Örüntü Tanıma Ders Notları-1

 1. ÖRÜNTÜ TANIMA

Örüntü (pattern): ölçülebilen, gözlenebilen, tekrar edebilen ortak düzenli yapı veya benzerlikleri olan bir örnekler kümesidir. Örüntü olarak isimlendirilen olay nesne veya süreçler gürültü veya bozulmalar içerebilir.

Örüntü teriminin bir başka tanımı ise olay veya nesnelerin düzenli bir biçimde birbirini takip ederek gelişmesidir. Gerçek dünyadaki bu örüntüler, genellikle ilgilenilen verilerin nicel tanımlama şekilleridir.

Örüntü tanıma, aralarında ortak özellik bulunan ve aralarında bir ilişki kurulabilen karmaşık işaret örneklerini veya nesneleri bazı tespit edilmiş özellikler veya karakterler vasıtası ile tanımlama veya sınıflandırmadır. Bu bağlamda, örüntü tanımanın en önemli amaçları; bilinmeyen örüntü sınıflarına belirli bir şekil vermek ve bilinen bir sınıfa ait olan örüntüyü teşhis etmektir[İ.Türkoğlu ders notu].

Örüntü tanıma çeşitli kaynaklarda şu şekilde tanımlanmaktadır.

                Fiziksel objelerin veya olayların önceden belirlenmiş bir veya daha fazla kategoriye ayrılmasıdır (Duda and Hart)

                Çok boyutlu uzayda yoğunluk fonksiyonunun tahmini veya bu uzayı kategori veya sınıflara ayırma problemidir (Fukunaga).

                Ölçülen verilerin tanımlanması veya sınıflandırılması(tanıma) ile uğraşan bilim (Schalkoff)

                X Gözlenen değerine ω ismini vermektir (Schürmann)

                Örüntü tanıma “Bu nedir” sorusuna verilen cevapla ilgilidir. (Morse)

 

Örüntü tanıma teknikleri birçok mühendislik, tıp ve askeri alanda kullanılmaktadır.

 

Örüntü Tanıma Uygulamaları

                Savunma sanayinde,

                Tıp biliminde,

                Trafikte,

                Konuşma tanıma teknolojilerinde

                Metalürjide sert metallerin otomatik derecelendirilmesinde,

                Jeolojide sismik hareketlerin incelenmesinde ve deprem tahmininde,

                El yazısı, parmak izi, yüz tanıma uygulamalarında,

                Uydu resimlerinin yorumlanmasında,

                Ses tanıma

                EEG sınıflama

                DTMF haberleşme işaretlerini tanıma ve radar hedef sınıflama,

                Biyomedikal kontrol

                Veri madenciliği

 

Örüntü tanıma olarak bilinen bu uygulamalar, makine öğrenmesi, örüntü sınıflandırma, ayrım analizi ve nitelik tahmini gibi isimlerle de anılmaktadır. Örüntü tanıma temel olarak Şekil 1’de gösterildiği gibi üç aşamadan oluşmaktadır[İ.Türkoğlu ders notu].

1. Algılayıcılar ve Ön İşlemler: Algılayıcılar, herhangi bir anda mümkün olan birçok doğal durumlardan biri olabilen bazı fiziksel işlemleri ölçerler. Örüntünün (nesne, olay, süreç, İşaret veya görüntü) algılandığı, İşaret veya görüntünün filtre edildiği, çeşitli dönüşüm ve gösterim teknikleri ile işlendiği, bileşenlerine ayrıldığı veya modellendiği kısımdır.

2. Özellik Çıkarma: İşaret ve görüntünün veri boyutunun indirgendiği ve tanımlayıcı anahtar özelliklerinin tespit edildiği ve aynı zamanda normalizasyona tabi tutulduğu aşamadır. Sistemin başarımında en etkili rolü oynar.

3. Sınıflandırma: Çıkarılan özellik kümesinin indirgendiği ve formüle edildiği tanımlayıcı karar aşamasıdır. Sınıflandırıcının rolü örüntüyü özelliklerine göre kategorize ederek uygun sınıflara kaydetmektir.

Örüntü Tanıma Yaklaşımları

Örüntü tanıma sistemleri üç temel yaklaşımdan biri kullanılarak gerçekleştirilebilir.

1.            İstatiksel örüntü tanıma

2.            Yapısal (structural, syntactic) örüntü tanıma

3.            Akıllı (Neural) öruntu tanıma

 

1. İstatistiksel örüntü tanıma: İstatistiksel örüntü tanıma yöntemin de, sınıflama algoritmaları istatistiksel analiz üzerine kurulmuştur. Aynı sınıfa ait örüntüler, istatistiksel olarak tanımlanan benzer karakteristiklere sahiptirler. Bu yöntemde, özellik olarak nitelendirilen karakteristik ölçümler giriş örüntü örneklerinden çıkarılır. Her örüntü bir özellik vektörü ile tanımlanır. Genelde sınıflandırıcıyı oluşturan karar ve sınıflandırma yöntemleri üzerinde önemle durulur. Sınıflandırıcı tasarımı, ölçümler ve olasılıklar gibi işlenebilir örüntü bilgilerini birleştirmeyi esas alır. Böylece sınıflama, giriş veri uzayının olasılık yoğunluk fonksiyonlarının tahmini üzerine kurulu bir istatistiksel yapıdır. İstatistiksel örüntü tanıma Bayes Karar Teorisi üzerine kurulmuş olup, uzun bir geçmişe sahiptirler[İ.Türkoğlu ders notu].

2.Yapısal örüntü tanıma: Yapısal (geometriksel, kural dizilim) örüntü tanıma yaklaşımın da, verilen bir örüntü, şekilsel yapıdan temel karakteristik tanımlanmaya indirgenir. Çoğu zaman, örüntülerden çıkarılan bilgi yalnızca özellikler kümesinin sayısal değerlerinden değildir. Özelliklerin birbirine bağlanması veya aralarındaki karşılıklı ilişki, tanımlamayı ve sınıflandırmayı kolaylaştıran önemli yapısal bilgiye sahiptir. Bir başka deyişle örüntünün işlenmemiş halinden elde edilen tanımlayıcı biçimsel sentaks veya bunların sentezinden çıkarılan gramer ile tanımlama gerçekleşir. Örneğin, örüntünün köşe sayısı, kenar açıları vb. Genel olarak yapısal yöntemde daha basit alt örüntüler karışık örüntülerin hiyerarşik tanımlamalarını formüle eder. Yapısal yöntemde her örüntü, bileşenlerinin bir kompozisyonu olarak ele alınır.

Yapısal örüntü tanıma yönteminde çeşitli birimler arasındaki ilişki çok büyük önem taşır ve gerçek tanımada kullanılan bazı şekilsel notasyonlar tarafından belirtilir. Örneğin, ekrandaki bir masayı tanıma, “köşelerinden eşit uzunlukta bacaklar tarafından desteklenen yatay bir dikdörtgen yüzey” gibi yapısal tanımlamayı temel alarak gerçekleştirilebilir. Bu yöntemde, çevre uzunluğu, alan, ağırlık merkezi, eylemsizlik momenti ve Fourier tanımlayıcıları gibi genel özellikleri kullanır. Otoregresif model, poligonsal yaklaşım ve zincir kodları yapısal örüntü tanıma yöntemine örnek olarak verilebilir[İ.Türkoğlu ders notu].

3. Akıllı örüntü tanıma: Örüntü tanıma sistemi, daha önceden öğrendiklerini tutabilecek bir hafızaya sahip, çıkarım, genelleme ve belirli bir hata toleransı ile karar verebilme yeteneklerini içermekte ise bu sistem akıllı örüntü tanıma sistemi olarak değerlendirilir. Akıllı örüntü tanıma yaklaşımları, öğrenme tabanlı olup, karar aşamasında geçmiş tecrübelerinden sonuç üretmektedirler. Günümüzde, öğrenmeli örüntü tanıma algoritmaları yapay sinir ağ merkezli olarak gelişmektedir ve bu doğrultuda çalışmalar yoğunluktadır. YSA yaklaşımları istatistik yaklaşıma karşı belirleyici olarak ifade edilebilir. Çünkü öğrenme algoritmaları örüntü sınıflarının istatistiksel özellikleri hakkında hiçbir şey kullanmamaktadır. Bununla birlikte, istatistiksel ve YSA örüntü tanıma yaklaşımları şekil ve amaç olarak çok benzer olup, hatta YSA 'nın geleneksel istatistiksel örüntü tanımanın bir uzantısı olarak ifade edilen görüşlerde bulunmaktadır[İ.Türkoğlu ders notu].

Örüntü Tanıma Yaklaşımlarının Değerlendirilmesi

İstatistiksel, yapısal ve yapay sinir ağları ile örüntü tanıma yaklaşımları arasında kesin bir ayrım yoktur. Bunlar arasındaki sınırlar bulanıklık arz eder. Bu yaklaşımlar, genel ve ortak özellikleri ve amaçları paylaşırlar. Verilen belirli bir örüntü tanıma probleminin çözümünde istatistiksel yaklaşıma göre örüntünün yapısı anlamsız olabilir. Yapı ancak uygun özellik seçimiyle yansıtılabilir. İstatistiksel örüntü tanımada; yapısal bilginin ifade edilmesinde görülen zorluk, yapısal örüntü tanımada kendini yapısal kuralların öğrenilmesinde gösterir. Buna karşın yapay sinir ağı yaklaşımı, istatistiksel ve yapısal yaklaşımlardan türetilmiştir. Açık bir şekilde örüntü hakkındaki yapısal bilgi değerli olduğunda yapısal örüntü tanıma yaklaşımını seçmek daha doğrudur. Yapısal bilgi değersiz ve maksada uygun değilse istatistiksel yöntemi seçmek daha doğrudur. Yapay sinir ağları, istatistiksel ve yapısal yaklaşıma alternatif teknikler sağlayan ve örüntü tanımaya öğrenme boyutu katarak akıllı tanıma niteliği kazandıran bir teknik olarak düşünülebilir[İ.Türkoğlu ders notu].

Kaynaklar:

   İ.Türkoğlu ders notu http://perweb.firat.edu.tr/personel/yayinlar/fua_69/69_22586.pdf

      R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, 2nd edition, John Wiley & Sons, Inc., 2000.

  S. Theodoridis, K. Koutroumbas, Pattern Recognition, 3rd edition, Academic Press, 2006.

   C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

   A. Webb, Statistical Pattern Recognition, 2nd edition, John Wiley & Sons, Inc., 2002.

K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990

Yorum Yaz