模式識(shí)別技術(shù)在電子信息特征提取中的應(yīng)用探討

雷高謀

摘要：模式識(shí)別技術(shù)是當(dāng)今的熱門研究方向，其在對(duì)于電子信號(hào)的提取中有著極為重要的作用，可以有效地對(duì)信號(hào)進(jìn)行回歸擬合以及分類，本文通過對(duì)于模式識(shí)別技術(shù)的分析，通過具體的算法來對(duì)于電子信息的提取方法進(jìn)行分析，為其進(jìn)一步發(fā)展提供創(chuàng)新的思路。

關(guān)鍵詞：模式識(shí)別；電子信息；應(yīng)用

中圖分類號(hào)：TP21 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）11-0096-02

1 引言

模式識(shí)別是人工智能領(lǐng)域的一個(gè)重要的分支，模式識(shí)別技術(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。模式識(shí)別算法采用主流的深度學(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(duì)信號(hào)進(jìn)行識(shí)別，通過多層特征的融合來使得運(yùn)算量降低，識(shí)別速度加快，通過基本的特征信息，從而反映出高級(jí)別的屬性特征，同時(shí)可以對(duì)不清晰的圖像、動(dòng)態(tài)的圖像進(jìn)行較為精確的識(shí)別，其識(shí)別準(zhǔn)確度較高，抗干擾性較強(qiáng)?；谏疃葘W(xué)習(xí)的特征提取算法，通過較大規(guī)模的信號(hào)庫進(jìn)行訓(xùn)練，使得模式識(shí)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。

2 模式識(shí)別技術(shù)概述

模式識(shí)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(shí)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(shí)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(shí)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。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(duì)圖像進(jìn)行識(shí)別，通過多層特征的融合來使得運(yùn)算量降低，識(shí)別速度加快，通過基本的特征信息，從而反映出高級(jí)別的屬性特征，其識(shí)別準(zhǔn)確度較高，抗干擾性較強(qiáng)?；谏疃葘W(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(shí)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(shí)別主要是用函數(shù)逼近的方式來進(jìn)行，最優(yōu)化識(shí)別的主要是采用神經(jīng)網(wǎng)絡(luò)的方法，主要由評(píng)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(duì)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(duì)于實(shí)際的識(shí)別操作來說，模式識(shí)別可能會(huì)存在一些問題，在這樣的情況下，就需要采用神經(jīng)網(wǎng)絡(luò)的方式對(duì)其進(jìn)行學(xué)習(xí)與訓(xùn)練，使得其能夠?qū)崿F(xiàn)強(qiáng)化學(xué)習(xí)，對(duì)于整體進(jìn)行逐次的優(yōu)化，最終得到全局的優(yōu)化識(shí)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(duì)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(zhǎng)一段時(shí)間內(nèi)控制科學(xué)的發(fā)展方向。

3 電子信息的特征提取方法分析

3.1 SIFT特征提取算法

對(duì)信號(hào)變化保持穩(wěn)定的特征描述符稱為不變量，比如對(duì)信號(hào)的旋轉(zhuǎn)保持穩(wěn)定的不變量稱為旋轉(zhuǎn)不變量，對(duì)尺度縮放保持穩(wěn)定的不變量則稱為尺度不變量。SIFT 特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。SIFT 算法的實(shí)質(zhì)是檢測(cè)信號(hào)的局部特征-SIFT特征點(diǎn)，然后根據(jù)匹配目標(biāo)的需要進(jìn)行特征的組合、變換，以形成易于匹配、穩(wěn)定性好的特征向量—SIFT 描述子，從而把信號(hào)匹配問題轉(zhuǎn)化為SIFT描述子的匹配問題[1]。SIFT特征提取方法是通過強(qiáng)化學(xué)習(xí)，來對(duì)傳統(tǒng)的特征提取進(jìn)行優(yōu)化，然后可以有效的解決離散系統(tǒng)和非線性系統(tǒng)中出現(xiàn)的問題，主要包括特征迭代和值迭代兩種形式，特征迭代主要是通過特征評(píng)價(jià)與改進(jìn)的方法，對(duì)每一步的特征進(jìn)行評(píng)估，來不斷的尋找優(yōu)化的特征，同時(shí)對(duì)其進(jìn)行改良和優(yōu)化，得到新的權(quán)值，生成新的優(yōu)化函數(shù)進(jìn)行計(jì)算，在這個(gè)過程當(dāng)中，評(píng)估和改進(jìn)是循環(huán)進(jìn)行的，最后將會(huì)得到一個(gè)最優(yōu)的特征。但是需要注意的是，在最好的運(yùn)行模式下，相關(guān)的一些外部參數(shù)條件應(yīng)當(dāng)是穩(wěn)定的，這是非常重要的，如果沒有這個(gè)條件，就會(huì)導(dǎo)致整個(gè)特征評(píng)估，出現(xiàn)一些意外的情況。值迭代的算法主要是針對(duì)于一些方程式的計(jì)算，通過最優(yōu)函數(shù)的尋找與控制計(jì)算，就能計(jì)算出最優(yōu)的值，它不需要進(jìn)行控制特征的穩(wěn)定化，在我們的使用當(dāng)中必須要注意，無論是迭代特征還是值迭代，都需要對(duì)于被控對(duì)象的相關(guān)特性，尤其是內(nèi)部特性進(jìn)行研究，這也是SIFT特征提取的核心特點(diǎn)。在這個(gè)算法進(jìn)行計(jì)算的過程當(dāng)中，對(duì)于初始條件進(jìn)行選擇是極為重要的，它對(duì)于整個(gè)算法能否在較短時(shí)間內(nèi)得到正確的答案，收斂到穩(wěn)定的區(qū)域內(nèi)是起著關(guān)鍵性的作用的，因此這個(gè)算法主要困難在于需要在一開始就找到一個(gè)穩(wěn)定的特征提取模式。

3.2 Brief特征提取算法

Brief的特征提取算法步驟為：（1）給定一個(gè)信號(hào)。（2）對(duì)信號(hào)做平滑處理。平滑處理，也就是高斯濾波，也就是blur operation，降低信號(hào)噪聲。平滑處理在BRIEF中很重要。（3）在信號(hào)上，選擇一個(gè)局部塊區(qū)patch，用表示，它的大小是SxS像素，在p上面提取BREIF特征。一個(gè)BRIEF特征，就是若干個(gè)測(cè)試組成的字節(jié)（bit）串。構(gòu)造特定的[x，y]對(duì)，做測(cè)試，就得到了BRIEF特征[2]。Brief特征提取的構(gòu)建模型是極為復(fù)雜的，通過中間層可以對(duì)于優(yōu)化函數(shù)進(jìn)行逼近，在對(duì)于信號(hào)識(shí)別配準(zhǔn)進(jìn)行最優(yōu)化計(jì)算時(shí)采用的是單隱層的Brief特征提取網(wǎng)絡(luò)，同時(shí)選擇雙極性的轉(zhuǎn)移函數(shù)來進(jìn)行計(jì)算，這樣有利于將內(nèi)部的關(guān)系進(jìn)行提煉，權(quán)值的調(diào)整速度也會(huì)更快，這樣就使得整個(gè)系統(tǒng)的數(shù)量速度變快，響應(yīng)速度較高，但是對(duì)于節(jié)點(diǎn)數(shù)要進(jìn)行控制，如果節(jié)點(diǎn)數(shù)過少的話，就可能會(huì)導(dǎo)致系統(tǒng)的信息分析能力較差，無法對(duì)于樣本中的規(guī)律進(jìn)行有效的提取，就會(huì)導(dǎo)致讀取失敗，如果節(jié)點(diǎn)足夠多的話，就很可能會(huì)導(dǎo)致整個(gè)系統(tǒng)的收斂速度較慢，引起系統(tǒng)出現(xiàn)自身的穩(wěn)定性誤差，造成嚴(yán)重的干擾，所以我們應(yīng)當(dāng)綜合性的進(jìn)行評(píng)估，選取合適的節(jié)點(diǎn)數(shù)。Brief是以特征提取系統(tǒng)來進(jìn)行操作的計(jì)算機(jī)運(yùn)行模式，是面向操作層的，是特征提取初級(jí)階段的產(chǎn)物，主要是進(jìn)行數(shù)據(jù)運(yùn)算而不是管理。能夠快速的進(jìn)行特征提取的高度集中和統(tǒng)一處理，重要標(biāo)志是在其中有一個(gè)非常龐大的中央數(shù)據(jù)庫，它可以進(jìn)行分布式處理，對(duì)于快速性的識(shí)別，有著極為關(guān)鍵的作用。對(duì)于特征提取處理的系統(tǒng)優(yōu)化要求更高，對(duì)于系統(tǒng)設(shè)計(jì)的結(jié)構(gòu)性要求也較高，因此其可以方便工作人員使用，因其符合他們的思維習(xí)慣，同時(shí)強(qiáng)調(diào)自頂而下的設(shè)計(jì)，能夠?qū)崿F(xiàn)高效率的運(yùn)轉(zhuǎn)[3]。

4 結(jié)語

隨著計(jì)算速度和準(zhǔn)確率的不斷提升，電子信息特征提取的應(yīng)用越來越普遍，同時(shí)推動(dòng)了各種信號(hào)識(shí)別技術(shù)的發(fā)展速度，模式識(shí)別雖然有很多無法克服的缺點(diǎn)，但是借助這一重要的科技發(fā)展趨勢(shì)，也在一步一步推動(dòng)各行業(yè)蓬勃發(fā)展，讓生活更加智能化，大大的減少了人力的成本，提升了工作的效率，模式識(shí)別是重要的技術(shù)基礎(chǔ)，它在工業(yè)生產(chǎn)領(lǐng)域有著深遠(yuǎn)的影響。

參考文獻(xiàn)

[1]薛愛軍，王曉丹.基于子類劃分和粒子群優(yōu)化的自適應(yīng)編碼多類分類方法[J/OL].控制與決策，2017：1-8.

[2]尹勇.關(guān)于一種數(shù)控銑刀磨損量監(jiān)測(cè)識(shí)別新算法研究[J].科技風(fēng)，2017，（20）：200-201.

[3]孫立麗，王萌，任曉亮.化學(xué)模式識(shí)別方法在中藥質(zhì)量控制研究中的應(yīng)用進(jìn)展[J].中草藥，2017，48（20）：4339-4345.

Abstract：Pattern recognition technology is a hot research direction nowadays. It plays an extremely important role in the extraction of electronic signals and can be used to fit and classify signals effectively. Through the analysis of pattern recognition technology， Algorithm to analyze the method of extracting electronic information and provide innovative ideas for its further development.

Key Words：Pattern recognition；Electronic information；Applicationendprint