Un clasificador neuronal que explica sus respuestas: aplicación al reconocimiento de dígitos manuscritos

Abstract

En este trabajo se presenta un sistema reconocedor de patrones con un diseño modular, explicativo y altamente paralelizable, basado en una técnica híbrida de aprendizaje, que incluye la utilización de mapas auto-organizativos de Kohonen. Dicho sistema se aplica al tratamiento de un problema real: el reconocimiento de dígitos manuscritos sin restricciones, obteniéndose resultados competitivos con los publicados por otros autores. El sistema propuesto no sólo permite clasificar patrones; también permite explicar las respuestas dadas y detectar patrones ambiguos, indicando a qué otras clases podrían pertenecer. Además, los mapas Kohonen utilizados, muestran gráficamente la distribución de los datos de entrenamiento, contribuyendo también a la explicación de las respuestas. La utilización de varias características representativas extraídas de los datos de entrada durante la etapa previa de preprocesamiento, y el tratamiento de las mismas en forma independiente, contribuye a la modularidad del sistema y a la posibilidad de entrenarlo en forma paralela. El uso de dichas características permite, además, que la presencia de errores en los patrones de entrada no tenga gran influencia en la respuesta del sistema.