بازشناسی اماری الگو

l           كامپيو تر‌ها از برخي جهات بر انسان برتري چشمگيري دارند اما از برخي نظر‌ها ضعيف تر ازانسان هستند:

l           مهمترين موارد برتري كامپيوتر‌ها:

  • مديريت حافظه عالي

l           مهمترين موارد ضعف:

  • عدم وجود قابليت‌هاي انساني بخصوص در مواردي كه با  مهارت و تشخيص و نوآوري همراه است :
  • تشخيص چهره افراد
  • تشخيص اصوات صحبت
  • ظرايف گرامري و كلامي
  • تشخيص كيفيت غذا از روي بو
  • تشخيص دستنوشته‌ها

 

تشخيص، باز شناسي و طبقه بندي

Cognition, Recognition, classification

معمولا نخستين گام انسان براي مواجهه با يك مسئله  شناسائي آن است

Cognition

  • در انسان روشهاي متنوع و بعضا پيچيده اي براي تشخيص وجود دارد.

يكي از مهمترين، قابليت‌هاي انسان، استفاده از تجربيات (خود يا ديگران) درمورد شناسائي است.

مسئله باز خواني شناسائي‌هاي قبلي به بازشناسيRecognition  موسوم است كه عبارت است از:

  • نسبت دادن موردي كه بايد شناسايي شود، به مواردي كه قبلا  در مورد آنها شناسايي صورت گرفته است.
  • اگر تعداد موارد  قابل انتساب در يك بازشناسي، محدود باشد،  مسئله بازشناسي به  طبقه بندي classification موارد منجر مي شود
  • طبقه بندي یکي از اساسي ترين  روش‌هاي حل مسئله است.

 

Classification  طبقه بندي

l         طبقه بندي يكي از هوشمندانه ترين ابزار‌هاي حل مسئله بوسيله انسان است.

l         فايده طبقه بندي اين است كه وقتي با يك مورد case جديد روبرو ميشويم، بلافاصله پس از اينكه توانستيم آن را به طبقه مناسب نسبت دهيم، ميتوانيم احكامي را كه در مورد آن طبقه قائل بودهايم، به اين مورد جديد نيز نسبت دهيم.
مباني نظري طبقه بندي
 ارسطو از نخستين كساني بوده كه اهميت طبقه بندي و ملزومات آن را تبيين كرده است.
 او مسئله طبقه بندي(Classification) را بشرح ذيل تعريف مي نمايد:
 Assign a Pattern to one of several possible
classes
 يك نمونه(pattern) را، به يكي از چندين كلاس ( طبقه) ممكن نسبت دادن (متعلق دانستن)،

چند پيش فرض اساسي در اين مسئله
 تعداد كلاس‌ها محدود و معين (شناخته شده) است.
 كلاس‌هاي مزبور فضاي جواب را افراز مي نمايند:
• تمام فضا را مي پوشانند
• مورد يا نمونه مورد نظر حتما متعلق به يكي از اين كلاس‌ها هست
• با همديگر همپوشاني ندارند
• امكان ندارد مورد يا نمونه مورد نظر به دو يا چند كلاس متعلق باشد

سنجش و گرد آوري اطلاعات براي تشكيل نمونه
 انتخاب ساختار مسئله، انتخاب وسايل سنجشگر و شيوه سنجش، نخستين گام بوده است.
 مثلا در مسئله ما آنچه سنجش مي شود، شدت روشنايي بازگشتي از نوار نقاله ( كه ماهي‌ها هم روي آن قرار دارند) در شرايط خاص نور پردازي و با شرايط خاص دوربين ( از نظر دقت، سرعت، فاصله از نقاله، زاويه تصوير برداري و …)
اين اطلاعات نهايتا به صورت يك فايل، با فرمت معين در حافظه قرار مي گيرد تا دستكاري‌هاي بعدي روي آن ان اج م شود.
 از حيث عملي، هر الگو يك بردار، ماتريس يا شئي (Object) است

pre-processing پردازش‌هاي اوليه
 بسياري از اطلاعات موجود، قرار نيست مورد استفاده قرار گيرند و در شرايط عمليبايد حذف شوند (مثلا جزئيات شكل پولك‌هاي ماهي‌ها)
 بخش‌هايي از اطلاعات انتخاب شده( مثلاتصوير مز ينه) كاملا از يد و فاقد ارزش مورد نظر بوده بوده و بايد حذف شوند ( پذيرش تصوير)
 تصوير ماهي بايستي از تصوير زمينه تفكيك گردد.
 شرايط تصوير برداري ممكن است متاثر از نويز تصويري محيط باشد كه بايد اثر نامطلوب آن كاهش يابد
 احتمالا بايستي همراستايي بين تصوير ماهي‌ها صورت گيرد. ( مثلا از نظر طول وعرض)
 اگر بيش از يك يك دوربين مورد استفاده قرار گرفته باشد، ممكن است لازم باشدهم بعد سازيscaling صورت گيرد.

استخراج و انتخاب مشخصه‌ها
Feature Extraction & Selection
 تبيين مشخصه‌هاFeatures : در بسياري از موارد برخي ازكميت‌ها و يا تركيبي از آنها مي تواند بشكل يك مشخصه ظاهرشود (مثلا نسبت طول به عرض)
 عموما تعداد اين مشخصه‌ها ( و حجم ذخيره سازي لازم ) بسيار كمتر از كميت‌هاي اندازه د گيري شده است.
 استخ ار ج و انتخاب اين مشخصه‌ها، بخش مهمي از پروسه طبقه بندي خودكار بوده و با توجه به دانش مسئله انجام مي شود.
 اينكه رابطه بين كميت‌هاي قابل سنجش و مشخصه‌ها چيست، به نوع مسئله و راه حل ما بستگي دارد.
 مثلا در يك زمين فوتبال:
• اگر هدف تنها تشخيص اعضاي يك تيم باشد، صرف رنگ پيراهن مي تواند مشخصه خوبي باشد.
• اگر هدف، تشخيص كساني باشد كه دوپينگ كرده اند، هم موارد قابل سنجش و هم مشخصه‌هاي پيچيده تري مورد نياز خواهد بود.
 به تعبير ديگر نمي توان بدون توجه به نوع مسئله از بهترين مشخصه‌ها سخن گفت

Pattern : مفهومي ( معمولا مبهم) كه جدا كننده بخشي از محيط برايبررسي و حكم دادن است.
Measurements : سنجش‌هايي كه براي مشخص كردن pattern صورت مي گيرد.

Features : كميت‌هايي كه از روي مقادير سنجش شده بدست آمده و
نهايتا براي بازنمايي representation موضوع مورد بحث pattern بكار گرفته مي شود:
• يك بردار(يك يا چند بعدي)
• Object ي

ساختار بكار گيري مشخصه‌هاتفسير اطلاعاتInferring
 اين بخش از عمليات عموما به طراحي سيستم طبقه بندي كننده
.موسوم است classifier
 اگر دانش حل مسئله به شكل صريح وجود داشته باشد، بر اسا آندانش، اطلاعات مشخصه‌ها باهم تركيب مي شود
• مثلا در تفكيك انواع هواپيما‌ها، مي دانيم كه هر هواپيما چه شكلي دارد.
 در اكثر موارد اين دانش حل مسئله بايد با استفاده از تعدادينمونه معلوم، استخراج شود و به تعبير ديگر ساختار پردازش طرح مي گردد ( پروسه يادگيري)
 در اين پروسه اغلب با نوعي يادگيري مواجه هستيم
استخراج دانش لازم براي پردازش(يادگيري) مي تواند در سه شكلعمومي صورت گيرد:
• يادگيري با مربي :در آن ضمن داشتن اطلاعات و مشخصه‌ها نتيجه كار(برچسب كلاس) را نيز مي دانيم. مانند اينكه ضمن داشتن خصوصيات حياتييك بيمار مي دانيم كه به چه بيماري مبتلاست
• يادگيري بدون مربي: نمونه‌ها بدون برچسب كلاس در اختيار هستند مانند اينكه در تصوير يك متن، صريحا گفته نشده كه كدام بخش از تصوير مر بوط به متن است
• يادگيري تشديدي: به ازاي هر ورودي برچسب معلوم نيست بلكه نوعي نمره دهي موجود است

رويكرد‌هاي اساسي بازشناسي الگو
چند رويكرد اساسي در بازشناسي الگو‌ها به شرح زير است:
• Template Matching مطابقت ساختاری
Statistical Approach رويكرد آماري•
•Syntactic Approach رويكرد ساختار
Neural Networks شبكه‌هاي عصبی

Template Matching
 ايده اصلي در رويكرد مطابقت ساختار‌ها اين است كه دو ”چيز” بطور كامل باهم مقايسه شده و بر اساس ”معيار شباهت” نمونه مورد بررسي، با ساختار‌هايي كه نماينده كلاس‌هاي مختلف هستند مقايسه شده و به آن ساختاري كه شبيه تر است، نسبت داده مي شود.
 ساختار‌هاي نماينده كلاس‌ها و معيار شباهت ( كه عموما نوعي تابع همبستگي
correlation است) از روي نمونه‌هاي موجود (مجموعه يادگيري Training set)بدست مي آيد.
 مثلا تصوير هر ماهي عبور كننده از روي نقاله با تصوير استاندارد هر كلاس از ماهي‌ها تطابق يابي مي شود.(پيكسل به پيكسل)
 اگر چه اين ايده ساده است، در عمل با دشواري‌هايي روبروست (مخصوصا با خرابي داده‌ها و خطا‌هاي اندازه گيري و…)
 ايده‌هاي جديد:
• Deformable template models
• Rubber sheet deformations

 اين رويكرد در مواردي موفق است كه در هر كلاس خصوصيات اساسي خيلي قويتر از خصوصيات شخصي باشند. مثلا در تشخيص انواع اسكناس از هم به هر حال اسكناس‌هاي مختلف نيز ( حتي از نظر تصوير) تفاوت‌هايي با همدارند ( لكه‌ها ، ابعاد دقيق و …)
 اما در م او ردي كه خصوصيات شخصي بارز باشند، ممكن است كار دش او ر شود.
مانند تشخيص بيمار و بيماري
 در برخي موارد، اصولا خود كلاس‌ها به لحاظ مفهومي چندان روشن نيستند.
مانند افراد پير و جوان يا دانشجويان درسخوان و غير درسخوان

 

دانلود فایل اصلی

pr_1_introduction__matlab1.ir

1 نظر در “بازشناسی اماری الگو”

  1. سلام وقت بخیر
    عذر میخوام چرا لینک مربوط به برنامه تشخیص امضای افلاین و تشخیص جعل فعال نیست؟
    http://code.matlab1.ir/mp03-%D8%AA%D8%A7%DB%8C%DB%8C%D8%AF-%D8%A7%D9%85%D8%B6%D8%A7%DB%8C-%D8%A2%D9%81%D9%84%D8%A7%DB%8C%D9%86-%D9%88-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%AC%D8%B9%D9%84-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81/
    لطفا پاسخ بفرمایید ضروری لازم دارم.
    متشکرم

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

− two = two