模式識別在電子信息的運用

導語：模式識別在電子信息的運用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

1引言

模式識別是一門交叉性學科,涉及數據挖掘、機器學習、模式識別、人工智能、統計學、計算機語言學、計算機網絡技術、信息學等多個領域。電子信息提取就是從大量的電子信息中發現隱含知識和模式的一種方法和工具,它從數據挖掘發展而來,但與傳統的數據挖掘又有許多不同。電子信息的識別及其特征項的選取是數據挖掘、信息檢索的一個基本問題，它把從電子信息中抽取出的特征進行量化來表示其信息。將它們從一個無結構的原始信息轉化為結構化的計算機可以識別處理的信息，即對信息數據進行科學的抽象，建立它的數學模型，用以描述和代替它本身。目前對于模式識別的研究主要集中于電子信息的相關特征提取以及最后的分類識別算法。例如可以采用主流的深度學習方法來進行特征值提取,通過卷積神經網絡對圖像進行識別,通過多層特征的融合來使得運算量降低,識別速度加快,通過基本的特征信息,從而反映出高級別的屬性特征,其識別準確度較高,抗干擾性較強。基于深度學習的特征提取算法,通過較大規模的圖像庫進行訓練,使得圖像識別模型的準確度非常高,同時時間減小,可以達到萬分之一秒。電子信息的模式識別主要是用函數逼近的方式來進行，最優化識別的主要是采用神經網絡的方法，主要由評判、模型和執行三個部分來組成，它們都是用神經網絡來進行實現的，主要可以采用相關的函數來對于內部的權重進行調整，從而達到分類的目的，對于整體進行逐次的優化，最終得到全局的優化識別提取函數，通過神經網絡建模的方法，可以有效的對于電子信息特征進行提取，所以神經網絡依然是當前很長一段時間內控制科學的發展方向。

2電子信息特征分析

模式識別技術在電子信息特征提取中的應用文/陳赫在電子信息的分析過程中，特征提取是極為重要的一個步驟，可以對于電子信息數據中所包含的信息進行有效地利用，本文通過對于模式識別技術進行分析，以電子信息中的圖像信息為例，對其提取技術進行探討，為其進一步發展指明了方向。2.1音頻信息。頻帶寬度：音頻信號的頻帶越寬，所包含的音頻信號分量越豐富，音質越好。動態范圍：動態范圍越大，信號強度的相對變化范圍越大，音響效果越好。信噪比：信噪比SNR是有用信號與噪聲之比的簡稱。噪音可分為環境噪音和設備噪音。信噪比越大，聲音質量越好。將其進行提取之后，可以通過不同的反饋來對實際信息特征提取的評價與運行情況進行確定，同時，利用相關的神經網絡、強化學習等算法，來實現音頻特征的近似與優化，這樣就能對于系統的內部參數進行實時的更新，這里主要是采用貝爾曼的優化方式來進行更新的。2.2圖像信息。圖像信息的特征主要包括顏色、紋理、形狀和空間的關系等，顏色特征是整個圖形全局的一種特征，它可以對圖像的表面進行快速的識別與提取，我們一般用顏色直方圖來對這個圖像的顏色特征來進行分析，顏色直方圖可以有效的進行特征的提取而不會受到圖像旋轉的變化，但是它無法表達出顏色分布的相關信息，因此還有一些缺點，。紋理特征也是反映了圖像的一種整體特性，它對于圖像表面的紋理可以進行分析，它可以有效的去除噪聲，但是無法對于物體本身的屬性進行研究，所以說文理只是一個低級的圖像特征，而無法進行更高層次的分類。還可以通過形狀來對圖像進行特征提取，它可以有效的對于圖像的性質進行分類，但是在很多情況下特征只能反應圖像局部的形狀，只能反映一些局部的特征，同時對于圖像也有著較高的要求，因其可能會受到噪聲的干擾。空間關系也是極為重要的一種圖像特征，使用時要先對圖像進行分割，對幾個圖像模塊之間的關系進行研究，從而有效的分辨出這個圖像的性質，但是在實際的圖像識別當中需要綜合以上幾種技術才能對于特征進行有效的提取，提升圖像分類的準確性。

3模式識別技術的應用探討

3.1概述。圖像處理是模式識別領域的一個重要的分支,圖像處理技術可以分為兩大部分,第一類是基于機器學習的,第二類是基于統計方法的,根據實現的原理可以劃分為基于幾何特征、基于模型、基于統計方法、基于神經網絡等。該方法以模式識別為基礎，融合人工智能的先進方法，模擬人通過環境反饋進行學習的思路，所以其被稱為是一種極度接近于人工智能的優化提取識別方法，受到了學界的廣泛關注，在很多場合都進行了相關的嘗試與應用。3.2主流數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,將特征點之間的距離和比例進行歸納,通過臨近的方法來識別圖像,這樣的方法比較快,內存占用少,但是對于光照變化來說不敏感,同時對于動態變化的圖像,它將無法識別。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,主要是通過數學的統計性的問題。這種方法對于樣本的要求較高,需要建立較為可靠的模型。3.2.3基于統計。基于統計學的方法,主要是通過提取圖像中光照、位置等特征向量,來進行圖像的重構,來判斷這些特征所表現的否是被識別的物體,優點在于識別速度較快,缺點在于對于動態的圖像處理較差。3.2.4基于神經網絡。基于神經網絡的圖像處理方法,主要是采用機器學習的方案,就是通過多張圖像進行模型的訓練,然后對其參數進行調整,然后對所要識別的圖像進行分類,來判斷它是否是被識別的圖像,這樣的算法識別成功率較高,但是運算時間較長。3.2.5基于深度學習。深度學習也是一種復雜的神經網絡,主要是采用一些低層的特征來進行高層特征的表示,它對于計算性能要求較高,可以利用空間的相對關系來進行降維,使得訓練性能提升,結合實際情況下的深度學習,效率非常高。

參考文獻

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

[2]高春庚,孫建國.基于統計的人臉識別方法綜述[J].安陽工學院學報,2012.

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

作者:陳赫 單位:長治學院電子信息與物理系