التعرف على الأنماط

من ويكيبيديا، الموسوعة الحرة
اذهب إلى الملاحة اذهب للبحث

التعرف على الأنماط هو التعرف الآلي على الأنماط والانتظام في البيانات . لها تطبيقات في الإحصاء وتحليل البيانات ، معالجة الإشارات ، تحليل الصور ، استرجاع المعلومات ، المعلوماتية الحيوية ، ضغط البيانات ، رسومات الحاسوب و تعلم الآلة . التعرف على الأنماط له أصوله في الإحصاء والهندسة ؛ تتضمن بعض الأساليب الحديثة للتعرف على الأنماط استخدام التعلم الآلي ، بسبب زيادة توافر البيانات الضخمة ووفرة جديدة من قوة المعالجة. ومع ذلك ، يمكن النظر إلى هذه الأنشطة على أنها وجهان لنفس مجال التطبيق ، وقد مروا معًا بتطور كبير خلال العقود القليلة الماضية. التعريف الحديث للتعرف على الأنماط هو:

يهتم مجال التعرف على الأنماط بالاكتشاف التلقائي للانتظام في البيانات من خلال استخدام خوارزميات الكمبيوتر وباستخدام هذه الانتظامات لاتخاذ إجراءات مثل تصنيف البيانات إلى فئات مختلفة. [1]

يتم تدريب أنظمة التعرف على الأنماط في كثير من الحالات من بيانات "التدريب" المسماة ، ولكن عندما لا تتوفر بيانات مصنفة ، يمكن استخدام خوارزميات أخرى لاكتشاف الأنماط غير المعروفة سابقًا. تركز KDD واستخراج البيانات بشكل أكبر على الأساليب غير الخاضعة للإشراف واتصال أقوى باستخدام الأعمال. يركز التعرف على الأنماط بشكل أكبر على الإشارة ويأخذ أيضًا الاستحواذ ومعالجة الإشارات في الاعتبار. نشأ في الهندسة ، والمصطلح شائع في سياق رؤية الكمبيوتر : مؤتمر رؤية الكمبيوتر الرائد يسمى مؤتمر رؤية الكمبيوتر والتعرف على الأنماط .

في التعلم الآلي ، التعرف على الأنماط هو تعيين تسمية لقيمة إدخال معينة. في الإحصائيات ، تم تقديم التحليل المميز لنفس الغرض في عام 1936. ومن الأمثلة على التعرف على الأنماط التصنيف ، والذي يحاول تعيين كل قيمة إدخال إلى مجموعة معينة من الفئات (على سبيل المثال ، تحديد ما إذا كان بريد إلكتروني معين "بريد عشوائي" أو "non-spam"). ومع ذلك ، يعد التعرف على الأنماط مشكلة عامة تشمل أنواعًا أخرى من المخرجات أيضًا. ومن الأمثلة الأخرى الانحدار ، الذي يعين ناتجًا حقيقيًا لكل مدخل ؛ [2] تسمية التسلسل ، والتي تحدد فئة لكل عضو في سلسلة من القيم[3] (على سبيل المثال ، جزء من تمييز الكلام ، والذي يعين جزءًا من الكلام لكل كلمة في جملة الإدخال) ؛ و تحليل ، الذي يعين شجرة في التحليل إلى جملة المدخلات، واصفا هيكل النحوي للجملة. [4]

تهدف خوارزميات التعرف على الأنماط عمومًا إلى تقديم إجابة معقولة لجميع المدخلات الممكنة وإجراء مطابقة "على الأرجح" للمدخلات ، مع مراعاة تباينها الإحصائي. هذا على عكس خوارزميات مطابقة الأنماط ، والتي تبحث عن التطابقات الدقيقة في الإدخال مع الأنماط الموجودة مسبقًا. ومن الأمثلة الشائعة خوارزمية مطابقة النمط هو التعبير العادية مطابقة، والتي تبحث عن أنماط معين الفرز في البيانات النصية ويتم تضمينها في قدرات البحث العديد من برامج تحرير النصوص و معالجات النصوص .

نظرة عامة

يتم تصنيف التعرف على الأنماط بشكل عام وفقًا لنوع إجراء التعلم المستخدم لتوليد قيمة المخرجات. يفترض التعلم الخاضع للإشراف أنه تم توفير مجموعة من بيانات التدريب ( مجموعة التدريب ) ، والتي تتكون من مجموعة من الحالات التي تم تصنيفها يدويًا بشكل صحيح مع الإخراج الصحيح. يُنشئ إجراء التعلم نموذجًا يحاول تلبية هدفين متعارضين في بعض الأحيان: الأداء الأفضل على بيانات التدريب ، والتعميم قدر الإمكان على البيانات الجديدة (عادةً ، هذا يعني أن تكون بسيطًا قدر الإمكان ، بالنسبة لبعض التعريفات الفنية "بسيط" ، وفقًا لما ورد في شفرة أوكام ، الموضحة أدناه). تعليم غير مشرف عليه، من ناحية أخرى ، يفترض بيانات التدريب التي لم يتم تمييزها يدويًا ، ويحاول العثور على أنماط متأصلة في البيانات التي يمكن استخدامها بعد ذلك لتحديد قيمة الإخراج الصحيحة لمثيلات البيانات الجديدة. [5] مزيج من الاثنين اللذين تم استكشافهما مؤخرًا هو التعلم شبه الخاضع للإشراف ، والذي يستخدم مزيجًا من البيانات المصنفة وغير المصنفة (عادةً مجموعة صغيرة من البيانات المصنفة جنبًا إلى جنب مع كمية كبيرة من البيانات غير المسماة). لاحظ أنه في حالات التعلم غير الخاضع للإشراف ، قد لا توجد بيانات تدريب على الإطلاق ؛ بمعنى آخر ، البيانات المراد تصنيفها هي بيانات التدريب.

لاحظ أنه في بعض الأحيان يتم استخدام مصطلحات مختلفة لوصف إجراءات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف لنفس النوع من المخرجات. على سبيل المثال ، يُعرف المكافئ غير الخاضع للإشراف للتصنيف عادةً باسم التجميع ، استنادًا إلى التصور الشائع للمهمة على أنها لا تتضمن بيانات تدريب للتحدث عنها ، وتجميع بيانات الإدخال في مجموعات بناءً على بعض مقاييس التشابه المتأصلة (على سبيل المثال المسافة بين مثيلات ، يتم اعتبارها كمتجهات في فضاء متجه متعدد الأبعاد ) ، بدلاً من تخصيص كل مثيل إدخال في مجموعة من الفئات المحددة مسبقًا. في بعض المجالات ، تختلف المصطلحات: على سبيل المثال ، في بيئة المجتمع، مصطلح "التصنيف" يستخدم للإشارة إلى ما يعرف عادة باسم "التجميع".

يُطلق على جزء بيانات الإدخال الذي يتم إنشاء قيمة مخرجات له رسميًا مثيل . يوصف المثال رسميا من قبل ناقلات من الميزات التي تشكل معا وصفا لجميع الخصائص المعروفة مثيل. (يمكن النظر إلى متجهات السمات هذه كنقاط تعريف في فضاء متعدد الأبعاد مناسب ، ويمكن تطبيق طرق معالجة المتجهات في فراغات المتجهات بشكل مماثل ، مثل حساب حاصل الضرب النقطي أو الزاوية بين متجهين.) قاطع (المعروف أيضًا باسم الاسمي، على سبيل المثال ، تتكون من مجموعة من العناصر غير المرتبة ، مثل جنس "ذكر" أو "أنثى" ، أو فصيلة دم من "A" أو "B" أو "AB" أو "O") ، ترتيبي ( تتكون من مجموعة من العناصر المرتبة ، على سبيل المثال ، "كبير" ، "متوسط" أو "صغير") ، ذات قيمة صحيحة (على سبيل المثال ، عدد تكرارات كلمة معينة في بريد إلكتروني) أو ذات قيمة حقيقية (على سبيل المثال ، قياس ضغط الدم). في كثير من الأحيان ، يتم تجميع البيانات الفئوية والترتيبية معًا ؛ وبالمثل بالنسبة للبيانات ذات القيمة الصحيحة والقيمة الحقيقية. وعلاوة على ذلك، فإن العديد من خوارزميات تعمل فقط من حيث المعطيات الفئوية وتتطلب أن قيمتها الحقيقية أو أن البيانات قيمة عدد صحيح discretized إلى مجموعات (على سبيل المثال، أقل من 5، ما بين 5 و 10، أو أكبر من 10).

المصنفات الاحتمالية

العديد من خوارزميات التعرف على الأنماط الشائعة ذات طبيعة احتمالية ، من حيث أنها تستخدم الاستدلال الإحصائي للعثور على أفضل تسمية لمثيل معين. على عكس الخوارزميات الأخرى ، التي تنتج ببساطة تسمية "أفضل" ، غالبًا ما تنتج الخوارزميات الاحتمالية أيضًا احتمالية للمثال الموصوف بواسطة التسمية المحددة. بالإضافة إلى ذلك ، تُخرج العديد من الخوارزميات الاحتمالية قائمة بعلامات أفضل N مع الاحتمالات المرتبطة ، لبعض قيم N ، بدلاً من مجرد تسمية واحدة أفضل. عندما يكون عدد الملصقات الممكنة صغيرًا إلى حد ما (على سبيل المثال ، في حالة التصنيف ) ، Nيمكن تعيينها بحيث يتم إخراج احتمالية كل التسميات الممكنة. تتمتع الخوارزميات الاحتمالية بالعديد من المزايا مقارنة بالخوارزميات غير الاحتمالية:

  • إنهم ينتجون قيمة ثقة مرتبطة باختيارهم. (لاحظ أن بعض الخوارزميات الأخرى قد تنتج أيضًا قيم ثقة ، ولكن بشكل عام ، فقط بالنسبة للخوارزميات الاحتمالية ، يتم تأسيس هذه القيمة رياضيًا في نظرية الاحتمالات . لا يمكن إعطاء قيم الثقة غير الاحتمالية بشكل عام أي معنى محدد ، وتستخدم فقط للمقارنة مع ناتج قيم الثقة الأخرى بنفس الخوارزمية.)
  • في المقابل ، يمكنهم الامتناع عن التصويت عندما تكون الثقة في اختيار أي ناتج معين منخفضة للغاية.
  • بسبب ناتج الاحتمالات ، يمكن دمج خوارزميات التعرف على الأنماط الاحتمالية بشكل أكثر فاعلية في مهام التعلم الآلي الأكبر ، بطريقة تتجنب جزئيًا أو كليًا مشكلة انتشار الخطأ .

عدد متغيرات الميزة الهامة

تحاول خوارزميات تحديد الميزة تقليم الميزات الزائدة أو غير ذات الصلة مباشرةً. تم إعطاء مقدمة عامة لاختيار الميزة تلخص الأساليب والتحديات. [6] يعد تعقيد اختيار الميزة ، بسبب طابعه غير الرتيب ، مشكلة تحسين حيث يتم إعطاء إجماليميزات القوة تتكون من الكليجب استكشاف مجموعات فرعية من الميزات. تعمل خوارزمية الفرع والربط [7] على تقليل هذا التعقيد ولكنها مستعصية على القيم المتوسطة إلى الكبيرة لعدد الميزات المتاحة. للحصول على مقارنة واسعة النطاق لخوارزميات اختيار الميزات ، انظر. [8]

تُستخدم أحيانًا تقنيات تحويل نواقل الميزات الأولية ( استخراج الميزات ) قبل تطبيق خوارزمية مطابقة النمط. على سبيل المثال ، تحاول خوارزميات استخراج الميزات تقليل متجه ميزة الأبعاد الكبيرة إلى متجه أصغر حجمًا يسهل التعامل معه وتشفير التكرار الأقل ، باستخدام تقنيات رياضية مثل تحليل المكونات الرئيسية (PCA). التمييز بين اختيار ميزة و ميزة استخراج هي أن الميزات الناتجة بعد حدوث استخراج الميزة هي من نوع مختلف عن الميزات الأصلية وقد لا يمكن تفسيرها بسهولة ، في حين أن الميزات المتبقية بعد تحديد الميزة هي ببساطة مجموعة فرعية من الميزات الأصلية.

بيان المشكلة

رسميًا ، يمكن تحديد مشكلة التعرف على الأنماط على النحو التالي: إعطاء وظيفة غير معروفة ( الحقيقة الأساسية ) التي تحدد حالات الإدخال لإخراج تسميات ، إلى جانب بيانات التدريب يُفترض أنه يمثل أمثلة دقيقة للتخطيط ، ينتج وظيفة التي تقترب إلى أقصى حد ممكن من التعيين الصحيح . (على سبيل المثال ، إذا كانت المشكلة تتعلق بتصفية الرسائل غير المرغوب فيها ، فحينئذٍ هو بعض تمثيل البريد الإلكتروني و إما "بريد عشوائي" أو "ليس بريدًا عشوائيًا"). من أجل أن تكون هذه مشكلة محددة جيدًا ، يجب تحديد عبارة "تقريبية قدر الإمكان" بدقة. في نظرية القرار ، يتم تعريف ذلك من خلال تحديد دالة خسارة أو دالة تكلفة تعين قيمة محددة "للخسارة" الناتجة عن إنتاج ملصق غير صحيح. الهدف بعد ذلك للحد من المتوقع الخسارة، مع توقع استولوا على التوزيع الاحتمالي ل. في الممارسة العملية ، لا توزيع ولا وظيفة الحقيقة الأرضية معروفة تمامًا ، ولكن يمكن حسابها تجريبيًا فقط من خلال جمع عدد كبير من عينات وتصنيفها يدويًا باستخدام القيمة الصحيحة لـ (عملية تستغرق وقتًا طويلاً ، وهي عادةً العامل المحدد لكمية البيانات من هذا النوع التي يمكن جمعها). تعتمد وظيفة الخسارة المحددة على نوع الملصق الذي يتم توقعه. على سبيل المثال ، في حالة التصنيف ، غالبًا ما تكون دالة الخسارة الصفرية البسيطة كافية. يتوافق هذا ببساطة مع تخصيص خسارة 1 لأي ​​تسمية غير صحيحة ويعني أن المصنف الأمثل يقلل من معدل الخطأ في بيانات الاختبار المستقلة (أي حساب عدد الحالات التي تم تعلمها من الوظيفةتسميات خاطئة ، وهو ما يعادل تعظيم عدد الحالات المصنفة بشكل صحيح). الهدف من إجراء التعلم هو تقليل معدل الخطأ (زيادة الصحة إلى أقصى حد ) في مجموعة اختبار "نموذجية".

بالنسبة لمعرف الأنماط الاحتمالية ، تكمن المشكلة بدلاً من ذلك في تقدير احتمالية كل تسمية مخرجات محتملة في ضوء مثيل إدخال معين ، أي لتقدير دالة في النموذج

حيث يكون إدخال متجه الميزة، وعادة ما يتم تحديد الوظيفة f بواسطة بعض المعلمات. [9] في النهج التمييزي للمشكلة ، تقدر f مباشرة. في النهج التوليدي ، ومع ذلك ، فإن الاحتمال العكسيبدلاً من ذلك يتم تقديرها ودمجها مع الاحتمال السابق باستخدام قاعدة بايز على النحو التالي:

عندما يتم توزيع الملصقات باستمرار (على سبيل المثال ، في تحليل الانحدار ) ، فإن المقام يتضمن التكامل بدلاً من الجمع:

قيمة ال يتم تعلمه عادةً باستخدام الحد الأقصى لتقدير لاحق (MAP). يؤدي هذا إلى العثور على أفضل قيمة تلبي في وقت واحد كائنين متعارضين: أداء أفضل ما يمكن على بيانات التدريب (أصغر معدل خطأ ) والعثور على أبسط نموذج ممكن. بشكل أساسي ، يجمع هذا بين تقدير الاحتمالية القصوى وإجراء التنظيم الذي يفضل النماذج الأبسط على النماذج الأكثر تعقيدًا. في سياق بايز ، يمكن النظر إلى إجراء التنظيم على أنه وضع احتمالية مسبقة على قيم مختلفة . رياضيا:

أين هي القيمة المستخدمة ل في إجراء التقييم اللاحق ، و و احتمال الخلفي من، اعطي من قبل

في النهج البايزي لهذه المشكلة ، بدلاً من اختيار متجه معلمة واحدة، احتمالية تسمية معينة لمثيل جديد يتم حسابها من خلال التكامل بين جميع القيم الممكنة لـ ، موزونة حسب الاحتمال اللاحق:

النهج المتكرر أو البايزي للتعرف على الأنماط

تم تطوير مصنف النمط الأول - التمييز الخطي الذي قدمه فيشر - في التقليد المتكرر . يستلزم النهج المتكرر أن تعتبر معلمات النموذج غير معروفة ولكنها موضوعية. ثم يتم حساب المعلمات (المقدرة) من البيانات التي تم جمعها. بالنسبة للمميز الخطي ، فإن هذه المعلمات هي على وجه التحديد المتجهات المتوسطة ومصفوفة التغاير . أيضا احتمال كل فئةتم تقديره من مجموعة البيانات المجمعة. لاحظ أن استخدام " قاعدة بايز " في مصنف النمط لا يجعل منهج التصنيف بايزي.

تعود أصول الإحصاء البايزي إلى الفلسفة اليونانية حيث تم التمييز بالفعل بين المعرفة " المسبقة " و " اللاحقة ". حدد كانط لاحقًا تمييزه بين ما هو معروف مسبقًا - قبل الملاحظة - والمعرفة التجريبية المكتسبة من الملاحظات. في مصنف النمط البايزي ، احتمالات الفئةيمكن أن يتم اختيارها من قبل المستخدم ، والتي تكون بعد ذلك بداهة. علاوة على ذلك ، يمكن ترجيح التجربة التي تم تحديدها كمعيار كميًا مع الملاحظات التجريبية - باستخدام توزيعات Beta- ( المقترنة السابقة ) وتوزيعات Dirichlet على سبيل المثال . يسهل نهج بايز الاختلاط السلس بين معرفة الخبراء في شكل احتمالات ذاتية ، والملاحظات الموضوعية.

يمكن استخدام مصنفات الأنماط الاحتمالية وفقًا لمنهج متكرر أو بايزي.

الاستخدامات

تم اكتشاف الوجه تلقائيًا بواسطة برنامج خاص.

في العلوم الطبية ، يعتبر التعرف على الأنماط هو الأساس لأنظمة التشخيص بمساعدة الكمبيوتر (CAD). يصف CAD الإجراء الذي يدعم تفسيرات الطبيب والنتائج. التطبيقات النموذجية الأخرى لتقنيات التعرف على الأنماط هي التعرف التلقائي على الكلام ، وتحديد المتحدث ، وتصنيف النص إلى عدة فئات (على سبيل المثال ، رسائل البريد الإلكتروني العشوائية / غير المزعجة) ، والتعرف التلقائي على الكتابة اليدوية على المظاريف البريدية ، والتعرف التلقائي على صور الوجوه البشرية ، أو استخراج صورة خط اليد من النماذج الطبية. [10] [11] المثالان الأخيران من تحليل الصورة الفرعيالتعرف على الأنماط الذي يتعامل مع الصور الرقمية كمدخل لأنظمة التعرف على الأنماط. [12] [13]

التعرف البصري على الأحرف هو مثال كلاسيكي لتطبيق مصنف النمط ، انظر مثال التعرف الضوئي على الحروف . تم التقاط طريقة توقيع اسم الشخص باستخدام القلم والتراكب بدءًا من عام 1990. [ بحاجة لمصدر ] يتم استخدام الضربات والسرعة والدقيقة النسبية والحد الأقصى النسبي والتسارع والضغط لتحديد الهوية وتأكيدها بشكل فريد. تم عرض هذه التقنية على البنوك لأول مرة ، لكنها كانت راضية عن التحصيل من FDIC لأي احتيال مصرفي ولم ترغب في إزعاج العملاء. [ بحاجة لمصدر ]

التعرف على الأنماط له العديد من التطبيقات الواقعية في معالجة الصور ، وتشمل بعض الأمثلة ما يلي:

في علم النفس ، يرتبط التعرف على الأنماط (فهم الأشياء وتحديدها) ارتباطًا وثيقًا بالإدراك ، وهو ما يفسر كيفية جعل المدخلات الحسية التي يتلقاها البشر ذات مغزى. يمكن التفكير في التعرف على الأنماط بطريقتين مختلفتين: الأولى هي مطابقة القالب والثانية هي اكتشاف الميزات. القالب هو نمط يستخدم لإنتاج عناصر من نفس النسب. تقترح فرضية مطابقة القالب أن المحفزات الواردة تُقارن مع القوالب الموجودة في الذاكرة طويلة المدى. إذا كان هناك تطابق ، يتم تحديد الحافز. تشير نماذج اكتشاف الميزات ، مثل نظام Pandemonium لتصنيف الحروف (Selfridge ، 1959) ، إلى أن المحفزات تنقسم إلى مكوناتها للتعرف عليها. على سبيل المثال ، يحتوي الحرف E على ثلاثة خطوط أفقية وخط رأسي واحد.[23]

الخوارزميات

تعتمد خوارزميات التعرف على الأنماط على نوع إخراج الملصق ، وما إذا كان التعلم خاضعًا للإشراف أم لا ، وما إذا كانت الخوارزمية ذات طبيعة إحصائية أو غير إحصائية. يمكن أيضًا تصنيف الخوارزميات الإحصائية على أنها توليدية أو تمييزية .

طرق التصنيف (طرق التنبؤ بالعلامات الفئوية )

حدودي: [24]

اللامعلمية: [25]

طرق التجميع (طرق لتصنيف التسميات الفئوية والتنبؤ بها )

خوارزميات تعلم المجموعة (خوارزميات وصفية خاضعة للإشراف للجمع بين خوارزميات تعلم متعددة معًا)

طرق عامة للتنبؤ (مجموعات) المنظمة بشكل عشوائي

خوارزميات تعلم فضاء جزئي متعدد الخطوط (توقع تسميات البيانات متعددة الأبعاد باستخدام تمثيلات الموتر )

غير خاضع للرقابة:

تقدر الحقيقي تسلسل العلامات أساليب (التنبؤ متواليات من قيمتها الحقيقية التسميات)

طرق الانحدار (توقع العلامات ذات القيمة الحقيقية )

طرق وضع العلامات على التسلسل (توقع تسلسل التسميات الفئوية )

انظر أيضا

المراجع

  1. ^ الأسقف ، كريستوفر م. (2006). التعرف على الأنماط وتعلم الآلة . سبرينغر.
  2. ^ هوارد ، دبليو آر (20 فبراير 2007). "التعرف على الأنماط وتعلم الآلة". Kybernetes . 36 (2): 275. دوى : 10.1108 / 03684920710743466 . ISSN 0368-492X . 
  3. ^ "تسمية التسلسل" (PDF) . utah.edu . أرشفة (PDF) من النسخة الأصلية بتاريخ 2018-11-06 . تم الاسترجاع 2018/11/06 .
  4. ^ إيان ، تشيسويل (2007). المنطق الرياضي ، ص. 34 . مطبعة جامعة أكسفورد. رقم ISBN 9780199215621. OCLC  799802313 .
  5. ^ كارفالكو ، جي آر ، بريستون ك. (1972). "في تحديد التحولات المثلى لوضع علامات Golay البسيطة لمعالجة الصور الثنائية". معاملات IEEE على أجهزة الكمبيوتر . 21 (12): 1430-1433. دوى : 10.1109 / TC.1972.223519 . S2CID 21050445 . CS1 maint: multiple names: authors list (link).
  6. ^ إيزابيل جويون كلوبينيت ، أندريه إليسيف (2003). مقدمة لاختيار المتغير والميزة . مجلة أبحاث التعلم الآلي ، المجلد. 3 ، 1157-1182. رابط أرشفة 2016-03-04 في آلة Wayback ...
  7. ^ إيمان فروتان. جاك سكلانسكي (1987). "اختيار الميزة للتصنيف التلقائي للبيانات غير الغوسية". معاملات IEEE على الأنظمة والإنسان وعلم التحكم الآلي . 17 (2): 187-198. دوى : 10.1109 / TSMC.1987.4309029 . S2CID 9871395 .  .
  8. ^ مينيتشي كودو ؛ جاك سكلانسكي (2000). "مقارنة الخوارزميات التي تحدد ميزات لمصنفات الأنماط". التعرف على الأنماط . 33 (1): 25-41. CiteSeerX 10.1.1.55.1718 . دوى : 10.1016 / S0031-3203 (99) 00041-2 .  .
  9. ^ ل تحليل التمايز الخطي الموجه المعلمة يتكون من متجهين متوسطين و ومصفوفة التغاير المشتركة .
  10. ^ ميليوسكي ، روبرت ؛ جوفينداراجو ، فينو (31 مارس 2008). "الثنائيات وتنظيف النص المكتوب بخط اليد من صور الاستمارة الطبية للنسخ الكربونية" . التعرف على الأنماط . 41 (4): 1308-1315. دوى : 10.1016 / j.patcog.2007.08.018 . مؤرشفة من الأصلي في 10 سبتمبر 2020 . تم الاسترجاع 26 أكتوبر 2011 .
  11. ^ سارانجي ، سوزانتا ؛ شهد الله ، ماريلاند ؛ ساها ، غوتام (سبتمبر 2020). "تحسين نظام التصفية المستند إلى البيانات للتحقق التلقائي من السماعات". معالجة الإشارات الرقمية . 104 : 102795. arXiv : 2007.10729 . دوى : 10.1016 / j.dsp.2020.102795 . S2CID 220665533 . 
  12. ^ ريتشارد أو دودا ، بيتر إي هارت ، ديفيد جي ستورك (2001). تصنيف النمط (الطبعة الثانية). وايلي ، نيويورك. رقم ISBN 978-0-471-05669-0. مؤرشفة من الأصلي في 2020-08-19 . تم الاسترجاع 2019-11-26 .CS1 maint: multiple names: authors list (link)
  13. ^ ر.برونيلي ، تقنيات مطابقة النماذج في رؤية الكمبيوتر: النظرية والتطبيق ، وايلي ، ISBN 978-0-470-51706-2 ، 2009 
  14. ^ البرنامج التعليمي التلقائي للتعرف على لوحة الأرقام أرشفة 2006-08-20 في آلة Wayback. http://anpr-tutorial.com/ أرشفة 2006-08-20 في آلة Wayback.
  15. ^ الشبكات العصبية للتعرف على الوجوه أرشفة 2016-03-04 في آلة Wayback. رفيق للفصل 4 من كتاب التعلم الآلي.
  16. ^ بودار ، ارناب ؛ شهد الله ، ماريلاند ؛ ساها ، جوتام (مارس 2018). "التحقق من المتحدث بألفاظ قصيرة: مراجعة التحديات والاتجاهات والفرص" . القياسات الحيوية IET . 7 (2): 91-101. دوى : 10.1049 / iet-bmt.2017.0065 . مؤرشفة من الأصلي في 2019-09-03 . تم الاسترجاع 2019-08-27 .
  17. ^ PAPNET لفحص عنق الرحم أرشفة 2012-07-08 في archive.today
  18. ^ "تطوير استراتيجية التحكم في المركبات الذاتية باستخدام كاميرا واحدة وشبكات عصبية عميقة (2018-01-0035 ورقة فنية) - SAE Mobilus" . saemobilus.sae.org . مؤرشفة من الأصلي في 2019-09-06 . تم الاسترجاع 2019/09/06 .
  19. ^ جيردس ، ج.كريستيان ؛ كيجلمان ، جون سي ؛ كابانيا ، نيتين ر. براون ، ماثيو ؛ سبيلبرغ ، ناثان أ. (27 مارس 2019). "نماذج مركبات الشبكة العصبية للقيادة الآلية عالية الأداء" . علوم الروبوتات . 4 (28): إي إيه أو 1975. دوى : 10.1126 / scirobotics.aaw1975 . ISSN 2470-9476 . بميد 33137751 . S2CID 89616974 .   
  20. ^ بيكرينغ ، كريس (15 أغسطس 2017). "كيف يمهد الذكاء الاصطناعي الطريق للسيارات ذاتية القيادة بالكامل" . المهندس . مؤرشفة من الأصلي في 2019-09-06 . تم الاسترجاع 2019/09/06 .
  21. ^ راي ، بايشاكي ؛ جانا ، سومان ؛ بي ، كيكسين ؛ تيان ، يوشي (28 أغسطس 2017). "DeepTest: الاختبار الآلي للسيارات ذاتية القيادة التي تعتمد على الشبكة العصبية العميقة". arXiv : 1708.08559 . بيب كود : 2017arXiv170808559T . Cite journal requires |journal= (help)
  22. ^ سينها ، ب. هادجيسكي ، إل إم ؛ مطيب ، ك. (1993-04-01). "الشبكات العصبية في التحكم في المركبات الذاتية". مجلدات إجراءات الاتحاد الدولي للمحاسبين . ورشة العمل الدولية الأولى للاتحاد الدولي للمحاسبين حول المركبات ذاتية القيادة الذكية ، هامبشاير ، المملكة المتحدة ، 18-21 أبريل. 26 (1): 335 - 340. دوى : 10.1016 / S1474-6670 (17) 49322-0 . ISSN 1474-6670 . 
  23. ^ "مراجعة الاهتمام بعلم النفس من المستوى الأول - التعرف على الأنماط | S-cool ، موقع المراجعة" . S-cool.co.uk. مؤرشفة من الأصلي في 2013-06-22 . تم الاسترجاع 2012-09-17 .
  24. ^ بافتراض الشكل التوزيعي المعروف لتوزيعات الميزات لكل فئة ، مثلالشكل الغاوسي .
  25. ^ لا يوجد افتراض توزيع فيما يتعلق بشكل توزيعات الميزات لكل فئة.

قراءات إضافية

روابط خارجية