模式識別技術(shù)在電子信息特征提取中的應(yīng)用

在電子信息的分析過程中，特征提取是極為重要的一個(gè)步驟，可以對于電子信息數(shù)據(jù)中所包含的信息進(jìn)行有效地利用，本文通過對于模式識別技術(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。

【關(guān)鍵詞】模式識別 電子信息 特征提取

1 引言

模式識別是一門交叉性學(xué)科 ， 涉及數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、模式識別、人工智能、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)語言學(xué)、計(jì)算機(jī)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(xiàn)隱含知識和模式的一種方法和工具 ， 它從數(shù)據(jù)挖掘發(fā)展而來 ， 但與傳統(tǒng)的數(shù)據(jù)挖掘又有許多不同。電子信息的識別及其特征項(xiàng)的選取是數(shù)據(jù)挖掘、信息檢索的一個(gè)基本問題，它把從電子信息中抽取出的特征進(jìn)行量化來表示其信息。將它們從一個(gè)無結(jié)構(gòu)的原始信息轉(zhuǎn)化為結(jié)構(gòu)化的計(jì)算機(jī)可以識別處理的信息，即對信息數(shù)據(jù)進(jìn)行科學(xué)的抽象，建立它的數(shù)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識別算法。例如可以采用主流的深度學(xué)習(xí)方法來進(jìn)行特征值提取，通過卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行識別，通過多層特征的融合來使得運(yùn)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(zhǔn)確度較高，抗干擾性較強(qiáng)。基于深度學(xué)習(xí)的特征提取算法，通過較大規(guī)模的圖像庫進(jìn)行訓(xùn)練，使得圖像識別模型的準(zhǔn)確度非常高，同時(shí)時(shí)間減小，可以達(dá)到萬分之一秒。電子信息的模式識別主要是用函數(shù)逼近的方式來進(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(zhí)行三個(gè)部分來組成，它們都是用神經(jīng)網(wǎng)絡(luò)來進(jìn)行實(shí)現(xiàn)的，主要可以采用相關(guān)的函數(shù)來對于內(nèi)部的權(quán)重進(jìn)行調(diào)整，從而達(dá)到分類的目的，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(shù)，通過神經(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(dāng)前很長一段時(shí)間內(nèi)控制科學(xué)的發(fā)展方向。

2 電子信息特征分析

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。動態(tài)范圍：動態(tài)范圍越大，信號強(qiáng)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(huán)境噪音和設(shè)備噪音。信噪比越大，聲音質(zhì)量越好。將其進(jìn)行提取之后，可以通過不同的反饋來對實(shí)際信息特征提取的評價(jià)與運(yùn)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(qiáng)化學(xué)習(xí)等算法，來實(shí)現(xiàn)音頻特征的近似與優(yōu)化，這樣就能對于系統(tǒng)的內(nèi)部參數(shù)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對這個(gè)圖像的顏色特征來進(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受到圖像旋轉(zhuǎn)的變化，但是它無法表達(dá)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，但是無法對于物體本身的屬性進(jìn)行研究，所以說文理只是一個(gè)低級的圖像特征，而無法進(jìn)行更高層次的分類。還可以通過形狀來對圖像進(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，但是在很多情況下特征只能反應(yīng)圖像局部的形狀，只能反映一些局部的特征，同時(shí)對于圖像也有著較高的要求，因其可能會受到噪聲的干擾?？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(dāng)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，提升圖像分類的準(zhǔn)確性。

3 模式識別技術(shù)的應(yīng)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，第一類是基于機(jī)器學(xué)習(xí)的，第二類是基于統(tǒng)計(jì)方法的，根據(jù)實(shí)現(xiàn)的原理可以劃分為基于幾何特征、基于模型、基于統(tǒng)計(jì)方法、基于神經(jīng)網(wǎng)絡(luò)等。該方法以模式識別為基礎(chǔ)，融合人工智能的先進(jìn)方法，模擬人通過環(huán)境反饋進(jìn)行學(xué)習(xí)的思路，所以其被稱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，在很多場合都進(jìn)行了相關(guān)的嘗試與應(yīng)用。

3.2 主流數(shù)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(diǎn)之間的距離和比例進(jìn)行歸納，通過臨近的方法來識別圖像，這樣的方法比較快，內(nèi)存占用少，但是對于光照變化來說不敏感，同時(shí)對于動態(tài)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(shù)學(xué)的統(tǒng)計(jì)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(tǒng)計(jì)

基于統(tǒng)計(jì)學(xué)的方法，主要是通過提取圖像中光照、位置等特征向量，來進(jìn)行圖像的重構(gòu)，來判斷這些特征所表現(xiàn)的否是被識別的物體，優(yōu)點(diǎn)在于識別速度較快，缺點(diǎn)在于對于動態(tài)的圖像處理較差。

3.2.4 基于神經(jīng)網(wǎng)絡(luò)

基于神經(jīng)網(wǎng)絡(luò)的圖像處理方法，主要是采用機(jī)器學(xué)習(xí)的方案，就是通過多張圖像進(jìn)行模型的訓(xùn)練，然后對其參數(shù)進(jìn)行調(diào)整，然后對所要識別的圖像進(jìn)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(yùn)算時(shí)間較長。

3.2.5 基于深度學(xué)習(xí)

深度學(xué)習(xí)也是一種復(fù)雜的神經(jīng)網(wǎng)絡(luò)，主要是采用一些低層的特征來進(jìn)行高層特征的表示，它對于計(jì)算性能要求較高，可以利用空間的相對關(guān)系來進(jìn)行降維，使得訓(xùn)練性能提升，結(jié)合實(shí)際情況下的深度學(xué)習(xí)，效率非常高。

參考文獻(xiàn)

[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(tǒng)計(jì)的人臉識別方法綜述[J].安陽工學(xué)院學(xué)報(bào)，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.

作者簡介

陳赫（1987-），男，回族，山西省長治市人。碩士研究生學(xué)歷?，F(xiàn)為長治學(xué)院電子信息與物理系助教。主要研究方向?yàn)殡娮有畔⒐こ獭?/p>

作者單位

長治學(xué)院電子信息與物理系 山西省長治市 046011