Extracción de características empleando técnicas de optimización aleatoria

Abstract

Una de las etapas más relevantes de un sistema de reconocimiento automático basado en métodos estadísticos es la etapa de extracción de características. Esta etapa se encarga de recodificar la representación original de los objetos con una doble intención: por un lado facilitar la tarea a los algoritmos de clasificación, y por otro reducir la complejidad espacial y temporal de éstos. Las nuevas características que recodificarán a los objetos pueden obtenerse mediante transformaciones lineales o no lineales de las características originales. El presente trabajo presenta diferentes métodos de extracción de características que hacen uso de métodos de optimización aleatoria para obtener los coeficientes de dichas transformaciones. Estos métodos tratarán de obtener una nueva codificación de los objetos de tal modo que se optimicen la precisión (tasa de aciertos) de los clasificadores diseñados sobre el nuevo espacio de representación generado. Debido por una parte a los grandes espacios de búsqueda que se generarán, especialmente si partimos de un número elevado de características originales o hacemos uso de transformaciones no lineales. Y por otra parte, a la complejidad de la función a optimizar (la tasa de aciertos), el uso de métodos de optimización basados en el cálculo (ascenso por gradiente, derivación,..) será complejos, o incluso imposible si empleamos clasificadores no paramétricos (por ejemplo, k-vecinos más próximos). Por estos motivos proponemos hacer uso de métodos de optimización aleatoria (algoritmo genéticos, hill climbing,...) para obtener los coeficientes de las transformaciones. El planteamiento propuesto se empleará tanto para realizar extracción lineal como extracción no lineal de características. En el caso de la extracción no lineal se empleará una nueva familia de transformaciones presentadas en esta tesis: las proyecciones radiales. Se trata de una familia de transform