機器學習概述

李煒

【摘 要】機器學習成為人工智能、模式識別領域的共同研究熱點，其理論方法已經被廣泛應用于解決實際工程應用及科學領域的復雜問題。隨著技術的快速發展，以統計為基礎的機器學習受到人們的關注，并在語音、自然語言、視覺等領域獲得成功應用。本文主要闡述了機器學習的分類，介紹幾種常用的機器學習方法。

【關鍵詞】機器學習分類；人工智能；P-N Leraning

0 概述

機器學習是實現人工智能領域的一個重要的研究分支，其研究的主要內容是實現利用計算機程序讓帶有處理器及計算功能的機器可以隨著經驗的增加提高處理問題的性能。目前，機器學習的理論已經被廣泛的應用到，如智能視頻監控、生物識別、無人駕駛等各個領域。

1 機器學習的發展及分類

機器學習基本上可分為 4 個階段。第一階段：上世紀 50 年代到 60 年代中期，系統通過自身不斷的學習輸入、輸出反饋，完善系統參數及本身的性能。第二階段：從 1960 年代中葉到 70 年代中，該階段主要是對系統結構的研究，如通過邏輯結構或者圖結構來解釋描述機器內部結構。第三階段的時間是從上世紀 70 年代中到 80 年代中期，主要通過研究學習策略和學習方法來提高改善學習的效率，同時引入知識數據庫，此階段機器學習取得了長足的發展； 1986 年至今，神經網絡的引入，及人工智能的需要，人們對機器學了得連接機制進行了研究。

目前機器學習領域的研究一般可分四類，即無監督學習、監督學習、半監督學習以及增強學習[1-2]。

1.1 無監督學習

無監督學習是一種自學習的分類方式，對沒標記的訓練樣本進行學習，發掘未知數據間隱藏的結構關系。無監督學習和核密度估計方法非常相似。常用的無監督學習有關聯規則學習和聚類學習

1.2 監督學習

監督學習是有人工參與的一種學習。監督學習一般分為 3 步，第一標記樣本，第二訓練，第三模型概率估計。其大概過程如下：（1）輸入樣本的特征向量和樣本類別標記 ，（2）訓練時通過分析樣本的特征向量，將預測結果與訓練樣本的實際標記情況進行比較，（3）調整預測模型，直到預測模型的準確率和預期的準確率相符。

1.3 半監督學習

半監督學習是同時使用以標記的樣本數據和未標記的樣本數據來實現的一種預測方法，半監督學習分為直推和歸納兩種模式。要先用已標記數據訓練分類器模型，學習數據的內在結構聯系以便有效地對數據進行預測。

1.4 增強學習

增強學習是通過與環境的測試性交互來優化和估計實際動作，來實現序列的決策，輸入數據同時作為對模型的反饋。和其他類型學習相比強化學習輸入的數據直接反饋到模型，模型同時作出相應的調整，并根據狀態變化獲得某種強化信號，最終實現與環境的交互。常用的增強學習算法有 Q-Learning 、時間差學習算法等[3]。

2 P-N Learning算法

在2010年，Kalal提出了基于 P-N Learning的運動目標跟蹤算法，該算法和其他算法的不同點是對未標記的數據集進行約束和控制通過約束條件。假設各個不同的樣本間存在相互獨立的關系，大多數的基于學習的跟蹤算法。視頻圖像中，某幀圖像的時-空關聯，基本上很少是相互獨立的。Kalal 等人認為單獨目標或背景是具有關聯標記的樣本圖像塊。如下圖，視頻中標記目標的結構約束如軌跡所示，我們可以理解認為所有接近目標軌跡的圖像塊為背景，距離軌跡較遠的圖像塊為運動目標。

3 混合高斯算法

混合高斯算法認為組成圖像的每個像素在一段時間內的狀態都稱搞死狀態分布的，并且每個像素不具有相關性，都是相互獨立的，因此每個像素的狀態就可以有幾個高斯函數模擬組成。該算法可以較為詳細的表示圖像該坐標點的像素，但是由于其在判定運動目標和背景是采用的二值法，視頻環境中陰影的遮擋、樹葉的擺動、光照強度的不同都可能影響對運動目標的判斷，而且此方法的計算量也較為大，一般情況下都采用基于幀間差分的混合高斯模型，及先對相鄰的兩幀或幾幀視頻進行差分，把視頻圖像分為感興趣區域和非感興趣區域，對于感興趣的區域我們采用混合高斯建模，非感興趣區域可采用單高斯建模，這樣可以提高算法的運行效率，提高算法的響應時間，在實際的應用中有較大的應用價值。

【參考文獻】

[1]孫宸.基于半監督在線學習的目標跟蹤算法研究[D].[碩士學位論文].上海：上海交通大學，2012.

[2]高文.機載光電平臺目標跟蹤技術的研究[D].[博士學位論文].北京：中國科學院研究生院，2012.

[3]V.Gullapalli. A comparison of supervised and reinforcement learning methods on a reinforcement learning task[C]. Proceedings of the 1991 IEEE International.

[責任編輯：朱麗娜]endprint