Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Rozpoznawaniewzorcówjestdziałemsztucznejinteligencji
zajmującymsięklasyfikacjąobserwacji.Celemrozpoznawaniajest
klasyfikowaniedanych(wzorców)napodstawiewiedzyapriorilubna
podstawieinformacjistatystycznychuzyskanychzwzorca.Wzorcesą
zazwyczajzbioremobserwacjilubpomiarów[Ham1990,How2010].
Przykładamiwzorcówsą:wycineksygnałuEKG[Bai2006],cyfrowy
sygnałaudiogłoskilubsłowa[Bur1996,You1994,Kub2012],litera
(zarównowpostaciobrazujakikodu)[Che1994,Elm1998,Sae2009],
obrazodciskupalca,obraztęczówkioka,obraztwarzy[Sam1994,
Bob2012b],obrazsamochodulubsamolotu,czysekwencjabiałek
[Bal1994,Chu1989,Chu1992,Dur1998,Edd2007,Kro1998].
Wśródszerokiejgamymetodrozpoznawaniawzorcówsąmetody
statystyczne.
W
przeciwieństwie
do
metod
probabilistycznych
wykorzystującychprawdopodobieństwoapriOri,metodystatystyczne
wykorzystująregułydecyzyjnezezbioremuczącym,złożonymz
obiektów,dlaktórychznanyjestwektorcechietykietaklasywzorca.
JednązwielumetodrozpoznawaniawzorcasąukrytemodeleMarkowa
(UMM).Sąpowszechniestosowanewrozpoznawaniumowy[Hua1990,
Leg1995,Lev1983].Wprzypadkusystemówrozpoznawaniawzorcówna
obrazachcyfrowych,opartychoukrytemodeleMarkowa,pojawiasię
problemzwymiarowościądanychwejściowych.UMMpracująz
jednowymiarowymiwektoramiopisującymiwzorzec(obraz).Istnieje
zatemkoniecznośćprzekształceniawzorcówdwuwymiarowychw
wektory.Niestetypowodujetoutratęczęściinformacjizawartejw
obrazie.Strukturaobrazuniesiezesobąinformacje,któramożebyć
użytecznawprocesierozpoznawania.Ponadtonależysięzastanowićnad
koniecznościąprzekształcaniadwuwymiarowejinformacjiwejściowejw
sygnałjednowymiarowy,ponieważwiążesiętozdodatkowymi
operacjamiiobliczeniami.Ztegowzględuwygodniej,łatwiejiszybciej
możnabybyłorozpoznawaćobrazy(wzorcedwuwymiarowe),gdyby
istniała
możliwość
wprowadzania
danych
dwuwymiarowych
do
dwuwymiarowegoUMM.
5
