模式識別在電子信息的運用論文

　　1引言

　　模式識別是一門(mén)交叉性學(xué)科,涉及數據挖掘、機器學(xué)習、模式識別、人工智能、統計學(xué)、計算機語(yǔ)言學(xué)、計算機網(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)現隱含知識和模式的一種方法和工具,它從數據挖掘發(fā)展而來(lái),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(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(jìn)行科學(xué)的抽象，建立它的數學(xué)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(guān)特征提取以及最后的分類(lèi)識別算法。例如可以采用主流的深度學(xué)習方法來(lái)進(jìn)行特征值提取,通過(guò)卷積神經(jīng)網(wǎng)絡(luò )對圖像進(jìn)行識別,通過(guò)多層特征的融合來(lái)使得運算量降低,識別速度加快,通過(guò)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�；�于深度學(xué)習的特征提取算法,通過(guò)較大規模的圖像庫進(jìn)行訓練,使得圖像識別模型的準確度非常高,同時(shí)時(shí)間減小,可以達到萬(wàn)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(lái)進(jìn)行，最優(yōu)化識別的主要是采用神經(jīng)網(wǎng)絡(luò )的方法，主要由評判、模型和執行三個(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)現的，主要可以采用相關(guān)的函數來(lái)對于內部的權重進(jìn)行調整，從而達到分類(lèi)的目的，對于整體進(jìn)行逐次的優(yōu)化，最終得到全局的優(yōu)化識別提取函數，通過(guò)神經(jīng)網(wǎng)絡(luò )建模的方法，可以有效的對于電子信息特征進(jìn)行提取，所以神經(jīng)網(wǎng)絡(luò )依然是當前很長(cháng)一段時(shí)間內控制科學(xué)的發(fā)展方向。

　　2電子信息特征分析

　　模式識別技術(shù)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(guò)程中，特征提取是極為重要的一個(gè)步驟，可以對于電子信息數據中所包含的信息進(jìn)行有效地利用，本文通過(guò)對于模式識別技術(shù)進(jìn)行分析，以電子信息中的圖像信息為例，對其提取技術(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：音頻信號的頻帶越寬，所包含的音頻信號分量越豐富，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(jiǎn)稱(chēng)。噪音可分為環(huán)境噪音和設備噪音。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)對實(shí)際信息特征提取的評價(jià)與運行情況進(jìn)行確定，同時(shí)，利用相關(guān)的神經(jīng)網(wǎng)絡(luò )、強化學(xué)習等算法，來(lái)實(shí)現音頻特征的近似與優(yōu)化，這樣就能對于系統的內部參數進(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，它可以對圖像的表面進(jìn)行快速的識別與提取，我們一般用顏色直方圖來(lái)對這個(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 )受到圖像旋轉的變化，但是它無(wú)法表達出顏色分布的相關(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)低級的圖像特征，而無(wú)法進(jìn)行更高層次的分類(lèi)。還可以通過(guò)形狀來(lái)對圖像進(jìn)行特征提取，它可以有效的對于圖像的性質(zhì)進(jìn)行分類(lèi)，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(shí)對于圖像也有著(zhù)較高的要求，因其可能會(huì )受到噪聲的干擾�？臻g關(guān)系也是極為重要的一種圖像特征，使用時(shí)要先對圖像進(jìn)行分割，對幾個(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)際的圖像識別當中需要綜合以上幾種技術(shù)才能對于特征進(jìn)行有效的提取，提升圖像分類(lèi)的準確性。

　　3模式識別技術(shù)的應用探討

　　3.1概述。圖像處理是模式識別領(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(lèi)是基于機器學(xué)習的,第二類(lèi)是基于統計方法的,根據實(shí)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(jīng)網(wǎng)絡(luò )等。該方法以模式識別為基礎，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)習的思路，所以其被稱(chēng)為是一種極度接近于人工智能的優(yōu)化提取識別方法，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)的嘗試與應用。

　　3.2主流數字圖像信息處理方法。

　　3.2.1基于幾何特征�；�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(lái)說(shuō)不敏感,同時(shí)對于動(dòng)態(tài)變化的圖像,它將無(wú)法識別。

　　3.2.2基于模型�；�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)數學(xué)的統計性的問(wèn)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�；�于統計學(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,來(lái)判斷這些特征所表現的否是被識別的物體,優(yōu)點(diǎn)在于識別速度較快,缺點(diǎn)在于對于動(dòng)態(tài)的圖像處理較差。

　　3.2.4基于神經(jīng)網(wǎng)絡(luò )�；�于神經(jīng)網(wǎng)絡(luò )的圖像處理方法,主要是采用機器學(xué)習的方案,就是通過(guò)多張圖像進(jìn)行模型的訓練,然后對其參數進(jìn)行調整,然后對所要識別的圖像進(jìn)行分類(lèi),來(lái)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(shí)間較長(cháng)。

　　3.2.5基于深度學(xué)習。深度學(xué)習也是一種復雜的神經(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,它對于計算性能要求較高,可以利用空間的相對關(guān)系來(lái)進(jìn)行降維,使得訓練性能提升,結合實(shí)際情況下的深度學(xué)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(shù),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(yáng)工學(xué)院學(xué)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(xué),2008.

【模式識別在電子信息的運用論文】相關(guān)文章：

電子信息在建筑工程中的運用研究論文07-03

電子信息工程的計算機網(wǎng)絡(luò )技術(shù)運用論文06-27

電子信息導論論文09-03

電子信息的發(fā)展論文09-30

有關(guān)電子信息的論文10-27

電子信息的相關(guān)論文07-29

電子信息類(lèi)的論文08-07

電子信息發(fā)展論文10-29

職校班級的管理運用論文05-24

數學(xué)教育技術(shù)的運用論文10-06