Mustererkennung
Die Mustererkennung ist ein Teilgebiet der Informatik und bezeichnet das maschinelle Erkennen und Auswerten von Mustern in Signalen. Die Anwendung der Mustererkennung reicht von der automatischen Klassifizierung kontinuierlicher Signale in diskrete Klassen bis zu komplexen Analysen. Die Mustererkennung wird als Verfahren der künstlichen Intelligenz eingesetzt, um die Fähigkeiten der menschlichen Wahrnehmung nachzubilden.Beispiele für die Anwendung von Mustererkennung sind Spracherkennung und Optische Zeichenerkennung, Biometrie (Gesichtserkennung, Fingerabdrücke...) und Bilderkennung. Auch lassen sich beispielsweise Muster in E-mails erkennen, die für UBE/UCE typisch sind, um diese auszufiltern. Mustererkennung in Datenbanken wird auch als Datenanalyse oder Data-Mining bezeichnet.
Die verschiedenen Verfahren zu Mustererkennung unterscheiden sich im wesentlichen in ihren Klassifikationsverfahren.
Methodisch lassen sich unterscheiden
- Syntaktische (oder strukturelle) Mustererkennung, wo es darum geht, (i.d.R. probabilistische) Grammatiken für formale Sprachen zu finden, die bestimmte Klassen von Objekten beschreiben.
- Statististische Mustererkennung verwendet Methoden aus der Statistik und dem maschinellen Lernen zur Charakterisierung von Objektklassen.
Table of contents |
2 Siehe auch 3 Literatur 4 Weblinks |
Stichprobe ? | Lernen | ||||||||||
? | |||||||||||
Verfahren | Erfassung | ? | Vorverarbeitung | ? | Merkmalsgewinnung | ? | Merkmalsreduktion | ? | Klassifikation | ||
---|---|---|---|---|---|---|---|---|---|---|---|
Ergebnis | ? | Muster | ? | Muster | ? | Merkmale | ? | Merkmale | ? | Klassen |
Um Muster besser erkennen zu können, findet in der Regel eine Vorverarbeitung statt. Die Entfernung bzw. Verringerung unerwünschter oder irrelevanter Signalbesteilteile führt gleichzeitig zu einer Reduktion der zu verarbeitenden Daten. Mögliche Verfahren der Vorverarbeitung sind unter Anderem die Signalmittelung, Anwendung eines Schwellwertes und Normierung. Ein gewünschtes Ergebnis der Vorverarbeitung ist die Verringerung von Rauschen und die Abbildung auf einen einheitlichen Wertebereich.
Nach der Verbesserung des Musters durch Vorverarbeitung lassen sich aus seinem Signal verschiedene Merkmale gewinnen. Dies geschieht in der Regel empirisch nach durch Intuition und Erfahrung gewonnene Verfahren, da es wenige rein analytische Verfahren gibt. Welche Merkmale wesentlich sind, hängt von der jeweiligen Anwendung ab. Merkmale können aus Symbolen beziehungsweise Symbolketten bestehen oder mit statistischen Verfahren aus verschiedenen Skalenniveau gewonnen werden. Bei den numerischen Verfahren unterscheidet man Verfahren im Orginalbereich und Verfahren im Spektralbereich. Mögliche Merkmale sind beispielsweise
Zur Reduktion der Merkmale auf die für die Klassifikation wesentlichen wird geprüft, welche Merkmale für die Klassentrennung relevant sind und welche weggelassen werden können. Verfahren der Merkmalsreduktion sind die Varianzanalyse, bei der geprüft wird, ob ein oder mehrere Merkmale Trennfähigkeit besitzten, und die Diskriminanzanalyse, bei der durch Kombination von elementaren Merkmalen eine möglichst geringe Zahl trennfähiger nicht-elementarer Merkmale gebildet wird.
Der letzte und wesentlichste Schritt der Mustererkennung ist die Klassifikation der Merkmale in Klassenn. Dazu existieren verschiedene Klassifikationsverfahren wie (weiteres siehe dort).
Erfassung
Siehe auch: Signalverarbeitung, Messung, Digitalisierung, Meßtechnik, DatenerhebungVorverarbeitung
Merkmalsgewinnung
Mittels Transformationen wie der DFT und DCT können die ursprünglichen Signalwerte in einen handlicheren Merkmalsraum gebracht werden. Die Grenzen zwischen Verfahren der Merkmalsgewinnung und Merkmalsreduktion sind fliessend. Da es wünschenswert ist, möglichst wenige aber dafür umso aussagekräftigere Merkmale zu gewinnen, können Beziehungen wie die Kovarianz und der Korrelationskoeffizient zwischen mehreren Merkmalen berücksichtigt werden. Mit der Karhunen-Loéve-Transformation lassen sich Merkmale optimal entkorrelieren.Merkmalsreduktion
Klassifikation
Siehe auch
Regressionsanalyse (Lineare Regression und Nichtlineare Regression), Bildverarbeitung, Computer Vision, Spracherkennung, Support-Vector-MaschineLiteratur
Weblinks