《模式识别技术在电子信息特征提取中的应用》由会员分享，可在线阅读，更多相关《模式识别技术在电子信息特征提取中的应用（3页珍藏版）》请在金锄头文库上搜索。
1、模式识别技术在电子信息特征提取中的应用 陈赫 长治学院电子信息与物理系 摘 要： 在电子信息的分析过程中, 特征提取是极为重要的一个步骤, 可以对于电子信息数据中所包含的信息进行有效地利用, 本文通过对于模式识别技术进行分析, 以电子信息中的图像信息为例, 对其提取技术进行探讨, 为其进一步发展指明了方向。关键词： 模式识别; 电子信息; 特征提取; 作者简介：陈赫 (1987-) , 男, 回族, 山西省长治市人。硕士研究生学历。现为长治学院电子信息与物理系助教。主要研究方向为电子信息工程。1 引言模式识别是一门交叉性学科, 涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、
2、计算机网络技术、信息学等多个领域。电子信息提取就是从大量的电子信息中发现隐含知识和模式的一种方法和工具, 它从数据挖掘发展而来, 但与传统的数据挖掘又有许多不同。电子信息的识别及其特征项的选取是数据挖掘、信息检索的一个基本问题, 它把从电子信息中抽取出的特征进行量化来表示其信息。将它们从一个无结构的原始信息转化为结构化的计算机可以识别处理的信息, 即对信息数据进行科学的抽象, 建立它的数学模型, 用以描述和代替它本身。目前对于模式识别的研究主要集中于电子信息的相关特征提取以及最后的分类识别算法。例如可以采用主流的深度学习方法来进行特征值提取, 通过卷积神经网络对图像进行识别, 通过多层特征的融
3、合来使得运算量降低, 识别速度加快, 通过基本的特征信息, 从而反映出高级别的属性特征, 其识别准确度较高, 抗干扰性较强。基于深度学习的特征提取算法, 通过较大规模的图像库进行训练, 使得图像识别模型的准确度非常高, 同时时间减小, 可以达到万分之一秒。电子信息的模式识别主要是用函数逼近的方式来进行, 最优化识别的主要是采用神经网络的方法, 主要由评判、模型和执行三个部分来组成, 它们都是用神经网络来进行实现的, 主要可以采用相关的函数来对于内部的权重进行调整, 从而达到分类的目的, 对于整体进行逐次的优化, 最终得到全局的优化识别提取函数, 通过神经网络建模的方法, 可以有效的对于电子信息
4、特征进行提取, 所以神经网络依然是当前很长一段时间内控制科学的发展方向。2 电子信息特征分析2.1 音频信息频带宽度:音频信号的频带越宽, 所包含的音频信号分量越丰富, 音质越好。动态范围:动态范围越大, 信号强度的相对变化范围越大, 音响效果越好。信噪比:信噪比 SNR 是有用信号与噪声之比的简称。噪音可分为环境噪音和设备噪音。信噪比越大, 声音质量越好。将其进行提取之后, 可以通过不同的反馈来对实际信息特征提取的评价与运行情况进行确定, 同时, 利用相关的神经网络、强化学习等算法, 来实现音频特征的近似与优化, 这样就能对于系统的内部参数进行实时的更新, 这里主要是采用贝尔曼的优化方式来进
5、行更新的。2.2 图像信息图像信息的特征主要包括颜色、纹理、形状和空间的关系等, 颜色特征是整个图形全局的一种特征, 它可以对图像的表面进行快速的识别与提取, 我们一般用颜色直方图来对这个图像的颜色特征来进行分析, 颜色直方图可以有效的进行特征的提取而不会受到图像旋转的变化, 但是它无法表达出颜色分布的相关信息, 因此还有一些缺点, 。纹理特征也是反映了图像的一种整体特性, 它对于图像表面的纹理可以进行分析, 它可以有效的去除噪声, 但是无法对于物体本身的属性进行研究, 所以说文理只是一个低级的图像特征, 而无法进行更高层次的分类。还可以通过形状来对图像进行特征提取, 它可以有效的对于图像的性
6、质进行分类, 但是在很多情况下特征只能反应图像局部的形状, 只能反映一些局部的特征, 同时对于图像也有着较高的要求, 因其可能会受到噪声的干扰。空间关系也是极为重要的一种图像特征, 使用时要先对图像进行分割, 对几个图像模块之间的关系进行研究, 从而有效的分辨出这个图像的性质, 但是在实际的图像识别当中需要综合以上几种技术才能对于特征进行有效的提取, 提升图像分类的准确性。3 模式识别技术的应用探讨3.1 概述图像处理是模式识别领域的一个重要的分支, 图像处理技术可以分为两大部分, 第一类是基于机器学习的, 第二类是基于统计方法的, 根据实现的原理可以划分为基于几何特征、基于模型、基于统计方法
7、、基于神经网络等。该方法以模式识别为基础, 融合人工智能的先进方法, 模拟人通过环境反馈进行学习的思路, 所以其被称为是一种极度接近于人工智能的优化提取识别方法, 受到了学界的广泛关注, 在很多场合都进行了相关的尝试与应用。3.2 主流数字图像信息处理方法3.2.1 基于几何特征基于几何特征的方法, 主要是在图像中寻找特征, 将特征点之间的距离和比例进行归纳, 通过临近的方法来识别图像, 这样的方法比较快, 内存占用少, 但是对于光照变化来说不敏感, 同时对于动态变化的图像, 它将无法识别。3.2.2 基于模型基于模型的方法, 主要采用马尔科夫模型, 这种模型的方法, 主要是通过数学的统计性的
8、问题。这种方法对于样本的要求较高, 需要建立较为可靠的模型。3.2.3 基于统计基于统计学的方法, 主要是通过提取图像中光照、位置等特征向量, 来进行图像的重构, 来判断这些特征所表现的否是被识别的物体, 优点在于识别速度较快, 缺点在于对于动态的图像处理较差。3.2.4 基于神经网络基于神经网络的图像处理方法, 主要是采用机器学习的方案, 就是通过多张图像进行模型的训练, 然后对其参数进行调整, 然后对所要识别的图像进行分类, 来判断它是否是被识别的图像, 这样的算法识别成功率较高, 但是运算时间较长。3.2.5 基于深度学习深度学习也是一种复杂的神经网络, 主要是采用一些低层的特征来进行高层特征的表示, 它对于计算性能要求较高, 可以利用空间的相对关系来进行降维, 使得训练性能提升, 结合实际情况下的深度学习, 效率非常高。参考文献1胡勤.人工智能概述J.电脑知识与技术, 2010 (05) :3507-3509. 2高春庚, 孙建国.基于统计的人脸识别方法综述J.安阳工学院学报, 2012. 3姜贺.基于几何特征的人脸识别算法的研究D.大连理工大学, 2008.
