بازشناخت الگو: تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
جز برداشتن ویکیسازی Kernel PCA > تغییرمسیر نامشابه است (۹.۱ core) 0.444444444444 |
FreshmanBot (بحث | مشارکتها) جز اصلاح فاصله مجازی + اصلاح نویسه با استفاده از AWB |
||
خط ۱:
تشخیص الگو شاخهای از مبحث [[یادگیری ماشینی]] است. میتوان گفت تشخیص الگو، دریافت دادههای خام و
تطبیق الگو از بخشهای اصلی مبحث [[پردازش تصویر]] به خصوص در زمینه [[بینایی ماشین]] هستند.
خط ۵:
== انواع تشخیص الگو ==
نیاز به [[سیستمهای اطلاعاتی]] بهبود یافته بیشتر از قبل مورد توجه قرار
=== تشخیص آیتمهای واقعی ===
خط ۱۵:
== الگوها و کلاسهای الگوها ==
تشخیص الگو میتواند به عنوان [[دستهبندی]] دادهها ی ورودی در کلاسهای شناخته شده به وسیلهٔ استخراج
یا صفات داده تعریف شود. یک کلاس الگو، یک دستهٔ متمایز شده به وسیلهٔ برخی صفات و ویژگیهای مشترک است. ویژگیهای یک کلاس الگو، صفات نوعی هستند که بین همهٔ الگوهای متعلق به آن کلاس مشترک هستند. ویژگیهایی که تفاوتهای بین کلاسهای الگو را بیان میکنند اغلب به عنوان ویژگیهای [[اینترست]] شناخته میشوند. یک الگو، توصیفی از یکی از اعضای دسته است که ارائه دهندهٔ کلاس الگو میباشد. برای راحتی، الگوها معمولاً به وسیلهٔ یک [[بردار]] نمایش داده میشوند. مانند:
== مسائل اساسی در طراحی سیستم تشخیص الگو ==
۱)طریقه نمایش دادهها
۲)استخراج ویژگی
خط ۲۸:
=== استخراج ویژگی ===
دومین مسئله در تشخیص الگو، استخراج
الگوست. این مورد اغلب به عنوان مسئلهٔ پیش پردازش و استخراج ویژگی معرفی میشود. عناصر
همهٔ کلاسهای الگو مشترک هستند میتوانند حذف شوند. اگر یک مجموعهٔ کامل از
دادههای اندازهگیری شده تعیین شود. تشخیص و دستهبندی الگوها، دشواری کمتری را در برخواهد داشت. تشخیص اتوماتیک
ممکن است به یک فرایند تطبیق ساده یا یک جدول جستجو کاهش یابد. به هر حال در بسیاری از مسائل تشخیص الگو، در عمل
، تعیین یک مجموعه کامل از
=== تعیین رویه تصمیم بهینه ===
خط ۴۱:
== یادگیری و تمرین دادن ==
[[توابع تصمیم]] به
موجود باشد، تابع تصمیم براساس این اطلاعات ممکن است با دقت تعیین شود. زمانی که تنها دانشی کیفی در مورد الگوها موجود
باشد، حدسهایی مستدل از فرمهای تابع تصمیم میتوان داشت. در این مورد محدودههای تصمیم ممکن است از پاسخ صحیح
دور شود. وضعیت کلی تر آنست که دانش قبلی کمی در مورد الگوهای مورد تشخیص موجود باشد. در این شرایط ماشینهای
تشخیص الگو با استفاده از یک رویهٔ یادگیری یا تمرین دادن طراحی بهتری خواهند داشت. به صورت ابتدائی، توابع تصمیم
موقت فرض میشوند و از طریق دنبالهای از مراحل تمرینی تکراری، این توابع تصمیم به سمت فرمهای بهینه و
پیش میروند.
این مهم است به ذهن بسپاریم که تمرین و یادگیری فقط در طول فاز طراحی [[سیستم تشخیص الگو]] انجام میشوند. هنگامی که
نتایج قابل قبول با مجموعهٔ [[الگوهای تمرینی]] به دست آمد، سیستم برای وظیفهٔ اجرائی واقعی خود بر روی نمونههای
محیطی به کار گرفته میشود. کیفیت کارآئی تشخیص
که سیستم در طول عملیات مواجه خواهد شد، تعیین میشود.
خط ۷۴:
=== الگوریتمهای خوشه ساری (الگوریتمهای بدون ناظر پیشگو) ===
* [[مدلهای دستهبندی ترکیبی]]
* [[
* Kernel PCA
|