تشخیص الگوی |معرفی

الگوی همه چیز در این دنیای دیجیتال است. یک الگوی می تواند از نظر جسمی دیده شود یا با استفاده از الگوریتم ها از نظر ریاضی مشاهده می شود.

مثال: رنگهای روی لباس ، الگوی گفتار و غیره در علوم کامپیوتر ، الگویی با استفاده از مقادیر ویژگی بردار نشان داده می شود.

تشخیص الگوی چیست؟

تشخیص الگوی فرآیند شناخت الگوهای با استفاده از الگوریتم یادگیری ماشین است. شناخت الگوی را می توان به عنوان طبقه بندی داده ها بر اساس دانش قبلاً به دست آمده یا بر روی اطلاعات آماری استخراج شده از الگوهای و/یا نمایندگی آنها تعریف کرد. یکی از جنبه های مهم تشخیص الگوی پتانسیل کاربرد آن است.

مثال: تشخیص گفتار ، شناسایی بلندگو ، تشخیص اسناد چندرسانه ای (MDR) ، تشخیص خودکار پزشکی. در یک برنامه تشخیص الگوی معمولی ، داده های خام پردازش می شوند و به شکلی تبدیل می شوند که برای استفاده از یک دستگاه قابل استفاده است. تشخیص الگوی شامل طبقه بندی و خوشه الگوها است.

• در طبقه بندی ، یک برچسب کلاس مناسب بر اساس یک انتزاع که با استفاده از مجموعه ای از الگوهای آموزشی یا دانش دامنه تولید می شود ، به الگویی اختصاص می یابد. طبقه بندی در یادگیری نظارت شده استفاده می شود.
• خوشه بندی ، بخشی از داده ها را ایجاد می کند که به تصمیم گیری کمک می کند ، فعالیت تصمیم گیری خاص مورد علاقه برای ما. خوشه بندی در یادگیری بدون نظارت استفاده می شود.

ویژگی ها ممکن است به عنوان متغیرهای باینری مداوم ، گسسته یا گسسته نشان داده شود. یک ویژگی تابعی از یک یا چند اندازه گیری است که محاسبه می شود به گونه ای که برخی از ویژگی های مهم شی را تعیین می کند.

مثال: صورت ما را در نظر بگیرید ، چشم ، گوش ، بینی و غیره از ویژگی های صورت هستند. مجموعه ای از ویژگی هایی که با هم گرفته می شوند ، بردار ویژگی ها را تشکیل می دهد.

مثال: در مثال بالا از صورت ، اگر تمام ویژگی ها (چشم ، گوش ، بینی و غیره) با هم گرفته شود ، دنباله یک بردار ویژگی است ([چشم ، گوش ، بینی]). وکتور ویژگی توالی یک ویژگی است که به عنوان یک بردار ستون D بعدی نشان داده شده است. در مورد گفتار ، MFCC (ضریب Cepstral Mel-Frequency) ویژگی طیفی گفتار است. دنباله 13 ویژگی اول یک بردار ویژگی را تشکیل می دهد.

تشخیص الگوی دارای ویژگی های زیر است:

• سیستم تشخیص الگوی باید الگوهای آشنا را به سرعت و دقیق تشخیص دهد
• اشیاء ناآشنا را بشناسید و طبقه بندی کنید
• شکل ها و اشیاء را از زوایای مختلف به طور دقیق تشخیص دهید
• الگوها و اشیاء را حتی در صورت پنهان کردن تا حدی شناسایی کنید
• با سهولت و با خودکار بودن الگوهای را به سرعت تشخیص دهید.

آموزش و یادگیری در یادگیری به رسمیت شناختن الگوی پدیده ای است که از طریق آن یک سیستم آموزش دیده و سازگار می شود تا به روشی دقیق نتیجه دهد. یادگیری مهمترین مرحله در مورد چگونگی عملکرد سیستم بر روی داده های ارائه شده به سیستم بستگی به این دارد که از الگوریتم ها روی داده ها استفاده می شود. کل مجموعه داده به دو دسته تقسیم می شود ، یکی که در آموزش مدل یعنی مجموعه آموزش و دیگری که در آزمایش مدل پس از آموزش استفاده می شود ، یعنی مجموعه تست استفاده می شود.

• مجموعه آموزش: از مجموعه آموزش برای ساخت یک مدل استفاده می شود. این مجموعه از مجموعه تصاویر است که برای آموزش سیستم استفاده می شود. قوانین و الگوریتم های آموزش برای ارائه اطلاعات مربوط به نحوه مرتبط کردن داده های ورودی با تصمیمات خروجی استفاده می شود. این سیستم با استفاده از این الگوریتم ها در مجموعه داده آموزش داده می شود ، تمام اطلاعات مربوطه از داده ها استخراج می شود و نتایج به دست می آید. به طور کلی ، 80 ٪ از داده های مجموعه داده برای داده های آموزش گرفته می شود.
• مجموعه آزمایش: از داده های آزمایش برای آزمایش سیستم استفاده می شود. این مجموعه داده هایی است که برای تأیید اینکه آیا سیستم پس از آموزش یا خیر ، تولید صحیح را تولید می کند یا خیر. به طور کلی ، 20 ٪ از داده های مجموعه داده برای آزمایش استفاده می شود. از داده های آزمایش برای اندازه گیری صحت سیستم استفاده می شود. به عنوان مثال ، سیستمی که مشخص می کند کدام دسته از گل های خاص متعلق به آن است ، قادر است هفت دسته از گل ها را به درستی از ده و بقیه افراد اشتباه شناسایی کند ، پس دقت 70 ٪ است

نمونه ها و توضیحات در زمان واقعی: یک الگوی یک شیء فیزیکی یا یک مفهوم انتزاعی است. در حالی که در مورد کلاس های حیوانات صحبت می کنید ، توصیف یک حیوان یک الگوی است. در حالی که در مورد انواع مختلف توپ صحبت می کنید ، سپس توصیف توپ یک الگوی است. در مورد توپ های مورد نظر به عنوان الگوی ، کلاس ها می توانند فوتبال ، توپ کریکت ، توپ تنیس روی میز و غیره باشند. با توجه به الگوی جدید ، کلاس این الگوی مشخص می شود. انتخاب ویژگی ها و بازنمایی الگوهای یک گام بسیار مهم در طبقه بندی الگوی است. بازنمایی خوب یکی از مواردی است که از ویژگی های تبعیض آمیز استفاده می کند و همچنین بار محاسباتی را در طبقه بندی الگوی کاهش می دهد.

بازنمایی آشکار از یک الگوی یک بردار خواهد بود. هر عنصر از بردار می تواند یک ویژگی از الگوی را نشان دهد. اولین عنصر بردار حاوی مقدار ویژگی اول برای الگوی مورد نظر است.

مثال: در حالی که نمایانگر اشیاء کروی است ، (25 ، 1) ممکن است به عنوان یک شی کروی با 25 واحد وزن و 1 قطر واحد نشان داده شود. برچسب کلاس می تواند بخشی از بردار را تشکیل دهد. اگر اشیاء کروی متعلق به کلاس 1 باشند ، بردار (25 ، 1 ، 1) خواهد بود ، جایی که عنصر اول نشان دهنده وزن شی ، عنصر دوم ، قطر جسم و عنصر سوم است که کلاس شیء را نشان می دهدبشر