Capítulo 6. Conclusiones y trabajo futuro- Perceptrón Multicapa para Reconocimiento de Objetos sobre Planos - Departamento de Ingeniería Electrónica.Report as inadecuate




Capítulo 6. Conclusiones y trabajo futuro- Perceptrón Multicapa para Reconocimiento de Objetos sobre Planos - Departamento de Ingeniería Electrónica. - Download this document for free, or read online. Document in PDF available to download.

Capítulo 6. Conclusiones y trabajo futuro- Perceptrón Multicapa para Reconocimiento de Objetos sobre Planos - Departamento de Ingeniería Electrónica. - Licenciatura en Ingeniería en Electrónica y Comunicaciones. - Escuela de Ingeniería - Universidad de las Américas Puebla.

Author: Rodríguez Ponce, Héctor Uriel

Source: http://catarina.udlap.mx/


Teaser



CAPÍTULO 6 CONCLUSIONES Y TRABAJO FUTURO 6.1 Conclusiones Se ha demostrado que se puede implementar una aproximación eficiente de la transformada de distancia con un perceptrón multicapa.
Con esta implementación se lograron muy buenos resultados en el reconocimiento de objetos al diferenciarlos con una aproximación de su transformada de distancia.
También se demostró la rapidez que ofrecen las redes neuronales, más que nada en la etapa de reconocimiento, que a fin de cuentas es la que cuenta para aplicaciones prácticas. La transformada de distancia con métrica euclidiana es una muy buena opción para clasificar imágenes binarias que por lo regular constan de contornos provenientes de imágenes grayscale o RGB.
Al presentar decimales en las distancias, es más rápida la convergencia del MSE en la etapa de entrenamiento debido a que se obtienen menores diferencias entre dos cantidades con características similares, en este caso con decimales. Para el diseño de la red neuronal, más que nada se requiere experimentar con diferentes configuraciones, y si se trata de un problema donde se cuenta con mucha información, y por lo tanto se requiere de gran cantidad de patterns para obtener buenos resultados, entonces es mejor el considerar dos capas ocultas con un número no muy pequeño de neuronas ocultas.
Experimentalmente se obtuvieron mejores resultados al tener 67 diferente número de neuronas en cada capa oculta. La arquitectura presentada del perceptrón multicapa resultó ser una configuración que presenta muy buenos resultados en el aprendizaje de las transformadas de distancia, así como en el reconocimiento de las imágenes.
No obstante que el porcentaje de confiabilidad es alto, se puede mejorar al incrementar la base de datos con aproximaciones de las transformadas de distancia de los mismos objetos pero en diferente posición y tamaño, e incluso en distintas representaciones, en el caso de las letras, en distintas fuentes. Los resultad...






Related documents