TECNICAS AVANZADAS

DE RECONOCIMIENTO DE
PATRONES
VANESSA CAMARGO
EDWIN ALZATE
LEONID LOPEZ
 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 DATOS
Las muestras se obtuvieron de dos bases de datos:
Blend y Monovariety, del Departamento de Química y
Física de la Universidad de Brescia, Italia.
BD Muestras Distribución datos Características Tipos de café
Entrenamiento: 186
Blend 249 5 7
Prueba: 63
Entrenamiento: 154
Monovariety 210 4 7
Prueba: 56

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.
 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 CONCLUSIONES
En 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