Նախշերի ճանաչում

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։