وبلاگ

:
این مطلب یک ایده متعارف برای تعداد متفاوتی از روش هایی است كه جهت تشخیص الگو بكار
میروند و اهمیت ندارد كه آن الگوها آماری ، تركیبی یا ساختاری باشند. این یک مقایسه از الگویی
ناشناخته با یک عدد بطور نمونه یا با نمونه الگوی اولیه با بهره گرفتن از فاصله یا ( میزان ) شباهت یا تفاوت
است. یعنی هر الگوی ناشناخته را بصورت نمونه با یک رشته عددی تقریب زده و آن رشته را با رشته
عددی الگوی اولیه مقایسه می كنیم. ابتدا ارائه یک عدد از نمونه های اولیه كه به كلاس مربوط به آن
نمونه های اولیه شناخته شده مرتبط است ، و سپس دسته بندی یک الگوی ناشناخته بوسیله تعیین
كردن بیشترین شباهت الگوی تصمیم گیری برای آن كلاس است كه دست یافتنی است. پس برای هر
نمونه اولیه یک عدد در نظر میگیریم كه آن عدد با كلاسهای این نمونه های شناخته شده در ارتباط
است و دسته بندی الگوهای ناشناخته بوسیله تعیین كردن بیشترین شباهت الگو و تصمیم گیری درباره
كلاس آن حاصل میشود.
در دسته بندی آماری ، نمونه ها به وسیله عامل مشترك از یک تابع تصمیم گیری ارزیابی
شدهاند. پارامترها از یک احتمال توزیع شده نقاط ، در یک فضای ویژگی تعریف شده ، و مفهوم شباهت

نیز بر اساس فاصله تعریف شده است. و توابع تصمیم گیری در فضای n بعدی از اعداد حقیقی كار
میكنند. اگر ساختار الگو لازم باشد ، گرامرهای رسمی (قراردادی) یک مفهوم مفید هستند. تابع
متداول بصورت دستی یا بصورت اتوماتیک یک گرامر از یک بسته نمونه را نتیجه می دهد. بنابراین یك
الگوی ورودی ناشناخته به یک تجزیه كننده تحویل داده شده و مطابق با این گرامر تحلیل میشود. در
این روش نه فقط یک دسته بندی ، بلكه همچنین یک شرح ساختاری از الگوی ناشناخته میتوان فراهم
كرد. تحلیل گر نحوی میتواند مانند یک تابع ویژه برای تصمیمگیری شباهت ساختاری تفسیر شود.
مطابق ساختارهای دادهای متفاوت كه برای تشخیص الگو مورد استفاده قرار میگیرند ، فقط رشته

گرامرها بررسی نمیشود ، بلكه درخت ، گراف و آرایه گرامرها در یک قاعده مهم تشخیص الگو فعالیت
دارند.
اینها مواردی از تعدادی از مثالهای آماده بسیار كوچك هستند كه كاربردشان برای نتیجهگیری
دستوری است ، یا در جایی است كه تمام توان یک پیشروی دستوری نیاز نیست. یعنی كاربرد این
مثالهای آماده بسیار كوچك برای استنتاجی بر اساس قواعد ، و یا استنتاجی در مكانی كه نیازی نیست
از تمام توان قواعد استنتاجی استفاده كرد میباشد. اگر ساختار الگو مورد نیاز باشد ، با این حال ، شاید
تكنیک تطبیق ساختاری مفید باشد.
ایده پایهای تطبیق ساختاری ، به سوی بازنمایی مستقیم نمونه های اولیه است ، بخوبی الگوهای
ورودی ناشناخته ، كه بوسیله معانی یک ساختار داده مناسب و بسوی مقایسه این ساختارها در ترتیبی
برای یافتن شباهت نمونه اولیه با یک الگوی ناشناخته ورودی حركت می كند. این حركت به جلو
نیازمند یک عدد قراردادی از شباهت بین دو ساختار ارائه شده است. تعدادی از برخی اعداد در برخی از
نوشته ها پیشنهاد شده است. آنها میتوانند به گروه های بزرگی طبق ساختارهای دادهای تقسیم بشوند
كه برای تشخیص الگو استفاده شدهاند. بیشتر ساختارهای دادهای مهم ، رشتهای ، درختی ، گراف و
آرایهای هستند. وابستگی به دامنه مسائل خاص برای همه این ساختارهای دادهای میتواند بوسیله
ویژگیهایشان افزایش یابد.
با یک محاسبه پیچیده ، رشته ها خیلی كارآمد هستند ، از آنجائیكه بررسی میزان شباهت بین
رشته ها میتواند كاملا سریع انجام شود ، اگر چه رشته ها به تعداد نمایششان محدود هستند. در موارد
خیلی زیاد گرافها بیشترین قدرت رسیدن به بازنمایی الگوی ساختاری را دارند. اگر چه تطبیق گراف
بطور مفهومی نسبتا پیچیده است ، و به نسبت قیمت محاسبات ، گران است. بنابراین یک تعادلی بین
تعداد نمایه ها و تعداد تكرارهایمان برای تطبیق نیاز است. اگر ما برای بازنمایی كلاس الگو از یک گرامر
استفاده كنیم ، یک تعادل ساده رعایت میشود.