INNE EBOOKI AUTORA
Autor:
Format:
ibuk
Rozpoznawanie wzorców jest działem sztucznej inteligencji zajmującym się klasyfikacją obserwacji. Celem rozpoznawania jest klasyfikowanie danych (wzorców) na podstawie wiedzy a priori lub na podstawie informacji statystycznych uzyskanych z wzorca. Wzorce są zazwyczaj zbiorem obserwacji lub pomiarów. Wśród szerokiej gamy metod rozpoznawania wzorców można wyróżnić metody statystyczne. W przeciwieństwie do metod probabilistycznych wykorzystujących prawdopodobieństwo a priori, metody statystyczne wykorzystują reguły decyzyjne ze zbiorem uczącym złożonym z obiektów, dla których znany jest wektor cech i etykieta klasy wzorca. Jedną z wielu metod rozpoznawania wzorca są ukryte modele Markowa (UMM).
Rok wydania | 2018 |
---|---|
Liczba stron | 202 |
Kategoria | Inne |
Wydawca | Akademicka Oficyna Wydawnicza EXIT Andrzej Lang |
ISBN-13 | 978-83-7837-584-5 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
INNE EBOOKI AUTORA
POLECAMY
Ciekawe propozycje
Rozpoznawanie i stymulowanie cech...
do koszyka
Rozpoznawanie i leczenie depresji i...
do koszyka
Rozpoznawanie przez Sąd Najwyższy...
do koszyka
Rozpoznawanie zachowań narkotykowych
do koszyka
Spis treści
1. Wprowadzenie | |
2. Charakterystyka metod rozpoznawania wzorców | |
2.1. Budowa systemów rozpoznawania wzorców | |
2.2. Statystyczne metody klasyfikacji wzorców | |
2.3. Problem wymiarowości w statystycznych metodach rozpoznawania wzorców | |
3. Ekstrakcja cech wzorców za pomocą transformacji obrazów | |
3.1. Transformacja Fouriera | |
3.2. Transformacja falkowa | |
3.3. Metoda komponentów głównych | |
3.4. Transformacja Radona | |
3.5. Transformacja Hougha | |
4. Wprowadzenie do ukrytych modeli Markowa | |
4.1. Łańcuch i proces Markowa | |
4.2. Ukryte modele Markowa | |
4.3. Parametry i topologie modeli Markowa | |
4.4. Tworzenie systemu rozpoznawania wzorca na bazie UMM | |
4.5. Definiowanie prototypowych modeli UMM | |
4.6. Estymacja parametrów ukrytych modeli Markowa | |
4.7. Testowanie modeli | |
4.8. Przykłady UMM | |
5. Dwuwymiarowy ukryty model Markowa z danymi dwuwymiarowymi | |
5.1. Założenia konstrukcji 2D UMM dla danych dwuwymiarowych | |
5.2. Struktura 2D UMM dla danych dwuwymiarowych | |
5.3. Estymacja parametrów ukrytych modeli Markowa | |
5.4. Prawdopodobieństwo wygenerowania obserwacji | |
6. Eksperymentalne potwierdzenie poprawności dwuwymiarowych ukrytych modeli Markowa z danymi dwuwymiarowymi | |
6.1. Charakterystyka danych eksperymentalnych | |
6.2. Wybór transformaty do ekstrakcji cech | |
6.3. Wybór funkcji falkowej | |
6.4. Dobór podstawowych parametrów 2D UMM | |
6.5. Badanie poprawności rozpoznawania wzorca metodą 2D UMM | |
6.6. Porównanie metod rozpoznawania wzorca | |
6.7. Wpływ rozmiaru obrazu wzorca na poprawność rozpoznania | |
6.8. Wpływ progu błędu uczenia na poprawność rozpoznania i czas uczenia | |
7. Zastosowanie 2D UMM w systemach rozpoznawania wzorców | |
7.1. Metody oceny i porównywania meto rozpoznawania wzorca | |
7.2. Rozpoznawanie znaków drogowych | |
7.3. Identyfikacja osób na podstawie obrazu 2D twarzy | |
7.4. Multimodalne rozpoznawanie twarzy | |
7.5. System rozpoznawania twarzy z przetwarzaniem równoległym | |
7.6. Identyfikacja osób na podstawie asymetrii twarzy 3D | |
7.7. Metoda identyfikacji osób na podstawie fragmentu wzorca tęczówki oka | |
Podsumowanie | |
Literatura | |
Spis rysunków | |
Spis tabel | |