- Mustererkennung - Wikipedia: Schon alltägliche Beispiele für die Anwendung von Mustererkennung sind Spracherkennung, Optische Zeichenerkennung, Objekterkennung, Gesichtserkennung und Fingerabdruckerkennung, die etwa im Bereich der Robotik, Verkehrsüberwachung oder Biometrie genutzt werden.
de.wikipedia.org
- Vorverarbeitung: Nach der Verbesserung des Musters durch Vorverarbeitung lassen sich aus seinem Signal verschiedene Merkmale gewinnen.
- Signale: Die Anwendung der Mustererkennung reicht von der automatischen Klassifizierung kontinuierlicher Signale in diskrete Klassen bis zu komplexen Analysen.
- Merkmale: Da es wünschenswert ist, möglichst wenige aber dafür umso aussagekräftigere Merkmale zu gewinnen, können Beziehungen wie die Kovarianz und der Korrelationskoeffizient zwischen mehreren Merkmalen berücksichtigt werden.
- Verfahren: Mögliche Verfahren der Vorverarbeitung sind unter Anderem die Signalmittelung, Anwendung eines Schwellwertes und Normierung.
- Merkmalsgewinnung: Die Grenzen zwischen Verfahren der Merkmalsgewinnung und Merkmalsreduktion sind fließend.
- Merkmalsreduktion: Verfahren der Merkmalsreduktion sind die Varianzanalyse, bei der geprüft wird, ob ein oder mehrere Merkmale Trennfähigkeit besitzen, und die Diskriminanzanalyse, bei der durch Kombination von elementaren Merkmalen eine möglichst geringe Zahl trennfähiger nichtelementarer Merkmale gebildet wird.
- Merkmalsraums: Die Dimension des Merkmalsraums, in dem die Muster nun als Punkte repräsentiert sind, wird bei der Merkmalsreduktion auf die wesentlichen Merkmale beschränkt.
- Klassifikationsverfahren: Die verschiedenen Verfahren der Mustererkennung unterscheiden sich im Wesentlichen in ihren Klassifikationsverfahren.
- Lernvorgang: Das Klassifikationsverfahren kann auf einem Lernvorgang mit Hilfe einer Stichprobe basieren.
- Klassifikation: Der letzte und wesentlichste Schritt der Mustererkennung ist die Klassifikation der Merkmale in Klassen.
- statistischen Verfahren: Merkmale können aus Symbolen beziehungsweise Symbolketten bestehen oder mit statistischen Verfahren aus verschiedenen Skalenniveaus gewonnen werden.
- diskreten Fourier-Transformation: Mittels Transformationen wie der diskreten Fourier-Transformation (DFT) und diskreten Kosinustransformation (DCT) können die ursprünglichen Signalwerte in einen handlicheren Merkmalsraum gebracht werden.
- Pattern Classification: J. Schuermann: Pattern Classification - A Unified View of Statistical and Neural Approaches.
- Stork
- Wiley: Wiley, New York 2001, ISBN 0471056693
- New York: Wiley, New York 1996, ISBN 0471135348
- Klassen: Der abschließende Kernschritt ist die Klassifikation durch einen Klassifikator, der die Merkmale verschiedenen Klassen zuordnet.
Diese Seite wurde von InfoRapid KnowledgeMap automatisch aus dem Inhalt der Wikipedia-Enzyklopädie generiert. Sie steht unter der GNU Free Documentation License.
