Resumen

La reducción de dimensionalidad (selección de características) es un paso importante en los sistemas de reconocimiento de patrones. Aunque existen diferentes enfoques convencionales para la selección de características, como Análisis de Componentes Principales, Proyección Aleatoria y Análisis Discriminante Lineal, seleccionar características óptimas, efectivas y robustas suele ser una tarea difícil. En este artículo, se propone un nuevo enfoque de dos etapas para la reducción de dimensionalidad. Este método se basa en diagramas espectrales unidimensionales y bidimensionales de desviación estándar y distribuciones de mínimo a máximo para los elementos iniciales del vector de características. El algoritmo propuesto se valida en una aplicación de OCR, utilizando dos grandes conjuntos de datos de OCR manuscrito de referencia estándar, MNIST y Hoda. Al principio, se seleccionó un vector de características de 133 elementos de las características más utilizadas propuestas en la literatura. Finalmente, el tamaño del vector de características inicial se redujo del 100% al 59.40% (79 elementos) para el conjunto de datos MNIST

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Reducción de dimensionalidad; Selección de características; Sistemas de reconocimiento de patrones; Enfoque de dos etapas; Aplicación de OCR; Conjuntos de datos de referencia
• Keywords:Dimensionality reduction; Feature selection; Pattern recognition systems; Two-stage approach; OCR application; Benchmark datasets