+44(0)7903 92 98 95

Die Mustererkennung ist der Prozess der Erkennung von Mustern mithilfe eines Algorithmus für maschinelles Lernen. Die Mustererkennung kann definiert werden als die Klassifizierung von Daten auf der Grundlage bereits erlangter Erkenntnisse oder auf statistischen Informationen, die aus Mustern und/oder deren Darstellung extrahiert werden. Einer der wichtigen Aspekte der Mustererkennung ist ihr Anwendungspotenzial. Beispiele: Spracherkennung, Lautsprecheridentifikation, Multimedia-Dokumentenerkennung (MDR), automatische medizinische Diagnose. In einer typischen Mustererkennungsanwendung werden die Rohdaten verarbeitet und in ein Formular konvertiert, das für eine Maschine geeignet ist. Die Mustererkennung umfasst Klassifizierung und Cluster von Mustern. Die Mustererkennung wird im Allgemeinen nach der Art des Lernverfahrens kategorisiert, das zum Generieren des Ausgabewerts verwendet wird. Überwachtes Lernen setzt voraus, dass eine Reihe von Trainingsdaten (der Schulungssatz) bereitgestellt wurde, die aus einer Reihe von Instanzen bestehen, die von Hand mit der richtigen Ausgabe ordnungsgemäß beschriftet wurden. Ein Lernverfahren generiert dann ein Modell, das versucht, zwei manchmal widersprüchliche Ziele zu erreichen: Führen Sie so gut wie möglich auf die Trainingsdaten, und verallgemeinern Sie so gut wie möglich auf neue Daten (in der Regel bedeutet dies, so einfach wie möglich zu sein, für eine technische Definition von “einfach”, in Übereinstimmung mit Occam Razor, unten besprochen). Unbeaufsichtigtes Lernen hingegen setzt Trainingsdaten voraus, die nicht von Hand beschriftet wurden, und versucht, inhärente Muster in den Daten zu finden, die dann verwendet werden können, um den richtigen Ausgabewert für neue Dateninstanzen zu bestimmen. [5] Eine Kombination aus beidem, das kürzlich untersucht wurde, ist halbüberwachtes Lernen, das eine Kombination aus beschrifteten und nicht beschrifteten Daten verwendet (in der Regel ein kleiner Satz beschrifteter Daten in Kombination mit einer großen Menge nicht beschrifteter Daten). Beachten Sie, dass es bei unbeaufsichtigtem Lernen möglicherweise überhaupt keine Schulungsdaten gibt, von denen die Rede ist; mit anderen Worten, und die zu kennzeichnenden Daten sind die Schulungsdaten. Optische Zeichenerkennung ist ein klassisches Beispiel für die Anwendung eines Musterklassifiers, siehe OCR-Beispiel.

Die Methode, den eigenen Namen zu signieren, wurde ab 1990 mit Stift und Overlay erfasst. [Zitat erforderlich] Die Striche, Geschwindigkeit, relative min, relative max, Beschleunigung und Druck wird verwendet, um Identität eindeutig zu identifizieren und zu bestätigen. Den Banken wurde diese Technologie zuerst angeboten, aber sie begnügten sich damit, von der FDIC für jeden Bankbetrug zu sammeln, und wollten die Kunden nicht belästenden. [Zitat erforderlich] Viele gängige Mustererkennungsalgorithmen sind probabilistisch, da sie statistische Schlussfolgerungen verwenden, um die beste Bezeichnung für eine bestimmte Instanz zu finden.

Categories: