模式识别技术在电子信息特征提取中应用探讨.docVIP

模式识别技术在电子信息特征提取中应用探讨 　　摘要：模式识别技术是当今的热门研究方向，其在对于电子信号的提取中有着极为重要的作用，可以有效地对信号进行回归拟合以及分类，本文通过对于模式识别技术的分析，通过具体的算法来对于电子信息的提取方法进行分析，为其进一步发展提供创新的思路。 　　关键词：模式识别；电子信息；应用 　　中图分类号：TP21 文献标识码：A 文章编号：1007-9416（2017）11-0096-02 　　1 引言 　　模式识别是人工智能领域的一个重要的分支，模式识别技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于统计方法、基于神经网络等。模式识别算法采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对信号进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，同时可以对不清晰的图像、动态的图像进行较为精确的识别，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的信号库进行训练，使得模式识别模型的准确度非常高，同时时间减小，可以达到万分之一秒。 　　2 模式识别技术概述 　　模式识别是一门交叉性学科，涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。电子信息提取就是从大量的电子信息中发现隐含知识和模式的一种方法和工具，它从数据挖掘发展而来，但与传统的数据挖掘又有许多不同。电子信息的识别及其特征项的选取是数据挖掘、信息检索的一个基本问题，它把从电子信息中抽取出的特征进行量化来表示其信息。例如可以采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对图像进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的图像库进行训练，使得图像识别模型的准确度非常高，同时时间减小，可以达到万???之一秒。电子信息的模式识别主要是用函数逼近的方式来进行，最优化识别的主要是采用神经网络的方法，主要由评判、模型和执行三个部分来组成，它们都是用神经网络来进行实现的，主要可以采用相关的函数来对于内部的权重进行调整，从而达到分类的目的。对于实际的识别操作来说，模式识别可能会存在一些问题，在这样的情况下，就需要采用神经网络的方式对其进行学习与训练，使得其能够实现强化学习，对于整体进行逐次的优化，最终得到全局的优化识别提取函数，通过神经网络建模的方法，可以有效的对于电子信息特征进行提取，所以神经网络依然是当前很长一段时间内控制科学的发展方向。 　　3 电子信息的特征提取方法分析 　　3.1 SIFT特征提取算法 　　对信号变化保持稳定的特征描述符?Q为不变量，比如对信号的旋转保持稳定的不变量称为旋转不变量，对尺度缩放保持稳定的不变量则称为尺度不变量。SIFT 特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。SIFT 算法的实质是检测信号的局部特征-SIFT特征点，然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量―SIFT 描述子，从而把信号匹配问题转化为SIFT描述子的匹配问题[1]。SIFT特征提取方法是通过强化学习，来对传统的特征提取进行优化，然后可以有效的解决离散系统和非线性系统中出现的问题，主要包括特征迭代和值迭代两种形式，特征迭代主要是通过特征评价与改进的方法，对每一步的特征进行评估，来不断的寻找优化的特征，同时对其进行改良和优化，得到新的权值，生成新的优化函数进行计算，在这个过程当中，评估和改进是循环进行的，最后将会得到一个最优的特征。但是需要注意的是，在最好的运行模式下，相关的一些外部参数条件应当是稳定的，这是非常重要的，如果没有这个条件，就会导致整个特征评估，出现一些意外的情况。值迭代的算法主要是针对于一些方程式的计算，通过最优函数的寻找与控制计算，就能计算出最优的值，它不需要进行控制特征的稳定化，在我们的使用当中必须要注意，无论是迭代特征还是值迭代，都需要对于被控对象的相关特性，尤其是内部特性进行研究，这也是SIFT特征提取的核心特点。在这个算法进行计算的过程当中，对于初始条件进行选择是极为重要的，它对于整个算法能否在较短时间内得到正确的答案，收敛到稳定的区域内是起着关键性的作用的，因此这个算法主要困难在于需要在一开始就找到一个稳定的特征提取模式。 　　3.2 Brief特征提取算法 　　Brief的特征提取算法步骤为：（1）给定一个信号。（2）对信号做平滑处理。平滑处理，也就是高斯滤波，也就是b