Documente Academic
Documente Profesional
Documente Cultură
Diferencias en reconocimiento de
patrones de huellas dactilares usando
como medidas de similitud de vectores
la distancia euclidiana y coseno de
ángulos para una red neuronal
kohonen.
RESUMEN
El presente artículo tiene por objeto conocer el resalte en las redes neuronales de Kohonen las diferencias que
se tiene al aplicar como medida de similitud tanto las diferencias angulares entre vector de cada neurona y la
distancia euclidiana de las mismas. En la competitividad de las neuronas donde cada neurona ejerce una
influencia sobre el resto de las neuronas de su capa que va a ser en función de la distancia entre las mismas,
es decir cada neurona ejerce una influencia positiva sobre sí misma y sobre las neuronas topológicamente
cercanas. [Web01].
ABSTRACT
This article seeks to know the highlight of the Kohonen neural networks are the differences that apply to both
as a measure of similarity between the angular difference vector of each neuron and the Euclidean distance
from them. On the competitiveness of neurons where each neuron exerts an influence on the rest of the
neurons of that layer will be based on the distance between them, ie each neuron has a positive influence on
themselves and on neurons topologically nearby. [Web01].
(2) Ingeniero Informático, Universidad Nacional de Trujillo. Docente de la Escuela de Ingeniería Sistemas, Universidad César Vallejo.
CIENCIAS DE LA COMPUTACION
Vol. 1 – Nº 1, Enero–Diciembre–2004,
Enero Pág. 9–19
INTRODUCCIÓN
TIPOS DE HUELLAS DACTILARES
Las Redes Neuronales Artificiales son un
paradigma de cómputo particularmente
adecuado para el tratamiento de problemas de
aproximación, identificación y reconocimiento
en sistemas no lineales. En cuanto a
reconocimiento de patrones, y de caracteres en
particular, existe una vasta
asta literatura basada en
el uso de modelos de conexiones.
Teniendo varias aplicaciones, entre ellos en el
campo de la biometría, en el cual uno de los
personajes resaltantes para este dilema de
reconocimiento de patrones en huellas dactilares
es Teuvo Kohonen.
METODOLOGIA
for iter=1:max_iter
% 500 iteraciones
for i=1:15
% 15 representa la cantidad
% de imágenes
E=EEE(i,:);
% kohonen_salidas;
% actualiza los valores
[x y]=kohonen_reforzamiento;
% refuerza a las neuronas
% elegidas
switch i
Figura 4: Modelo de la implementación de % clasificación manual de
la red neuronal kohonen con sus respectivas % los tipos de cada una de
matrices usadas para su ejecución. % las imágenes
case {1,5,9,13}
Donde se tiene como parámetros de entrada M_index(x,y)= ARCO;
(X1, X2,X3 …. Xn) a la matriz de orientaciones % Arco = 4
obtenidas de cada una de las imágenes, tomando case {4,8,12}
en cuenta que para su entrenamiento se M_index(x,y)= LEFT_LOOP;
considero 15 imágenes. Tal como se muestra en % LEFT_LOOP = 4
el siguiente código: case {3,7,11,15}
patron=imagen(2:255,2:255); M_index(x,y)= RIGHT_LOOP;
% donde capturo una matriz de 254 x 254 de % RIGHT_LOOP = 2
% una imagen de 256 x 256 case {2, 6, 10, 14}
M_orientacion = Orientacion(patron,14); M_index(x,y)= WHORL;
% obtengo la matriz de orientación en el cual % WHORL = 3
% van a ser los parámetros de entrada para la end
% red neuronal SOM implementada. Y es de end
% dimensiones 18 x 18. end
Tabla 1. Código para obtener el parámetro de entrada Tabla 3. Código en el cual presenta el proceso de
para la red neuronal SOM. entrenamiento de la red SOM para cada uno de los
tipos de huellas dactilares.
Donde la matriz de pesos son ingresados de
manera aleatoria W(i,:,:) , donde i=1,2,3.. n, Donde para medir la distancia de similitud de
donde n es la cantidad de orientaciones de las neuronas, se analizo de acuerdo a las salidas,
totales de las 15 imágenes (osea n=324) ; tal tal como mostramos a continuación sus
como muestra las siguientes líneas de código. propiedades tanto la medida por coseno, como
la medida por distancia euclidiana.
for i=1:324
W(i,3:12,3:12)=rand(10);
% ingresa aleatoriamente [0..1], una
%matriz de 10 x 10
end DISTANCIA EUCLIDEANA
Tabla 2. Código para obtener los datos de los pesos Es el más utilizado para medir la distancia entre
iníciales de manera aleatoria. nodos y medir la similaridad entre cada una de
ellas.
PROCESO DE ENTRENAMIENTO Selecciona como nodo ganador (cada nodo de la
red está representado por un vector de pesos de
Es el proceso en el cual se le entrena a la red, de la misma dimensión que la entrada) el más
acuerdo a cada una de las imágenes. cercano a la entrada presentada. [Web02].
(2) Ingeniero Informático, Universidad Nacional de Trujillo. Docente de la Escuela de Ingeniería Sistemas, Universidad César Vallejo.
CIENCIAS DE LA COMPUTACION
Vol. 1 – Nº 1, Enero–Diciembre–2004,
Enero Pág. 9–19
PRUEBAS
Para la prueba de la aplicación para las
distancias de ambos casos (presentado en el
tema anterior), se tuvo como resultado el
Figura 5: Casos de cercanía tanto por siguiente;
distancia euclidiana como por ángulos,
donde selecciona d3 por ser la mínima
distancia (izquierdo) y a3 por menor Nº Caso distancia por Distancia
ángulo. coseno Euclidiana
1 8
9
2
10
(2) Ingeniero Informático, Universidad Nacional de Trujillo. Docente de la Escuela de Ingeniería Sistemas, Universidad César Vallejo.
CIENCIAS DE LA COMPUTACION
Vol. 1 – Nº 1, Enero–Diciembre–2004, Pág. 9–19
7 Correcto(9 , 6) Incorrecto(9 , 1)
8 Correcto(2 , 8) Incorrecto(1 , 4)
9 Correcto(6 , 2) Incorrecto(7 , 10)
10 Correcto(5 , 2) Incorrecto(3 , 1)
Tabla 5. Resultado comparativo de ambos casos de
medida.
OBSERVACIONES
REFERENCIAS BIBLIOGRAFICAS
[Web01]http://scimago.ugr.es/file.php?file=/1/D
ocuments/JOTRI-03.pdf
[Web02]http://es.wikipedia.org/wiki/Distancia_
Euclideana
[Web03]http://thales.cica.es/rd/Recursos/rd99/e
D99-0543-04/Distancia.html
[Web04]http://books.google.com.pe/books?id=e
4igHzyfO78C&pg=PA456&dq=neural
+network+kohonen#v=onepage&q=ne
ural%20network%20kohonen&f=false
(2) Ingeniero Informático, Universidad Nacional de Trujillo. Docente de la Escuela de Ingeniería Sistemas, Universidad César Vallejo.