Selección de pixeles de una imagen.
e) SEGMENTACIÓN
En esta etapa se busca agrupar los píxeles por algún
criterio de homogeneidad y de esta forma tener la
imagen particionada en regiones significativas.
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
Después de esta etapa la imagen puede ser
reconocida e interpretada de acuerdo a la aplicación.
Figura 9. Selección de objeto de interés.
V. RECONOCIMIENTO DE PATRONES
El reconocimiento de patrones es definido como:
“una ciencia que se encarga de estudiar las
características, clasificaciones de objetos físicos o
abstractos” [9]. El reconocimiento de patrones es
usado en el reconocimiento facial o de fotografías,
que son imágenes en las cuales contienen un
conjunto de información o patrones que se pueden
clasificar en una clase, mediante un filtrado se saca
solo el rasgo necesario el cual con una comparación
verifica si la persona de la imagen es la correcta
siempre y cuando se parezca al rasgo previamente
cargado.
“Considerando a una RNA como una caja negra
donde se puede representar su interacción funcional
con el entorno de la siguiente manera” [9]:
Figura 10. Representación funcional de un sistema
de reconocimiento de patrones.
6
VI. METODOLOGÍA PARA EL DESARROLLO DEL PROYECTO
La metodología seleccionada para este proyecto fue
adaptada de la metodología de prototipos, esta
metodología consta de cuatro (4) fases:
a) FASE DE ANÁLISIS Y ESPECIFICACIÓN
En esta fase se especificaran las características
importantes del sistema como su arquitectura,
requerimientos, diagramas y requisitos de
hardware y software.
b) FASE DE DISEÑO Y CONSTRUCCION
En esta fase se determinaran las entradas,
procedimientos y salidas del sistema. Además
de la construcción del prototipo a evaluar.
c) FASE DE PRUEBAS
En esta fase se realizaran las pruebas
experimentales al prototipo con cada una de sus
mejoras.
d) FASE DE REVISION Y MEJORAMIENTO
En esta fase se realizaran revisiones a cada uno
de los resultados obtenidos del prototipo con
cada una de sus mejoras en la fase de pruebas y
se definirá el prototipo evaluado es el más
indicado para ser implementar.
VII. DISEÑO DEL SISTEMA DE LA SOLUCIÓN
1) CONSTRUCCION DE LA UNIDAD MODULAR
a) UNIDAD MODULAR
Esta unidad modular cuenta con una cámara web
encargada de hacer las capturas de imágenes de las
botellas plásticas, en su interior está equipado con
dos cintas de luces tipo led ubicadas a los costados
de la caja de manera horizontal como se observa en
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
la Figura 11. La unidad modular se realiza para
limitar la influencia de fuentes de luces externa. El
ambiente de verificación se encuentra aislado de
estímulos externos al sistema.
Figura 11. Unidad modular inicial. Fuente
(autores).
b) UNIDAD MODULAR CON CUATRO CINTAS LED
Esta unidad modular hereda las características de la
unidad definida anteriormente, además de agregar
un nuevo par de cintas tipo led que son ubicadas a
los costados de la caja de manera vertical como se
observa en la Figura 12.
Figura 12. Prototipo 2 de diseño del sistema.
7
c) UNIDAD MODULAR CON CINCO CINTAS LED
Por último se modificó la unidad modular que
cuenta con las características de la unidad modular
inicial y la definida anteriormente, además de
agregar un nueva de cinta tipo led que es ubicada en
la parte superior de la caja como se observa en la
Figura 13.
Figura 13. Prototipo 3 de diseño del sistema.
VIII. DISEÑO DEL SOFTWARE DE RECONOCIMIENTO DE
PATRONES
Se desarrolló un sistema en la plataforma Matlab
(R2011a) , el cual realiza las siguientes operaciones:
captura una imagen en tiempo real en formato
RGB24 con un modo de resolución de 160x120
pixeles, se somete la imagen capturada a un
procesamiento y tratamiento digital, en donde se
extrae de la imagen original la capa de escala de
grises para poder trabajar con una matriz de MxN
dimensiones, esta imagen en escala de grises se
somete a un proceso de binarizacion, que consiste
en convertir los valores de cada pixel de la imagen
de un rango de 0 a 255 tonalidades, en un rango de
0 a 1 tonalidades, donde 0 es el tono de color negro
puro y 1 es tono de color blanco puro . La imagen
binarizada es sometida al proceso de extracción de
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan. 8

bordes, con la intención de eliminar el mayor ruido pantalla del computador, el formulario visualizado
posible de la imagen y hacer más eficiente el trabajo se presenta en formato de interfaz gráfica de
de reconocimiento del sistema. Luego de la usuario.
extracción de los bordes de la imagen, se segmenta
la región de interés del objeto (ROI) a una matriz de
dimensiones 107x41 pixeles, esta matriz se
trasforma mediante un algoritmo en el vector de
patrones de entrada que será evaluado por la red
neuronal artificial, concluyendo si es una botella
plástica o no.

1) DISEÑO DE ENTRADAS Figura 15. Captura de la interfaz de salidas del

sistema.
El diseño de entradas planteado a continuación, se
realiza mediante la captura de una imagen en
tiempo real, a través de una cámara web, luego de 3) DISEÑO DE PROCEDIMIENTOS
que el usuario presiona el botón activar cámara,
utilizando como formato de captura el formulario a) RED NEURONAL ARTIFICIAL

correspondiente visualizado en pantalla.

El proyecto luego de analizar las características de
los datos utilizados para el desarrollo de la
aplicación, se opta por implementar y codificar una
aplicación inteligente basada en la filosofía y
arquitectura del algoritmo BACKPROPAGATION,
por las siguientes razones específicas:
 La arquitectura del algoritmo
BACKPROPAGATION multicapas, permite
solucionar sistemas linealmente no
separables, es decir sistemas que poseen
comportamientos no lineales.
 Alta confiabilidad e integridad de los datos
 Alta flexibilidad con los tipos de datos
 La red neuronal artificial implementada con
algoritmo BACKPROPAGATION o de
Figura 14. Captura de la interfaz de entrada del propagación inversa, es una red multicapas
sistema. que permite aproximar casi cualquier
función, si se escoge una adecuada
2) DISEÑO DE SALIDAS configuración de los algoritmos de
entrenamiento, funciones de activación y un
El diseño de salidas consiste en mostrarle al usuario adecuado número de capas y a su vez un
cada una de las imágenes obtenidas durante el número de neuronas en cada capa oculta.
proceso de reconocimiento del sistema. Estas  El algoritmo BACKPROPAGATION, es un
imágenes son presentadas al usuario a través de la algoritmo de aprendizaje supervisado, el
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan. 9

cual necesita un conjunto de datos, donde en a) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 1

cada grupo de patrones de entrada exista una

salida deseada de la red neuronal artificial.

Características neuronales Valor

Numero de capas 3

Numero de neuronas de la capa 1 8

Numero de neuronas de la capa 2 4

Numero de neuronas de la capa de 1

salida
Grafica 1. Salida del prototipo 1 vs salida deseada
Función de activación de la capa 1 Tansig
del sistema.
Función de activación de la capa 2 Tansig

Función de activación de la capa de Tansig

b) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 2

salida
Algoritmo de entrenamiento Traingd

Numero de iteraciones 10000

Error alcanzado de la red 1.14e-6

Rata de aprendizaje 0.1

Tabla 1. Características de la Topología de la red

neuronal artificial implementada en el software de
reconocimiento automático de botellas plásticas.

IX. PRUEBAS

En esta sección se exponen los resultados

experimentales que se le realizaron a los prototipos
creados en la sección de análisis y especificación.
Cada prototipo se evalúa de manera experimental en
Grafica 2. Salida del prototipo 2 vs salida deseada
una sesión de cincuenta (50) iteraciones para
del sistema.
determinar de qué manera el sistema responde al
reconocimiento de botellas plásticas.
c) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 2
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.
Grafica 3. Salida del prototipo 3 vs salida deseada
del sistema.
X. REVISIÓN Y MEJORAMIENTO
En esta sección se realiza una comparación en la
certeza al momento del reconocimiento de botellas
plásticas por cada uno de los prototipos diseñados
anteriormente, como lo muestra la Grafica 4.
Grafica 4. Comparación de certeza del sistema con
distintos prototipos del sistema planteados.
Luego de observar los resultados de la Grafica 4
donde se evidencia que el prototipo 3 fue el que
tuvo un desempeño más eficiente en la fase de
pruebas al reconocimiento de las botellas plásticas,
se opta por implementar este prototipo como
herramienta de solución al problema definido en
esta investigación.
10
XI. CONCLUSIONES
Este trabajo investigativo ha pretendido realizar una
pequeña introducción hacia lo que son las técnicas
de procesamiento digital de imágenes, las redes
neuronales artificiales y los algoritmos utilizados en
el reconocimiento de patrones.
En primer lugar el proyecto desarrollado en esta
investigación, trató de mostrar la importancia que
tiene aplicar herramientas tecnológicas en el estudio
y solución de problemas que afectan al medio
ambiente, como lo es la falta de cultura de reciclaje
de botellas plásticas.
En la investigación se mostró como el
procesamiento digital de imágenes y las redes
neuronales artificiales son parte fundamental en la
construcción de sistemas de reconocimiento de
patrones robustos, debido a que brindan una
solución eficiente a cualquier problema donde sea
necesario aplicar técnicas de la inteligencia
artificial.
XII. REFERENCIAS BIBLIOGRÁFICAS
[1] F. Uzarieta y C. Saavedra, Redes Neuronales
Artificiales, Concepción, Chile, 2010.
Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan. 11

[2] M. Mendoza, «Hacia la cultura de reciclaje en

Valledupar,» El pilón, pp. Http:
//www.elpilon.com.co/inicio/hacia-la-cultura-de-reciclaje., 29
Mayo 2013.

[3] «yolimpio,» [En línea]. Available:

http://www.yolimpio.com/recicla/pdf/4_Reciclaje_del_Plastic
o_2.pdf. [Último acceso: 28 4 2014].

[4] F. Chavarro Mata, f. Soacha Velásquez y Soacha V,

«Plan de negocios para una empresa de reciclaje,» 2009. [En
línea]. Available:
http://www.javeriana.edu.co/biblos/tesis/economia/tesis255.pd
f.[Último acceso: 20 3 2014].

[5] R. Salas, «Redes Neuronales Artificiales,» 2 2 2004.

[En línea]. Available:
http://es.scribd.com/doc/184957152/Redes-Neuronales-
Artificiales. [Último acceso: 20 4 2014].

[6] B. Del Brío y A. Sanz, Redes Neuronales y Sistemas

Distribuidos (Segunda Edición), Madrid, España: RA-MA,
2001.

[7] R. Bellor, «Curso Introductorio De Redes Neuronales

Artificiales,» 1993. [En línea]. Available:
http://scielo.sld.cu/scielo.php?pid=S2071-
00542011000200005&script=sci_arttext. [Último acceso: 20 4
2014].

[8] R. Duda y P. Hart, «Clasificación De Patrones,» New

York, John Wiley & Sons, 2001.

[9] L. López, «Scribd,» [En línea]. Available:

https://es.scribd.com/doc/234597166/Definiciones-y-
Conceptos-Basicos-de-Reconocimiento-de-Patrones. [Último
acceso: 10 10 2014].