Mustererkennung neuronale netze

In der Psychologie ist die Mustererkennung (sinnvollund und identifizierende Objekte) eng mit der Wahrnehmung verbunden, was erklärt, wie die sensorischen Inputs, die Menschen erhalten, sinnvoll gemacht werden. Die Mustererkennung kann auf zwei verschiedene Arten betrachtet werden: die erste ist vorlagenabgleich und die zweite ist die Feature-Erkennung. Eine Vorlage ist ein Muster, das zum Erstellen von Elementen mit den gleichen Proportionen verwendet wird. Die Hypothese des Vorlagenabgleichs legt nahe, dass eingehende Reize mit Vorlagen im Langzeitgedächtnis verglichen werden. Wenn es eine Übereinstimmung gibt, wird der Stimulus identifiziert. Feature-Erkennungsmodelle, wie das Pandemonium-System zur Klassifizierung von Buchstaben (Selfridge, 1959), deuten darauf hin, dass die Reize zur Identifizierung in ihre Komponenten unterteilt werden. Ein Großbuchstabe E hat z. B. drei horizontale Linien und eine vertikale Linie. [23] Für eine Diskussion der oben genannten Anwendungen neuronaler Netze in der Bildverarbeitung siehe z.B.[22] Kamp Y, Hasler M 1990Recursive neural networks for associative memory (Chichester: John Wiley & Sons) Carpenter G A, Grossberg S 1987 art2: Self-organisation of stable category recognition codes for analog input patterns.Appl. Opt. 26: 4919–4930 Rauch H E, Winarske T 1988 Neural networks for routing communications traffic. IEEE Control Syst.

Mag. (April): 26–31 Dieser Artikel konzentriert sich auf machine learning Ansätze zur Mustererkennung. Mustererkennungssysteme werden in vielen Fällen aus beschrifteten „Trainingsdaten“ (überwachtes Lernen) trainiert, aber wenn keine beschrifteten Daten verfügbar sind, können andere Algorithmen verwendet werden, um bisher unbekannte Muster zu entdecken (unbeaufsichtigtes Lernen). Maschinelles Lernen steht in enemtoler bezogen auf die Mustererkennung und stammt aus künstlicher Intelligenz. KDD und Data Mining konzentrieren sich stärker auf unbeaufsichtigte Methoden und eine stärkere Verbindung zur geschäftlichen Nutzung. Die Mustererkennung konzentriert sich mehr auf das Signal und berücksichtigt auch Die Erfassung und Signalverarbeitung. Es stammt aus dem Ingenieurwesen, und der Begriff ist im Kontext der Computer Vision beliebt: eine führende Computer Vision Konferenz heißt Konferenz über Computer Vision und Mustererkennung. Bei der Mustererkennung kann ein höheres Interesse an der Formalisierung, Erklärung und Visualisierung des Musters bestehen, während maschinelles Lernen sich traditionell auf die Maximierung der Erkennungsraten konzentriert. Doch all diese Bereiche haben sich wesentlich von ihren Wurzeln in künstlicher Intelligenz, Technik und Statistik entwickelt, und sie sind sich immer ähnlicher geworden, indem sie Entwicklungen und Ideen voneinander integrieren. Szu H 1986 Fast simuliertglühen.

InNeural networks for computing (Ed.) J S Denker (New York: Snowbird) Classification ist die letzte Stufe der Mustererkennung. Dies ist die Phase, in der ein automatisiertes System deklariert, dass das eingegebene Objekt zu einer bestimmten Kategorie gehört. Es gibt viele Klassifizierungsmethoden in diesem Bereich. Klassifizierungsmethodenentwürfe basieren auf den folgenden Konzepten. Algorithmen für die Mustererkennung hängen von der Art der Etikettenausgabe ab, davon, ob das Lernen überwacht oder unbeaufsichtigt ist, und davon, ob der Algorithmus statistischer oder nicht statistischer Natur ist. Statistische Algorithmen können weiter als generativ oder diskriminierend kategorisiert werden. Fukushima K, Miyake S 1982 Neocognitron: ein neuer Algorithmus zur Mustererkennung, der für Verformungen und Positionsverschiebungen tolerant ist. Muster Recogn. 15: 455–469 Wasserman P D 1988 Kombinierte Backpropagation/Cauchy Maschine.

Neuralnetworks: Abstracts of the first INNS Meeting, Boston (Elmsford, NY: Pergamon) 1: 556 Beim maschinellen Lernen ist die Mustererkennung die Zuordnung eines Etiketts zu einem bestimmten Eingabewert. In der Statistik wurde 1936 zu diesem Zweck eine diskriminierende Analyse eingeführt. Ein Beispiel für die Mustererkennung ist die Klassifizierung, bei der versucht wird, jeden Eingabewert einer bestimmten Gruppe von Klassen zuzuweisen (z. B. bestimmen, ob eine bestimmte E-Mail „Spam“ oder „Nicht-Spam“ ist). Die Mustererkennung ist jedoch ein allgemeineres Problem, das auch andere Arten von Ausgaben umfasst. Andere Beispiele sind die Regression, die jeder Eingabe eine realwertige Ausgabe zuweist. [2] Sequenzbeschriftung, die jedem Element einer Sequenz von Werten [3] eine Klasse zuweist (z. B. Teil der Sprachmarkierung, die jedem Wort in einem Eingabesatz einen Teil der Sprache zuweist); und Parsing, das einem Eingabesatz einen Analysebaum zuweist und die syntaktische Struktur des Satzes beschreibt. [4] Hertz J, Krogh A, Richard G P 1991Einführung in die Theorie der neuronalen Berechnung (New York: Addison-Wesley) Lippmann R P 1987 Eine Einführung in das Rechnen mit neuronalen Netzen. IEEE Trans.