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

1 Teilschritte der Mustererkennung 1.1 Erfassung 1.2 Vorverarbeitung 1.3 Merkmalsgewinnung 1.4 Merkmalsreduktion 1.5 Klassifikation 2 Siehe auch 3 Literatur 4 Weblinks

Teilschritte der Mustererkennung

Ein Mustererkennungsprozess lässt sich in mehrere Teilschritte zerlegen, bei denen am Anfang die Erfassung und am eine eine ermittelte Klasseneinteilung steht. Bei der Erfassung werden Daten oder Signale mittels Sensoren aufgenommen und digitalisiert. Aus den meist analogen Signalen werden Muster gewonnen, die sich mathematisch in Vektoren und Matrizen darstellen lassen. Zur Datenreduktion und zur Verbesserung der Qualität findet eine Vorverarbeitung statt. Durch Extraktion von Merkmalen werden die Muster bei Merkmalsgewinnung anschließend in einen Merkmalsraum transformiert. Die Dimension des Merkmalsraums, in dem die Muster nun als Punkte repräsentiert sind, wird bei der Merkmalsreduktion auf die wesentlichen Merkmale beschränkt. Der abschließende Kernschritt ist die Klassifikation durch einen Klassifikator, der die Merkmale verschiedenen Klassen zuordnet. Das Klassifikationsverfahren kann auf einem Lernvorgang mit Hilfe einer Stichprobe basieren.

								Stichprobe ?		Lernen
										?
Verfahren		Erfassung	?	Vorverarbeitung	?	Merkmalsgewinnung	?	Merkmalsreduktion	?	Klassifikation
Ergebnis		?	Muster	?	Muster	?	Merkmale	?	Merkmale	?	Klassen

Erfassung

Siehe auch: Signalverarbeitung, Messung, Digitalisierung, Meßtechnik, Datenerhebung

Vorverarbeitung

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.

Merkmalsgewinnung

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

• Kennzahlen der Verteilungsfunktion
• Momentee wie Erwartungswert und Varianz
• Korrelation und Faltung

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

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.

Klassifikation

Der letzte und wesentlichste Schritt der Mustererkennung ist die Klassifikation der Merkmale in Klassenn. Dazu existieren verschiedene Klassifikationsverfahren wie (weiteres siehe dort).

Siehe auch

Regressionsanalyse (Lineare Regression und Nichtlineare Regression), Bildverarbeitung, Computer Vision, Spracherkennung, Support-Vector-Maschine

Literatur

• Richard O. Duda, Peter E. Hart, David G. Stork: Pattern classification, Wiley, New York, 2001, ISBN 0471056693
• K. Fukunaga: Statistical Pattern Recognition. Academic Press, 1991
• H. Niemann: Klassifikation von Mustern. Springer, 1983 ISBN 3-540-12642-2

Weblinks

• http://www.dagm.de/ - Deutsche Arbeitsgemeinschaft für Mustererkennung