Resumen

Esta investigación presenta algunos resultados obtenidos bajo diferentes modelos de clasificación de patrones texturales de minerales presentes en imágenes digitales. El conjunto de datos utilizado esta caracterizado por un tamaño pequeño y presencia de ruido. Los modelos implementados fueron el clasificador Bayesiano, red neuronal (2-5-1), maquina de soporte de vectores (SVM), árbol de decisión y 3-vecinos más cercanos. Los resultados obtenidos luego de la validación cruzada demostraron que el modelo Bayesiano (84%) arrojo la mejor capacidad predictiva, debido principalmente a su robustez frente al ruido. La red neuronal (68%) y la SVM (67%) dieron resultados alentadores, que posiblemente puedan mejorarse al incrementar el tamaño del conjunto de datos; mientras el árbol de decisión (55%) y el k-vecinos (54%) no parecen ser adecuados para este problema, dado su sensibilidad al ruido. 

• Materias:Control automático Industria del carbón Industria minera Elementos minerales nativos
• Subjects:Automatic control Coal industry Mining industry and finance Native element minerals
• Palabras claves:Comercio del carbón, Clasificación, Imágenes digitales, Textura, Minerales del carbón
• Keywords:Coal trade, Classification, Digital Images, Texture, Coal minerals