Mustererkennung

Die Mustererkennung ist ein Teilgebiet der Informatik und bezeichnet das maschinelle Erkennen und Auswerten von Mustern in Signalen. Die Anwendung der Mustererkennung reicht von der automatischen Klassifizierung kontinuierlicher Signale in diskrete Klassen bis zu komplexen Analysen. Die Mustererkennung wird als Verfahren der künstlichen Intelligenz eingesetzt, um die Fähigkeiten der menschlichen Wahrnehmung nachzubilden.

Beispiele für die Anwendung von Mustererkennung sind Spracherkennung und Optische Zeichenerkennung, Robotik, Biometrie (Gesichtserkennung, Fingerabdrücke...) und Bilderkennung. Auch lassen sich beispielsweise Muster in E-Mails erkennen, die für UBE/UCE (Spam) typisch sind, um diese auszufiltern. Mustererkennung in Datenbanken wird auch in der Datenanalyse oder im Data-Mining genutzt.

Die verschiedenen Verfahren der Mustererkennung unterscheiden sich im Wesentlichen in ihren Klassifikationsverfahren.

Methodisch lassen sich unterscheiden

Syntaktische (oder strukturelle) Mustererkennung, wo es darum geht, (i. d. R. probabilistische) Grammatiken für formale Sprachen zu finden, die bestimmte Klassen von Objekten beschreiben.
Statistische Mustererkennung verwendet Methoden aus der Statistik und dem maschinellen Lernen zur Charakterisierung von Objektklassen.

Teilschritte der Mustererkennung

Ein Mustererkennungsprozess lässt sich in mehrere Teilschritte zerlegen, bei denen am Anfang die Erfassung und am Ende eine ermittelte Klasseneinteilung steht. Bei der Erfassung werden Daten oder Signale mittels Sensoren aufgenommen und digitalisiert. Aus den meist analogen Signalen werden Muster gewonnen, die sich mathematisch in Vektoren und Matrizen darstellen lassen. Zur Datenreduktion und zur Verbesserung der Qualität findet eine Vorverarbeitung statt. Durch Extraktion von Merkmalen werden die Muster bei Merkmalsgewinnung anschließend in einen Merkmalsraum transformiert. Die Dimension des Merkmalsraums, in dem die Muster nun als Punkte repräsentiert sind, wird bei der Merkmalsreduktion auf die wesentlichen Merkmale beschränkt. Der abschließende Kernschritt ist die Klassifikation durch einen Klassifikator, der die Merkmale verschiedenen Klassen zuordnet. Das Klassifikationsverfahren kann auf einem Lernvorgang mit Hilfe einer Stichprobe basieren.

Mustererkennung_Schema.png

Erfassung

Siehe auch: Signalverarbeitung, Messung, Digitalisierung, Messtechnik, Datenerhebung

Vorverarbeitung

Um Muster besser erkennen zu können, findet in der Regel eine Vorverarbeitung statt. Die Entfernung bzw. Verringerung unerwünschter oder irrelevanter Signalbestandteile führt nicht zu einer Reduktion der zu verarbeitenden Daten, dies geschieht erst bei der Merkmalsgewinnung. Mögliche Verfahren der Vorverarbeitung sind unter Anderem die Signalmittelung, Anwendung eines Schwellwertes und Normierung. Gewünschte Ergebnisse der Vorverarbeitung sind die Verringerung von Rauschen und die Abbildung auf einen einheitlichen Wertebereich.

Merkmalsgewinnung

Nach der Verbesserung des Musters durch Vorverarbeitung lassen sich aus seinem Signal verschiedene Merkmale gewinnen. Dies geschieht in der Regel empirisch nach durch Intuition und Erfahrung gewonnenen Verfahren, da es wenige rein analytische Verfahren (z.B. die Automatische Merkmalsynthese) gibt. Welche Merkmale wesentlich sind, hängt von der jeweiligen Anwendung ab. Merkmale können aus Symbolen beziehungsweise Symbolketten bestehen oder mit statistischen Verfahren aus verschiedenen Skalenniveaus gewonnen werden. Bei den numerischen Verfahren unterscheidet man Verfahren im Originalbereich und Verfahren im Spektralbereich. Mögliche Merkmale sind beispielsweise

Mittels Transformationen wie der diskreten Fourier-Transformation (DFT) und diskreten Kosinustransformation (DCT) können die ursprünglichen Signalwerte in einen handlicheren Merkmalsraum gebracht werden. Die Grenzen zwischen Verfahren der Merkmalsgewinnung und Merkmalsreduktion sind fließend. Da es wünschenswert ist, möglichst wenige aber dafür umso aussagekräftigere Merkmale zu gewinnen, können Beziehungen wie die Kovarianz und der Korrelationskoeffizient zwischen mehreren Merkmalen berücksichtigt werden. Mit der Karhunen-Loève-Transformation (Hauptachsentransformation) lassen sich Merkmale dekorrelieren.

Merkmalsreduktion

Zur Reduktion der Merkmale auf die für die Klassifikation wesentlichen wird geprüft, welche Merkmale für die Klassentrennung relevant sind und welche weggelassen werden können. Verfahren der Merkmalsreduktion sind die Varianzanalyse, bei der geprüft wird, ob ein oder mehrere Merkmale Trennfähigkeit besitzen, und die Diskriminanzanalyse, bei der durch Kombination von elementaren Merkmalen eine möglichst geringe Zahl trennfähiger nichtelementarer Merkmale gebildet wird.

Klassifikation

Der letzte und wesentlichste Schritt der Mustererkennung ist die Klassifikation der Merkmale in Klassen. Dazu existieren verschiedene Klassifikationsverfahren (weiteres siehe dort).

Lebewesen benutzen zur Mustererkennung in den Signalen unserer Sinne meist Neuronale Netze. Diese Herangehensweise wird in der Bionik analysiert und imitiert. Die Neuroinformatik hat gezeigt, dass durch künstliche neuronale Netze Lernen und Erkennung komplexer Muster möglich sind, auch ohne dass vorher eine Regelabstraktion in oben gezeigter Art erfolgt.

Siehe auch

Regressionsanalyse (Lineare Regression und Nichtlineare Regression), Bildverarbeitung, Bildverstehen, Rasteranalyse, Spracherkennung, Support-Vector-Maschine, Pattern Matching, Fuzzy-Suche, Neuigkeitsfilter, Hauptkomponentenanalyse, Clusteranalyse

Literatur

Richard O. Duda, Peter E. Hart, David G. Stork: Pattern classification, Wiley, New York, 2001, ISBN 0471056693
J. Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0471135348
K. Fukunaga: Statistical Pattern Recognition. Academic Press, 1991
H. Niemann: Klassifikation von Mustern. Springer, 1983 ISBN 3-540-12642-2 (siehe auch Weblinks)

Weblinks

http://www.dagm.de/ - Deutsche Arbeitsgemeinschaft für Mustererkennung
http://www5.informatik.uni-erlangen.de/~niemann/klassifikation-von-mustern/m00links.html - H. Niemann: Klassifikation von Mustern, (2. überarbeitete Auflage im Internet)

Künstliche_Intelligenz | Statistik | Klassifikation

Gourt Home::Gourt :: Mustererkennung