Resumen de Pattern Recognition by Dinamic Feature Analysis Based on PCA

Juliana Valencia Aguirre, Mauricio Alvarez Mesa, Genaro Daza Santacoloma, Germán Castellanos Domínguez

• español

  Generalmente, en problemas de reconocimiento de patrones las observaciones son representadas por medio de medidas sobre un conjunto apropiado de variables, estas variables pueden clasificarse en estáticas y dinámicas. La representación estática no es siempre una P156 aproximación precisa de las observaciones. En este sentido, algunos fenómenos son modelados de mejor manera por cambios dinámicos de sus medidas. La ventaja de emplear variables dinámicas radica en el hecho de incluir mayor cantidad de información que permita representar de mejor manera el conjunto de datos. Sin embargo, en etapas de clasificación es más difícil emplear variables dinámicas que estáticas, debido al costo computacional asociado. Con el fin de analizar este tipo de representaciones dinámicas es factible utilizar el Análisis de Componentes Principales (PCA), organizando los datos de manera que se puedan considerar las variaciones introducidas por la dinámica medida en las observaciones. Por ende, el método que se propone permite evaluar la información dinámica de las observaciones en espacios de características de baja dimensión sin deteriorar la precisión del sistema de clasificación. Los algoritmos fueron probados sobre datos reales en el reconocimiento de voces patológicas y normales; PCA se emplea también para seleccionar características dinámicas.

• English

  Usually, in pattern recognition problems we represent the observations by mean of measures on appropriate variables of data set, these measures can be categorized as Static and Dynamic Features. Static features are not always an accurate representation of data. In these sense, many phenomena are better modeled by dynamic changes on their measures. The advantage of using an extended form (dynamic features) is the inclusion of new information that allows us to get a better representation of the object. Nevertheless, sometimes it is difficult in a classification stage to deal with dynamic features, because the associated computational cost often can be higher than we deal with static features. For analyzing such representations, we use Principal Component Analysis (PCA), arranging dynamic data in such a way we can consider variations related to the intrinsic dynamic of observations. Therefore, the method made possible to evaluate the dynamic information about of the observations on a lower dimensionality feature space without decreasing the accuracy performance. Algorithms were tested on real data to classify pathological speech from normal voices, and using PCA for dynamic feature selection, as well.