Vad vill du menar med mönsterigenkänning diskutera de olika steg som ingår i det?

Hari Om/MCA
Mönsterigenkänning är ett underämne av maskininlärning. Det är "agera i samband med primärdata och vidta åtgärder baserat på kategori av data". De flesta forskning i mönsterigenkänning handlar om metoder för övervakad lärande och oövervakade lärande. I datavetenskap, införandet av en identitet på indata, som tal, bilder eller en ström av text, av erkännande och avgränsning av mönster innehåller och deras relationer. Stadier i mönsterigenkänning kan omfatta mätning av objektet för att identifiera utmärkande attribut, utvinning av funktioner för att definiera attribut, och jämförelse med kända mönster att avgöra en match eller obalans. Mönsterigenkänning har omfattande program i astronomi, medicin, robotteknik och fjärranalys av satelliter. Mönsterigenkänning syftar till att klassificera data (mönster) bygger på förhand kunskap eller på statistiska uppgifter ur mönster. Mönstren klassificeras är oftast grupper av mätningar eller observationer, definiera punkter i en lämplig flerdimensionella rymd. Detta är i motsats till mönstermatchning, där mönstret är stelt anges. Informellt definieras ett mönster av den gemensamma nämnaren bland de flera instanserna av en entitet. Gemensamhet i alla fingeravtryck bilder definierar till exempel fingeravtryck mönster; likheterna i fingerprint bilder av John Doe's vänstra pekfinger definierar John-Doe-vänster-index-fingerprint mönstret (se Fig. 1 - visar en massa fingeravtryck på samma finger, och en massa intryck av godtyckliga fingrar i Fig. 2). Således ett mönster kan vara en fingerprint bild, ett handskrivet kursiva ord, ett mänskligt ansikte, en speech signal, en streckkod eller en webbsida på internet (se Fig. 3). Ofta, kan individuella mönster grupperas i en kategori utifrån sina gemensamma egenskaper. den resulterande gruppen är också ett mönster och kallas ofta en mönster-klass. Mönsterigenkänning är vetenskapen om observation (fjärranalys) miljö, lära sig att urskilja mönster av intresse (t.ex. djur) från deras bakgrund (t.ex. himmel, träd, mark) och sunda beslut om vilka mönster (t.ex. Fido) och mönster klasser (en hund, däggdjur, djur).
steg som är innehåller i är:- Ett komplett mönster erkännandesystem består av en sensor som samlar observationerna klassificeras eller beskrivs en funktion utvinning mekanism som beräknar numeriska eller symbolisk information från observationer och en klassificering eller beskrivning system som gör själva jobbet för klassificering eller beskriva observationer, förlitar sig på de extraherade funktionerna. Klassificering eller beskrivning systemet bygger vanligen på tillgången till en uppsättning mönster som redan har klassificerats eller beskrivs. Denna uppsättning mönster som kallas utbildning som, och den resulterande lärande strategin kännetecknas som övervakade lärande. Lärande kan också vara utan tillsyn, i den meningen att systemet inte givet en förhand märkning av mönster, i stället det själv upprättar klasserna baserat på statistiska Regularitiesna av mönstren. Klassificering eller beskrivning systemet vanligtvis använder en av följande metoder: statistiska (eller beslut teoretiska) eller syntaktiska (eller strukturella). Statistiska mönsterigenkänning är baserad på statistiska karakteriseringar av mönster, förutsatt att mönsterna genereras av en probabilistisk system. Syntaktiska (eller strukturella) mönsterigenkänning är baserad på de strukturella inbördes funktioner. Ett brett utbud av algoritmer kan tillämpas för mönsterigenkänning, från mycket enkla Bayesian klassificerare till mycket mer kraftfull neurala nätverk. Ett komplett mönster erkännandesystem består av en sensor som samlar observationerna klassificeras eller beskrivs en funktion utvinning mekanism som beräknar numeriska eller symbolisk information från observationer och en klassificering eller beskrivning system som gör själva jobbet för klassificering eller beskriva observationer, förlitar sig på de extraherade funktionerna. Klassificering eller beskrivning systemet bygger vanligen på tillgången till en uppsättning mönster som redan har klassificerats eller beskrivs. Denna uppsättning mönster som kallas utbildning som, och den resulterande lärande strategin kännetecknas som övervakade lärande. Lärande kan också vara utan tillsyn, i den meningen att systemet inte givet en förhand märkning av mönster, i stället det själv upprättar klasserna baserat på statistiska Regularitiesna av mönstren. Klassificering eller beskrivning systemet vanligtvis använder en av följande metoder: statistiska (eller beslut teoretiska) eller syntaktiska (eller strukturella). Statistiska mönsterigenkänning är baserad på statistiska karakteriseringar av mönster, förutsatt att mönsterna genereras av en probabilistisk system. Syntaktiska (eller strukturella) mönsterigenkänning är baserad på de strukturella inbördes funktioner. Ett brett utbud av algoritmer kan tillämpas för mönsterigenkänning, från mycket enkla Bayesian klassificerare till mycket mer kraftfull neurala nätverk.
Av - HARI OM
[email protected] [email protected]