Con la identificación biométrica se han reducido bastante los fraudes y delitos a causa de la usurpación de identidad, por la poca fiabilidad de los métodos de identificación tradicionales, ya que en identificación biométrica se utilizan rasgos únicos de la persona.

Pero esta tecnología no es sencilla aunque así lo parezca.

La arquitectura de esta consiste básicamente en 4 etapas: Captura y mejora de la impresión dactilar, Extracción de características, Coincidencia y Toma de decisiones.

En la primera se mejora la impresión dactilar proporcionada por un escáner dactilar, debido a que esta tiene mucho ruido y no se puede extraer las características. Una vez mejorada la imagen se divide en sectores y se clasifican para capturar características propias de la huella dactilar. Luego sigue la etapa de Extracción de Características, en esta se debe entrenar al computador para que aprenda un determinado patrón en la imagen clasificada, y proporcionar una salida como característica útil para formar una plantilla, que es la representación digital de la huella dactilar, esta es utilizada en la Coincidencia con otra plantilla y en la Toma de decisiones. La Toma de decisiones está de acuerdo a un modelo probabilístico donde se determina una tolerancia de aceptación de la Coincidencia.

Suponga que un sector de la imagen representa un patrón en una matriz de M x N elementos como un conjunto de entrenamiento, y queremos que el computador aprenda este, para proporcionar una salida deseada en un conjunto de M elementos.

Para aprender un patrón se debe tener en cuenta 3 aspectos:

1. La salida se define como:

salida = salida + pesos_i ∗entradas_i; Para i = 1, 2, .., M

A este se le aplica un discriminador:

salida = 0 si el valor anterior fue salida ≤0,de lo contrario salida = 1.

2. El error se define como:

error = salidadeseada −salida

3. Si el error es diferente de cero se recalculan los pesos con:

pesos_i = (factor de aprendizaje∗error) ∗entradas_i + pesos_i; Para i = 1, 2, .., N

Donde:

• entradas es la matriz de MxN elementos que representa un patrón. • pesos es un conjunto de N elementos constantes.

• factor de aprendizaje es la velocidad de aprendizaje, 0 ≤factor ≤1. • salida deseada es un elemento del vector de salida deseada.

La salida que debemos obtener debe ser igual a la salida deseada para aprender el determinado patrón. En este contexto el patrón se reduce a que cada elemento de la salida y/o la salida deseada representan al patrón de cada fila de la matriz de entrada. Normalmente el patrón es una de las 7 características locales de la huella dactilar, pero en este caso no nos interesa, por lo cual el patrón en la matriz no tiene un orden definido y podría ser cualquiera. Se toma como aprendido el patrón, cuando se ha logrado obtener la salida deseada en menos del Máximo de Iteraciones y además la secuencia de No Error es menor a la determinada.

Pero todo esto es únicamente el principio para que el aprendizaje del patrón de la huella dactilar funcione, por lo que tenemos que hacer pruebas a nuestro método para que funcione correctamente.

Su trabajo consiste en calcular las iteraciones necesarias para el aprendizaje del patrón de la huella dactilar.

La entrada contiene varios casos. Cada caso comienza con dos enteros M N (2 ≤ M, N ≤ 5 y M ≥ N), las dimensiones de la matriz.

Las siguientes M líneas contienen N valores cada una (0 o 1), que forman la matriz de entrenamiento. Después viene una línea con M valores (0 o 1), correspondientes a la salida deseada; finalmente se da el factor de aprendizaje F, con 0 ≤ F ≤ 1.

Los N pesos iniciales son constantes: 0.3, 0.4, 0.5, …. Por ejemplo, para N = 5 se usa 0.3, 0.4, 0.5, 0.6, 0.7. El máximo de iteraciones es 1000 y la secuencia máxima de «No Error» es 5.

La entrada termina con 0 0.

Para cada caso imprime Se aprendio en X iteraciones., sustituyendo X por el número de iteraciones, como se ve en el ejemplo oficial. Si el patrón no se aprende dentro del límite, imprime No aprendio..