Αναγνώριση Προτύπων Ι

Βαγγέλης Δερματάς

Περιγραφή

Μέθοδοι αναγνώρισης προτύπων. Όρια στην ακρίβεια μέτρησης της αξιοπιστίας
αναγνώρισης. Κατευθυνόμενη εκπαίδευση και αυτοεκπαίδευση. Συναρτήσεις απόστασης.

Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα. Ο αλγόριθμος Κ-means.

Γραμμικές και μη γραμμικές συναρτήσεις απόφασης. Ο αλγόριθμος Perceptron. Ταξινομητές Bayes και ταξινομητές Bayes ελαχίστου κόστους.

Εκτίμηση της πυκνότητας πιθανότητας προτύπων: Μεγιστοποίηση εντροπίας, εκτιμητής Parzen, ορθοκανονικές συναρτήσεις, μέθοδοι των Robbins-Monro και Kiefer-Wolfowitz, LMS.

Νευρωνικά δίκτυα. Εκπαίδευση διόρθωσης λάθους, Hebbian και ανταγωνιστική εκπαίδευση.

Πολυεπίπεδο perceptron. Οπισθοδρομική διάδοση του σφάλματος.

Δίκτυα ακτινικών συναρτήσεων. Μηχανή Hopfield.

CC - Αναφορά Δημιουργού

Ενότητες

Αναγνώριση ή ταξινόμηση προτύπου:  η διαδικασία, κατά την οποία, σήματα του περιβάλλοντος χώρου, που αντιστοιχούν σ?ένα αντικείμενο (πρότυπο), ταξινομούνται σε μία κατηγορία, από ένα πεπερασμένο σύνολο κατηγοριών Ν (κατηγορίες αντικειμένων).

  • Μια ομάδα δομικών μεθόδων, εκμεταλλεύεται την στατιστική ιδιότητα που έχουν τα πρότυπα μιας κατηγορίας να έχουν μικρότερη απόσταση από τα πρότυπα διαφορετικών κατηγοριών. Η ταξινόμηση πραγματοποιείται με σύγκριση προτύπων, μετρώντας την απόσταση του αγνώστου προτύπου από επιλεγμένα πρωτότυπα ή τεχνητά πρότυπα.
  • Μια διαφορετική ομάδα δομικών μεθόδων, ταξινομεί πρότυπα μέσω της εύρεσης των χαρακτηριστικών εκείνων που περιγράφουν με κοινό και ίσως αποκλειστικό τρόπο τα πρότυπα μιας κατηγορίας. Όταν τα χαρακτηριστικά είναι γνωστά, τότε χρησιμοποιούνται γραμμικές ή μη-γραμμικές συναρτήσεις απόφασης για να ταξινομηθούν τα πρότυπα.

Τα στοχαστικά συστήματα ταξινόμησης προτύπων, μπορούν να αντιμετωπίσουν, με βέλτιστο τρόπο, το πρόβλημα της ταξινόμησης προτύπων. Μπορούν, πιο αναλυτικά, να ελαχιστοποιήσουν την πιθανότητα του σφάλματος στην ταξινόμηση, να αντιμετωπίσουν προβλήματα παρεμβολής θορύβου στις μετρήσεις των προτύπων και επιπλέον, μπορούν να εκμεταλλευτούν δυο επιπρόσθετες πληροφορίες:

1. Την συχνότητα εμφάνισης των προτύπων κάποιας κατηγορίας

2. Το γεγονός ότι τα στοχαστικά συστήματα ταξινόμησης μπορούν να ενσωματώσουν την έννοια του κόστους ή της επικινδυνότητας (risk) για την απόφαση που λαμβάνεται

Aπλές προσομοιώσεις των νευρικών κυττάρων, που περιγράφουν τα βασικά τους γνωρίσματα, δίνουν εντυπωσιακά αποτελέσματα σε εφαρμογές ταξινόμησης προτύπων, προσεγγίσεων απόκρισης συστημάτων, προβλήματα αυτομάτου ελέγχου, κ.α..

Tα χαρακτηριστικά γνωρίσματα των μηχανισμών των φυσικών νευρωνικών δικτύων, είναι τα ακόλουθα:

1. Μη γραμμικότητα

2. Εκπαίδευση από παραδείγματα

3. Προσαρμογή

4. Αντοχή σε διακοπές συνδέσεων και λειτουργιών νευρώνων

5. Ομοιότητα της λειτουργίας των νευρώνων

6. Παράλληλη επεξεργασία δεδομένων

Το εργαστήριο αποτελείται από 6 εργαστηριακές ασκήσεις:

1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΓΛΩΣΣΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ MATLAB

2. ΤΑΞΙΝΟΜΗΣΗ ΠΡΟΤΥΠΩΝ ΜΕ ΣΥΝΑΡΤΗΣΕΙΣ ΑΠΟΣΤΑΣΗΣ

3. Ο ΑΛΓΟΡΙΘΜΟΣ Κ-MEANS ΚΑΙ ΤΟ ΚΡΙΤΗΡΙΟ ΤΑΞΙΝΟΜΗΣΗΣ ΤΩΝ Κ-ΠΛΗΣΙΕΣΤΕΡΩΝ ΠΡΩΤΟΤΥΠΩΝ

4. Ο ΑΛΓΟΡΙΘΜΟΣ PERCPTRON

5. Ο ΑΛΓΟΡΙΘΜΟΣ HO-KASHYAP

6. ΤΟ ΠΟΛΥΕΠΙΠΕΔΟ ΔΙΚΤΥΟ PERCEPTRON ΚΑΙ Ο ΑΛΓΟΡΙΘΜΟΣ ΟΠΙΣΘΟΔΡΟΜΙΚΗΣ ΔΙΑΔΟΣΗΣ ΤΟΥ ΣΦΑΛΜΑΤΟΣ

Ανοικτό Ακαδ. Μάθημα

Ανοικτά Ακαδημαϊκά Μαθήματα
Επίπεδο: A-

Αρ. Επισκέψεων :  3810
Αρ. Προβολών :  24970

Ημερολόγιο