بازشناسی اماری الگو

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

l           مهمترين موارد برتري كامپيوتر ها:

  • سرعت (قدرت) پردازش
  • مصونيت از خطا
  • مديريت حافظه عالي

l           مهمترين موارد ضعف:

  • عدم وجود قابليت هاي 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 دستنوشته ها

 

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، قابليت هاي انسان، استفاده از تجربيات (خود يا ديگران) درمورد شناسائي است.

مسئله باز خواني شناسائي هاي 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  روش هاي حل مسئله است.

 

Classification  طبقه بندي

l         طبقه بندي يكي از هوشمندانه ترين ابزار هاي 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 كلاس ها محدود و معين (شناخته شده) است.
 كلاس هاي مزبور فضاي جواب را افراز مي نمايند:
• تمام فضا را مي پوشانند
• مورد يا نمونه مورد نظر حتما متعلق به يكي از اين كلاس ها 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 ماهي ها 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 دستكاري هاي بعدي روي آن ان اج م شود.
 از حيث عملي، هر الگو يك بردار، ماتريس يا شئي (Object) است

pre-processing پردازش هاي اوليه
 بسياري از اطلاعات موجود، قرار نيست مورد استفاده قرار گيرند و در شرايط عمليبايد حذف شوند (مثلا جزئيات شكل پولك هاي ماهي ها)
 بخش هايي 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 ماهي ها 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 مشخصه ها
Feature Extraction & Selection
 تبيين مشخصه هاFeatures : در بسياري از موارد برخي ازكميت ها و يا تركيبي از آنها مي تواند بشكل يك مشخصه ظاهرشود (مثلا نسبت طول به عرض)
 عموما تعداد اين مشخصه ها ( و حجم ذخيره سازي لازم ) بسيار كمتر از كميت هاي اندازه د گيري شده است.
 استخ ار ج و انتخاب اين مشخصه ها، بخش مهمي از پروسه طبقه بندي خودكار بوده و با توجه به دانش مسئله انجام مي شود.
 اينكه رابطه بين كميت هاي قابل سنجش و مشخصه ها 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 مشخصه هاي پيچيده تري مورد نياز خواهد بود.
 به تعبير ديگر نمي توان بدون توجه به نوع مسئله از بهترين مشخصه ها سخن گفت

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

Features : كميت هايي 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 مشخصه هاتفسير 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 مشخصه ها باهم تركيب مي شود
• مثلا در تفكيك انواع هواپيما ها، 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 مشخصه ها 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: نمونه ها 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

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

Template Matching
 ايده اصلي در رويكرد مطابقت ساختار ها اين است كه دو ”چيز” بطور كامل باهم مقايسه شده و بر اساس ”معيار شباهت” نمونه مورد بررسي، با ساختار هايي كه نماينده كلاس هاي مختلف هستند مقايسه شده و به آن ساختاري كه شبيه تر است، نسبت داده مي شود.
 ساختار هاي نماينده كلاس ها و معيار شباهت ( كه عموما نوعي تابع همبستگي
correlation است) از روي نمونه هاي موجود (مجموعه يادگيري Training set)بدست مي آيد.
 مثلا تصوير هر ماهي عبور كننده از روي نقاله با تصوير استاندارد هر كلاس از ماهي ها تطابق يابي مي شود.(پيكسل به پيكسل)
 اگر چه اين ايده ساده است، در عمل با دشواري هايي روبروست (مخصوصا با خرابي داده ها و خطا هاي اندازه گيري و…)
 ايده هاي 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 اسكناس هاي مختلف نيز ( حتي از نظر تصوير) تفاوت هايي با همدارند ( لكه ها ، 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 كلاس ها 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 دیدگاه دربارهٔ «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

دیدگاه‌ خود را بنویسید

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