Académique Documents
Professionnel Documents
Culture Documents
C261
Redes Neuronales Artificiales
Mapas Auto-
Auto-Organizados
Coordinación de Computación
INAOE
Modified: 26-03-12
1. Tomado de Hilera J. y Martínez V. Redes Neuronales Artificiales. Alfaomega. 2000 pp. 261-266
(c) P. Gómez Gil. INAOE 36
2008-2012
Arquitectura de la red del
ejemplo
x y
a o
Indígena
(c) P. Gómez Gil. INAOE 51
2008-2012
El problema de reconocimiento de
caracteres/imprenta antigua (3)
• Por lo tanto:
– No hay prototipos evidentes que definan cada
clase
– La varianza entre miembros de una clase es
mayor que los valores deseados
– Las métricas comunes, como la Euclidiana, son
muchas veces inútiles, pues la distancia puede
ser mayor entre patrones pertenecientes a la
misma clase, de lo que es a patrones de
diferentes clases
3.
2.
1. Segmentation
Pre-
Digitizing of words
processing
Original Digital Image Clean image
Document
Words
Parameters 4.
Character objects
for training Character
7. 6. Segmentation
Training Recognition and feature
of of extraction
recognize characters
r
NN
Character objects
NN knowledge Segmentation
knowledge s for training
Parameters
for training 5.
Training of
8. Possible characters segmentation
Identificatio
n of words
Possible words
Dictionary 10.
Correction
of style
Transcription of
9. Words in text document
Editing
(c) P. Gómez Gil. INAOE 53
2008-2012
Redes auto-
auto-organizables
para reconocer caracteres
• Un reconocedor no supervisado puede
aprender y representar la ambigüedad
inmersa en los patrones a reconocer
• Utilizando mapas topológicos, es posible
representar las similitudes y diferencias en
cada clase de caracteres. Por lo tanto, es
posible representar mas información que
cuando se usan otros métodos de
reconocimiento
• Se construyó la red SOFM (Self Organized
Feature Map)