1引言

模式識(shí)別是一門交叉性學(xué)科,涉及數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、模式識(shí)別、人工智能、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)語(yǔ)言學(xué)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、信息學(xué)等多個(gè)領(lǐng)域。電子信息提取就是從大量的電子信息中發(fā)現(xiàn)隱含知識(shí)和模式的一種方法和工具,它從數(shù)據(jù)挖掘發(fā)展而來(lái),但與傳統(tǒng)的數(shù)據(jù)挖掘又有許多不同。電子信息的識(shí)別及其特征項(xiàng)的選取是數(shù)據(jù)挖掘、信息檢索的一個(gè)基本問(wèn)題，它把從電子信息中抽取出的特征進(jìn)行量化來(lái)表示其信息。將它們從一個(gè)無(wú)結(jié)構(gòu)的原始信息轉(zhuǎn)化為結(jié)構(gòu)化的計(jì)算機(jī)可以識(shí)別處理的信息，即對(duì)信息數(shù)據(jù)進(jìn)行科學(xué)的抽象，建立它的數(shù)學(xué)模型，用以描述和代替它本身。

目前對(duì)于模式識(shí)別的研究主要集中于電子信息的相關(guān)特征提取以及最后的分類識(shí)別算法。例如可以采用主流的深度學(xué)習(xí)方法來(lái)進(jìn)行特征值提取,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別,通過(guò)多層特征的融合來(lái)使得運(yùn)算量降低,識(shí)別速度加快,通過(guò)基本的特征信息,從而反映出高級(jí)別的屬性特征,其識(shí)別準(zhǔn)確度較高,抗干擾性較強(qiáng)。基于深度學(xué)習(xí)的特征提取算法,通過(guò)較大規(guī)模的圖像庫(kù)進(jìn)行訓(xùn)練,使得圖像識(shí)別模型的準(zhǔn)確度非常高,同時(shí)時(shí)間減小,可以達(dá)到萬(wàn)分之一秒。

電子信息的模式識(shí)別主要是用函數(shù)逼近的方式來(lái)進(jìn)行，最優(yōu)化識(shí)別的主要是采用神經(jīng)網(wǎng)絡(luò)的方法，主要由評(píng)判、模型和執(zhí)行三個(gè)部分來(lái)組成，它們都是用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行實(shí)現(xiàn)的，主要可以采用相關(guān)的函數(shù)來(lái)對(duì)于內(nèi)部的權(quán)重進(jìn)行調(diào)整，從而達(dá)到分類的目的，對(duì)于整體進(jìn)行逐次的優(yōu)化，最終得到全局的優(yōu)化識(shí)別提取函數(shù)，通過(guò)神經(jīng)網(wǎng)絡(luò)建模的方法，可以有效的對(duì)于電子信息特征進(jìn)行提取，所以神經(jīng)網(wǎng)絡(luò)依然是當(dāng)前很長(zhǎng)一段時(shí)間內(nèi)控制科學(xué)的發(fā)展方向。

2電子信息特征分析

模式識(shí)別技術(shù)在電子信息特征提取中的應(yīng)用文/陳赫在電子信息的分析過(guò)程中，特征提取是極為重要的一個(gè)步驟，可以對(duì)于電子信息數(shù)據(jù)中所包含的信息進(jìn)行有效地利用，本文通過(guò)對(duì)于模式識(shí)別技術(shù)進(jìn)行分析，以電子信息中的圖像信息為例，對(duì)其提取技術(shù)進(jìn)行探討，為其進(jìn)一步發(fā)展指明了方向。

2.1音頻信息。頻帶寬度：音頻信號(hào)的頻帶越寬，所包含的音頻信號(hào)分量越豐富，音質(zhì)越好。動(dòng)態(tài)范圍：動(dòng)態(tài)范圍越大，信號(hào)強(qiáng)度的相對(duì)變化范圍越大，音響效果越好。信噪比：信噪比SNR是有用信號(hào)與噪聲之比的簡(jiǎn)稱。噪音可分為環(huán)境噪音和設(shè)備噪音。信噪比越大，聲音質(zhì)量越好。將其進(jìn)行提取之后，可以通過(guò)不同的反饋來(lái)對(duì)實(shí)際信息特征提取的評(píng)價(jià)與運(yùn)行情況進(jìn)行確定，同時(shí)，利用相關(guān)的神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)等算法，來(lái)實(shí)現(xiàn)音頻特征的近似與優(yōu)化，這樣就能對(duì)于系統(tǒng)的內(nèi)部參數(shù)進(jìn)行實(shí)時(shí)的更新，這里主要是采用貝爾曼的優(yōu)化方式來(lái)進(jìn)行更新的。

2.2圖像信息。圖像信息的特征主要包括顏色、紋理、形狀和空間的關(guān)系等，顏色特征是整個(gè)圖形全局的一種特征，它可以對(duì)圖像的表面進(jìn)行快速的識(shí)別與提取，我們一般用顏色直方圖來(lái)對(duì)這個(gè)圖像的顏色特征來(lái)進(jìn)行分析，顏色直方圖可以有效的進(jìn)行特征的提取而不會(huì)受到圖像旋轉(zhuǎn)的變化，但是它無(wú)法表達(dá)出顏色分布的相關(guān)信息，因此還有一些缺點(diǎn)，。紋理特征也是反映了圖像的一種整體特性，它對(duì)于圖像表面的紋理可以進(jìn)行分析，它可以有效的去除噪聲，但是無(wú)法對(duì)于物體本身的屬性進(jìn)行研究，所以說(shuō)文理只是一個(gè)低級(jí)的圖像特征，而無(wú)法進(jìn)行更高層次的分類。還可以通過(guò)形狀來(lái)對(duì)圖像進(jìn)行特征提取，它可以有效的對(duì)于圖像的性質(zhì)進(jìn)行分類，但是在很多情況下特征只能反應(yīng)圖像局部的形狀，只能反映一些局部的特征，同時(shí)對(duì)于圖像也有著較高的要求，因其可能會(huì)受到噪聲的干擾。空間關(guān)系也是極為重要的一種圖像特征，使用時(shí)要先對(duì)圖像進(jìn)行分割，對(duì)幾個(gè)圖像模塊之間的關(guān)系進(jìn)行研究，從而有效的分辨出這個(gè)圖像的性質(zhì)，但是在實(shí)際的圖像識(shí)別當(dāng)中需要綜合以上幾種技術(shù)才能對(duì)于特征進(jìn)行有效的提取，提升圖像分類的準(zhǔn)確性。

3模式識(shí)別技術(shù)的應(yīng)用探討

3.1概述。圖像處理是模式識(shí)別領(lǐng)域的一個(gè)重要的分支,圖像處理技術(shù)可以分為兩大部分,第一類是基于機(jī)器學(xué)習(xí)的,第二類是基于統(tǒng)計(jì)方法的,根據(jù)實(shí)現(xiàn)的原理可以劃分為基于幾何特征、基于模型、基于統(tǒng)計(jì)方法、基于神經(jīng)網(wǎng)絡(luò)等。該方法以模式識(shí)別為基礎(chǔ)，融合人工智能的先進(jìn)方法，模擬人通過(guò)環(huán)境反饋進(jìn)行學(xué)習(xí)的思路，所以其被稱為是一種極度接近于人工智能的優(yōu)化提取識(shí)別方法，受到了學(xué)界的廣泛關(guān)注，在很多場(chǎng)合都進(jìn)行了相關(guān)的嘗試與應(yīng)用。3.2主流數(shù)字圖像信息處理方法。

3.2.1基于幾何特征。基于幾何特征的方法,主要是在圖像中尋找特征,將特征點(diǎn)之間的距離和比例進(jìn)行歸納,通過(guò)臨近的方法來(lái)識(shí)別圖像,這樣的方法比較快,內(nèi)存占用少,但是對(duì)于光照變化來(lái)說(shuō)不敏感,同時(shí)對(duì)于動(dòng)態(tài)變化的圖像,它將無(wú)法識(shí)別。

3.2.2基于模型。基于模型的方法,主要采用馬爾科夫模型,這種模型的方法,主要是通過(guò)數(shù)學(xué)的統(tǒng)計(jì)性的問(wèn)題。這種方法對(duì)于樣本的要求較高,需要建立較為可靠的模型。

3.2.3基于統(tǒng)計(jì)。基于統(tǒng)計(jì)學(xué)的方法,主要是通過(guò)提取圖像中光照、位置等特征向量,來(lái)進(jìn)行圖像的重構(gòu),來(lái)判斷這些特征所表現(xiàn)的否是被識(shí)別的物體,優(yōu)點(diǎn)在于識(shí)別速度較快,缺點(diǎn)在于對(duì)于動(dòng)態(tài)的圖像處理較差。

3.2.4基于神經(jīng)網(wǎng)絡(luò)。基于神經(jīng)網(wǎng)絡(luò)的圖像處理方法,主要是采用機(jī)器學(xué)習(xí)的方案,就是通過(guò)多張圖像進(jìn)行模型的訓(xùn)練,然后對(duì)其參數(shù)進(jìn)行調(diào)整,然后對(duì)所要識(shí)別的圖像進(jìn)行分類,來(lái)判斷它是否是被識(shí)別的圖像,這樣的算法識(shí)別成功率較高,但是運(yùn)算時(shí)間較長(zhǎng)。

3.2.5基于深度學(xué)習(xí)。深度學(xué)習(xí)也是一種復(fù)雜的神經(jīng)網(wǎng)絡(luò),主要是采用一些低層的特征來(lái)進(jìn)行高層特征的表示,它對(duì)于計(jì)算性能要求較高,可以利用空間的相對(duì)關(guān)系來(lái)進(jìn)行降維,使得訓(xùn)練性能提升,結(jié)合實(shí)際情況下的深度學(xué)習(xí),效率非常高。

參考文獻(xiàn)

[1]胡勤.人工智能概述[J].電腦知識(shí)與技術(shù),2010(05):3507-3509.

[2]高春庚,孫建國(guó).基于統(tǒng)計(jì)的人臉識(shí)別方法綜述[J].安陽(yáng)工學(xué)院學(xué)報(bào),2012.

[3]姜賀.基于幾何特征的人臉識(shí)別算法的研究[D].大連理工大學(xué),2008.

作者:陳赫    單位:長(zhǎng)治學(xué)院電子信息與物理系