تشخیص الگو چیست؟

عمل تشخیص الگوها و طبقه بندی داده‌ها بر مبنای آن، برای مدت زمانی طولانی رواج داشته است و انسان در این زمینه گام‌های بلندی برداشته است. طبقه بندی اطلاعات مشاهده شده از طبیعت حتی توسط انسان‌ عصر حجر انجام می‌شد.
 
او از الگوهای مختلفی برای شناسایی گیاهان، حیوانات و سایر عناصر طبیعت استفاده می‌کرد. تفاوت بین آن موارد و موارد موجود در امروز، در دسترس بودن ابزارهای پیشرفته است. همچنین امروزه می توان مقادیر عظیمی از داده‌ها را در رایانه‌ها ذخیره کرد.
 
حوزه فعالیت تحقیقاتی، که در آن مشاهدات به عمل آمده طبقه بندی و توصیف می‌شوند، به عنوان شناخت الگو شناخته می‌شود. این یکی از کاربردهای هوش مصنوعی است. اگر از اطلاعات آماری به دست آمده از الگوها در طبقه بندی آنها استفاده شود، این روش به عنوان شناخت الگوی آماری شناخته می‌شود.
 
تشخیص الگو به دیگر انتظام‌هایی مانند استخراج ویژگی، تجزیه و تحلیل تمایز، تجزیه و تحلیل خوشه‌ای و تخمین خطا تقسیم می‌شود. این نوع روش شناسی ترکیبی، تجزیه و استنتاج دستوری را انجام می‌دهد.
 
از روش‌های آن اغلب در شناسایی داده‌هایی که بسیار پیچیده هستند استفاده می‌شود. بنابراین، این سیستم شناسایی می‌تواند در گروه مدل سازی الگوریتمی قرار بگیرد.
 
دانش قبلی از الگوها، به جای استفاده صرف برای دست آوردن داده‌های آماری، باید در طبقه بندی نیز مفید باشد. سه مرحله در این سیستم وجود دارد. اول دریافت مشاهدات یا داده‌ها از طریق سنسورها است. این گیرنده‌ها و حسگرها اطلاعات را برای طبقه بندی جمع آوری می‌کنند.
 
محاسبه داده‌های عددی و اطلاعات نمادین با استفاده از مکانیسمی به نام استخراج ویژگی انجام می‌شود. اطلاعاتی که در این دو مرحله جمع آوری شده و سپس استخراج می‌شوند در نهایت طبقه بندی می‌شوند.
 

تشخیص الگو و یادگیری ماشین

همان طور که گفته شد این یکی از شاخه‌های هوش مصنوعی است. در برنامه‌های مختلف هوش مصنوعی، یادگیری ماشینی در انجام تشخیص الگو کمک می‌کند. یکی از کاربردهای استفاده از تشخیص الگو و یادگیری ماشین، داده کاوی آماری است.
 
در فرآیند یادگیری ماشین، به رایانه دستورالعمل نحوه انجام یک کار خاص داده می‌شود. این فرایند از دو طریق مختلف، یعنی از طریق یادگیری نظارت شده و بدون نظارت انجام می‌شود.
 

یادگیری نظارت شده:

در این روش، به رایانه‌ای که باید آموزش داده شود، الگوریتم‌های تشخیص الگو ارائه می‌شود. نمونه‌های مختلفی به رایانه ارائه می‌شود. نمونه‌ها چگونگی اجرای فرایند تکمیل کار را نشان می‌دهند. همچنین اطلاعاتی در مورد محصول می دهند. در طی فرایند آموزش رایانه، بازخورد نیز فراهم می‌شود.
 

یادگیری بدون نظارت:

در این روش، رایانه هنگام یادگیری هیچ گونه بازخورد یا راهنمایی‌ای دریافت نمی‌کند. هیچ راهبردی نیز فراهم نمی‌شود. این بدان معناست که برخلاف یادگیری نظارت شده، الگوها از قبل برچسب گذاری و طبقه بندی نمی‌شوند. بنابراین، فرایند طبقه بندی اطلاعات ایجاد شده توسط برنامه هوش مصنوعی لازم است بسیار کارآمد باشد.
 

برنامه‌های کاربردی دیگر

برنامه‌های کاربردی‌ای مانند عیب یابی به کمک رایانه (CAD) از نرم افزار تشخیص الگو استفاده می‌کنند. همچنین از آن در طبقه بندی متون خاص، در دسته بندی‌های مختلف مانند تشخیص گفتار، تشخیص دست خط، بازرسی صنعتی، شناسایی شخص و غیره استفاده می‌شود.
 

تجزیه و تحلیل تصویر

از تشخیص الگو در تجزیه و تحلیل تصویر استفاده می‌شود. یکی از ابزارهای مهم تحلیل تصویر که از آن توسط رایانه‌ها استفاده می‌شود شبکه‌های عصبی است. از شبکه عصبی و ابزارهای دیگری مانند آشکارسازهای لبه، که بر اساس مدل درک بصری انسان ساخته شده‌اند، می‌توان در فرایند تحلیل تصویر استفاده نمود.
 

اندازه گیری استعداد

از انواع مختلفی از تست‌های تشخیص الگو می‌توان در اندازه گیری استعداد شخص استفاده کرد. با چنین تست‌هایی، شخص ضریب هوشی خود را به دست می‌آورد. سؤالات ارائه شده در چنین آزمون‌هایی از ما می‌خواهد که الگوی پنهان در طرح داده شده‌ای، یا مجموعه اعدادی، را تشخیص دهیم و امثالهم.
در مجموع باید گفت تشخیص الگو شاخه‌ای از مبحث یادگیری ماشینی است. می‌توان این گونه گفت که تشخیص الگو، دریافت داده‌های خام و تصمیم ‌گیری بر اساس دسته‌بندی داده‌ها است. بیشترین تحقیقات در رابطه با تشخیص الگو در زمینه یادگیری نظارت شده یا یادگیری نظارت نشده است. حوزه فعالیت تحقیقاتی، که در آن مشاهدات به عمل آمده طبقه بندی و توصیف می‌شوند، به عنوان شناخت الگو شناخته می‌شود. روش‌های تشخیص الگو، الگوهای خاص را از یک مجموعه داده‌ها با استفاده از دانشی قبلی از الگوها یا اطلاعات آماری داده‌ها، جداسازی می‌کنند. الگوهایی که با این روش دسته‌ بندی می‌شوند، گروه‌هایی از اندازه ‌گیری‌ها یا مشاهدات هستند که نقاط معینی را در یک فضای چند بعدی تشکیل می‌دهند. این ویژگی، اختلاف عمده‌ی تشخیص الگو با تطبیق الگو است، که در آن جا الگوها با استفاده از موارد کاملاً دقیق و معین و بر اساس یک الگوی مشخص، تشخیص داده می‌شوند. تشخیص الگو و تطبیق الگو از قسمت‌های اصلی مبحث پردازش تصویر به خصوص در زمینه بینایی ماشین هستند.
 

گونه‌های مختلف تشخیص الگو

نیاز به سیستم‌های اطلاعاتی بهبود یافته بیش از پیش مورد توجه قرار گرفته ‌است، زیرا اطلاعات، عنصری اساسی در تصمیم ‌سازی است و جهان در حال افزایش حجم اطلاعات در فرم‌های مختلف با درجه‌های مختلفی از پیچیدگی است. یکی از مسائل اصلی در طراحی سیستم‌های اطلاعاتی مدرن، تشخیص الگو به صورت خودکار است. تشخیص به عنوان یک صفت اصلی انسان شناخته می‌شود. یک الگو، توصیفی از یک شیء است. انسان دارای سیستم اطلاعاتی سطح بالایی است که یک دلیل آن داشتن قابلیت تشخیص الگوی پیشرفته ‌است. مطابق با طبیعت الگوهای مورد تشخیص، عملیات تشخیص به دو گونهٔ اصلی تقسیم می‌شوند.
 

تشخیص موارد واقعی

این مورد ممکن است به عنوان تشخیص حسگری معرفی شود که تشخیص الگوهای سمعی و بصری را در بر می‌گیرد.
 

تشخیص الگوهای زمانی و فضایی

این روند تشخیص، شناسایی و دسته‌ بندی الگوهای فضایی و الگوهای زمانی را در بر می‌گیرد. مثال‌ها از الگوهای فضایی، کاراکترها، اثر انگشت‌ها، اشیاء فیزیکی و تصاویر هستند. الگوهای زمانی در بر گیرنده‌ی فرم‌های موجی گفتار، سری‌های زمانی وغیره هستند.

دسته بندی الگوها

تشخیص الگو همچنین می‌تواند به عنوان دسته ‌بندی داده‌های ورودی در کلاس‌های شناخته شده توسط استخراج ویژگی‌های مهم یا صفات داده تعریف شود. یک کلاس الگو، یک دسته متمایز شده توسط برخی از صفات و ویژگی‌های مشترک است. ویژگی‌های یک کلاس الگو، صفاتی نوعی هستند که بین همهٔ الگوهای متعلق به آن کلاس مشترک هستند. ویژگی‌هایی که بیان کننده تفاوت‌های بین کلاس‌های الگو هستند اغلب به عنوان ویژگی‌های علاقه شناخته می‌شوند. یک الگو، توصیفی است از یکی از اعضای دسته که ارائه دهنده کلاس الگو است.

منبع: شاشانک ناکات