Նախշերի ճանաչում

Վիքիպեդիայից՝ ազատ հանրագիտարանից
Jump to navigation Jump to search
800px-Cool Kids of Death Off Festival p 146-face selected.jpg

Նախշերի ճանաչումը (անգլ.՝ Pattern recognition) տվյալների օրինաչափությունների ավտոմատացված ճանաչումն է: Այն ենթադրում է զարգացումներ ճանաչողական ոլորտներում, ինչպիսիք են համակարգչային տեսողությունը, պատկերների մշակումը, տեքստի և փաստաթղթերի վերլուծությունը և նյարդային ցանցերը: Այն սերտորեն նման է մեքենայական ուսուցմանը, ինչպես նաև կիրառումներ է ունենում արագ զարգացող ոլորտներում:[1]

Այս հոդվածում շեշտը դրվում է մեքենայական ուսուցման մոտեցումների վրա, որոնք վերաբերում են օրինաչափությունների ճանաչմանը: Նախագծի ճանաչման համակարգերը շատ դեպքերում վերապատրաստվում են պիտակավորված «վերապատրաստման» տվյալների վրա բայց երբ պիտակավորված տվյալներ չկան, այլ ալգորիթմներ կարող են օգտագործվել նախկինում անհայտ օրինաչափությունները հայտնաբերելու համար : Մեքենայական ուսումը խիստ կապված է օրինաչափությունների ճանաչման հետ և բխում է արհեստական ինտելեկտից: KDD- ն և տվյալների հանքարդյունաբերությունն ավելի մեծ ուշադրություն են դարձնում չստուգված մեթոդների և բիզնեսի օգտագործման ավելի ուժեղ կապի վրա:Նախագծի ճանաչումը ավելի շատ կենտրոնանում է ազդանշանի վրա և հաշվի է առնում ձեռքբերումն ու ազդանշանի մշակումը: Այն ծագել է ինժեներական ոլորտում, և տերմինը տարածված է համակարգչային տեսողության համատեքստում. Առաջատար համակարգչային տեսլականի խորհրդաժողովը կոչվում է Computer Vision- ի և օրինաչափությունների ճանաչման գիտաժողով: Նմուշների ճանաչման դեպքում կարող է լինել ավելի մեծ հետաքրքրություն ձևաչափի ձևակերպման, բացատրման և պատկերացման համար, մինչդեռ մեքենայական ուսուցումը ավանդաբար կենտրոնանում է ճանաչման մակարդակի առավելագույնի հասցման վրա: Մեքենայական ուսուցման մեջ օրինաչափության ճանաչումը տվյալ պիտակի նշանակումն է տվյալ մուտքային արժեքին: Վիճակագրության մեջ, 1936 թ.-ին նույն նպատակի համար ներկայացվել է խտրական վերլուծություն: Դիզայնի ճանաչման օրինակ է դասակարգումը, որը փորձում է յուրաքանչյուր մուտքային արժեքը վերագրել տվյալ դասի խմբիներից մեկին (օրինակ ՝ որոշել, թե տվյալ էլ. Փոստը «սպամ» է): կամ «ոչ սպամ»):[2] Այնուամենայնիվ, օրինաչափությունների ճանաչումը ավելի ընդհանուր խնդիր է, որը ներառում է նաև արտադրանքի այլ տեսակներ: Այլ օրինակներ են ՝ ռեգրեսիան, որը յուրաքանչյուր մուտքագրմանը տալիս է իրական գնահատված ելք:Նախագծի ճանաչման ալգորիթմները, ընդհանուր առմամբ, նպատակ ունեն տրամադրել ողջամիտ պատասխան բոլոր հնարավոր մուտքերի համար և կատարել մուտքերի «ամենայն հավանականությամբ» համապատասխանեցում ՝ հաշվի առնելով դրանց վիճակագրական փոփոխությունը:

Ակնարկ[խմբագրել | խմբագրել կոդը]

Նախշերի ճանաչում ընդհանուր առմամբ,ուսումնական ընթացակարգի տեսակ է, որն օգտագործվում է ելքային արժեքը ստեղծելու համար:

Կարևոր առանձնահատկություններ[խմբագրել | խմբագրել կոդը]

Բազմաթիվ օրինաչափությունների ճանաչման ալգորիթմները, ըստ էության, հավանականական են, քանի որ նրանք օգտագործում են վիճակագրական եզրակացությունը տվյալ դեպքի համար լավագույն պիտակը գտնելու համար: Ի տարբերություն այլ ալգորիթմների, որոնք պարզապես դուրս են բերում «լավագույն» պիտակը, հաճախ հավանական ալգորիթմները նաև բերում են տվյալ պիտակի կողմից նկարագրված օրինակի հավանականությունը:Բացի այդ, շատ հավանական ալգորիթմներ դուրս են բերում N- ի հետ կապված հավանականության պիտակների ցանկը ՝ կապված N հավանականության որոշ արժեքի համար, փոխարենը ՝ միայն մեկ լավագույն պիտակի: Երբ հնարավոր պիտակների քանակը բավականին փոքր է (օր. ՝ դասակարգման դեպքում), N- ն կարող է սահմանվել այնպես, որ բոլոր հնարավոր պիտակների հավանականությունը ստացվի:Հնարավոր ալգորիթմները շատ առավելություններ ունեն ոչ հավանական ալգորիթմների նկատմամբ:

  • Համապատասխանաբար, նրանք կարող են ձեռնպահ մնալ, երբ որևէ կոնկրետ ելք ընտրելու վստահությունը չափազանց ցածր է:
  • Հավանականությունների ելքի պատճառով հավանականության օրինաչափությունների ճանաչման ալգորիթմները կարող են ավելի արդյունավետ ներառվել մեքենայական ուսուցման ավելի մեծ առաջադրանքների մեջ, այնպես, որ մասնակիորեն կամ ամբողջովին խուսափելսխալի տարածման խնդրից:

Օգտագործումը[խմբագրել | խմբագրել կոդը]

Բժշկական գիտության մեջ, նախշերի ճանաչումը համակարգչային օժանդակ համակարգերի ախտորոշման (CAD) հիմքն է. CAD- ը նկարագրում է մի ընթացակարգ, որն օժանդակում է բժշկի մեկնաբանություններին և գտածոներին: Նախշերի ճանաչման տեխնիկայի այլ բնորոշ ծրագրեր են `խոսքի ավտոմատ ճանաչում, տեքստի դասակարգում մի քանի կատեգորիաների դասակարգում, փոստային ծրարների վրա ձեռագիր փոստային կոդերի ավտոմատ ճանաչում, մարդու դեմքերի պատկերների ավտոմատ ճանաչում կամ բժշկական ձևերից ձեռքի նկարների արդյունահանում:[3]

Օրինակներ[խմբագրել | խմբագրել կոդը]

Խոսքի ճանաչում, խոսնակների նույնականացում, մուլտիմեդիա, փաստաթղթերի ճանաչում (MDR), ավտոմատ բժշկական ախտորոշում: Տիպիկ նախշերի ճանաչման հայտում թերի տվյալները վերամշակվում և վերածվում են այնպիսի ձևի, որը հարմար է մեքենայի օգտագործման համար:

  • Կլաստերի հավաքումը առաջացրեց տվյալների բաժանում, որն օգնում է որոշումների կայացմանը, մեզ համար հետաքրքրող որոշումների կայացման հատուկ գործողությանը: Կլաստերացումը օգտագործվում է չստուգված ուսուցման ընթացքում:

Հատկություններ[խմբագրել | խմբագրել կոդը]

  • Հատկությունները կարող են ներկայացվել որպես շարունակական, դիսկրետ կամ դիսկրետ երկուական փոփոխականներ։Հատկությունը մեկ կամ մի քանի չափումների գործառույթ է, հաշվարկված, որպեսզի այն քանակականացնի օբյեկտի որոշ նշանակալի բնութագրերը:

Օրինակ. Հաշվի առեք մեր դեմքը, ապա աչքերը, ականջները, քիթը և այլն դեմքի հատկություններ են:

  • Մի շարք առանձնահատկություններ, որոնք միասին վերցված են, ձևավորում են հատկությունների վեկտորը:

Օրինակ․Դեմքի վերը նշված օրինակում, եթե միասին վերցնենք բոլոր հատկանիշները (աչքեր, ականջներ, քիթ և այլն), ապա հաջորդականությունը խաղարկային վեկտոր է ([աչքեր, ականջներ, քիթ]): Խաղարկային վեկտորն այն առանձնահատկությունների հաջորդականությունն է, որը ներկայացված է որպես երկչափ սյունակի վեկտոր։

Առավելությունները[խմբագրել | խմբագրել կոդը]

  • Նախշի ճանաչումը լուծում է դասակարգման խնդիրները:
  • Նախշերի ճանաչումը լուծում է կեղծ կենսաչափական հայտնաբերման խնդիրները:
  • Այն օգտակար է կտորի նախշերի ճանաչման համար `տեսողական խնդիրներ ունեցող կույր մարդկանց համար:
  • Մենք կարող ենք ճանաչել որոշակի օբյեկտ տարբեր տեսանկյունից:

Թերությունները[խմբագրել | խմբագրել կոդը]

  • Սինտակտիկ օրինաչափությունների ճանաչման մոտեցումը բարդ է իրագործման համար և այն շատ դանդաղ գործընթաց է:
  • Ավելի լավ ճշգրտություն ստանալու համար անհրաժեշտ է ավելի մեծ տվյալների բազա:
  • Այն չի կարող բացատրել, թե ինչու է ճանաչվում որոշակի օբյեկտ:

Ծրագրեր[խմբագրել | խմբագրել կոդը]

* Պատկերի մշակում,[4] հատվածավորում և վերլուծություն։

  • Համակարգչային տեսողություն։

Նախշի ճանաչումը օգտագործվում է տվյալ պատկերի / վիդեո նմուշներիից բովանդակալից հատկություններ հանելու համար և օգտագործվում է համակարգչային տեսողության մեջ տարբեր կիրառությունների համար, ինչպիսիք են կենսաբանական և կենսաբժշկական պատկերները:

* Սեյսմիկ վերլուծություն։ Նախշի ճանաչման մոտեցումը օգտագործվում է սեյսմիկ զանգվածի ձայնագրություններում ժամանակային օրինաչափությունների հայտնաբերման, պատկերազերծման և մեկնաբանման համար: Վիճակագրական օրինաչափության ճանաչումն իրականացվում և օգտագործվում է սեյսմիկ վերլուծության տարբեր տեսակի մոդելներում:

* Ռադարային ազդանշանի դասակարգում / վերլուծություն։ Նախշի ճանաչումը և ազդանշանի մշակման մեթոդները օգտագործվում են ռադիոտեղորոշման ազդանշանային դասակարգումների տարբեր կիրառություններում, ինչպիսիք են AP ականազերծումը և նույնականացումը:

* Խոսքի ճանաչում։ Խոսքի ճանաչման ամենամեծ հաջողությունը ձեռք է բերվել նախշի ճանաչման միջոցով: Այն օգտագործվում է խոսքի ճանաչման տարբեր ալգորիթմներում, որոնք փորձում են խուսափել նկարագրության հնչյունային մակարդակի օգտագործման խնդիրներից և վերաբերվում են ավելի մեծ միավորների։

* Մատնահետքերի նույնականացում։ Մատնահետքերի ճանաչումը տեխնիկան կենսաչափական շուկայում գերիշխող տեխնոլոգիա է: Մատնահետքերի համապատասխանեցման համար օգտագործվել են ճանաչման մի շարք մեթոդներ, որոնցից լայնորեն օգտագործվում է նախշի ճանաչման մոտեցումները:

Գրականություն[խմբագրել | խմբագրել կոդը]

• M. Jordan J. Kleinberg B.Scholkopf Նախշերի ճանաչում և մեքենայական ուսուցում
• Isabelle Guyon, Gavin Cawley,Gideon Dror, and Amir Saffari Ձեռագիր նախշի ճանաչում
• Andrew R. Webb, QinetiQ Ltd. Malvern Վիճակագրական նախշերի ճանաչում

Ծանոթագրություններ[խմբագրել | խմբագրել կոդը]

Արտաքին հղումներ[խմբագրել | խմբագրել կոդը]