模式識別技術在電子信息特征提取中的應用探討

雷高謀

摘要：模式識別技術是當今的熱門研究方向，其在對于電子信號的提取中有著極為重要的作用，可以有效地對信號進行回歸擬合以及分類，本文通過對于模式識別技術的分析，通過具體的算法來對于電子信息的提取方法進行分析，為其進一步發展提供創新的思路。

關鍵詞：模式識別；電子信息；應用

中圖分類號：TP21 文獻標識碼：A 文章編號：1007-9416（2017）11-0096-02

1 引言

模式識別是人工智能領域的一個重要的分支，模式識別技術可以分為兩大部分，第一類是基于機器學習的，第二類是基于統計方法的，根據實現的原理可以劃分為基于幾何特征、基于模型、基于統計方法、基于神經網絡等。模式識別算法采用主流的深度學習方法來進行特征值提取，通過卷積神經網絡對信號進行識別，通過多層特征的融合來使得運算量降低，識別速度加快，通過基本的特征信息，從而反映出高級別的屬性特征，同時可以對不清晰的圖像、動態的圖像進行較為精確的識別，其識別準確度較高，抗干擾性較強。基于深度學習的特征提取算法，通過較大規模的信號庫進行訓練，使得模式識別模型的準確度非常高，同時時間減小，可以達到萬分之一秒。

2 模式識別技術概述

模式識別是一門交叉性學科，涉及數據挖掘、機器學習、模式識別、人工智能、統計學、計算機語言學、計算機網絡技術、信息學等多個領域。電子信息提取就是從大量的電子信息中發現隱含知識和模式的一種方法和工具，它從數據挖掘發展而來，但與傳統的數據挖掘又有許多不同。電子信息的識別及其特征項的選取是數據挖掘、信息檢索的一個基本問題，它把從電子信息中抽取出的特征進行量化來表示其信息。例如可以采用主流的深度學習方法來進行特征值提取，通過卷積神經網絡對圖像進行識別，通過多層特征的融合來使得運算量降低，識別速度加快，通過基本的特征信息，從而反映出高級別的屬性特征，其識別準確度較高，抗干擾性較強。基于深度學習的特征提取算法，通過較大規模的圖像庫進行訓練，使得圖像識別模型的準確度非常高，同時時間減小，可以達到萬分之一秒。電子信息的模式識別主要是用函數逼近的方式來進行，最優化識別的主要是采用神經網絡的方法，主要由評判、模型和執行三個部分來組成，它們都是用神經網絡來進行實現的，主要可以采用相關的函數來對于內部的權重進行調整，從而達到分類的目的。對于實際的識別操作來說，模式識別可能會存在一些問題，在這樣的情況下，就需要采用神經網絡的方式對其進行學習與訓練，使得其能夠實現強化學習，對于整體進行逐次的優化，最終得到全局的優化識別提取函數，通過神經網絡建模的方法，可以有效的對于電子信息特征進行提取，所以神經網絡依然是當前很長一段時間內控制科學的發展方向。

3 電子信息的特征提取方法分析

3.1 SIFT特征提取算法

對信號變化保持穩定的特征描述符稱為不變量，比如對信號的旋轉保持穩定的不變量稱為旋轉不變量，對尺度縮放保持穩定的不變量則稱為尺度不變量。SIFT 特征對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。SIFT 算法的實質是檢測信號的局部特征-SIFT特征點，然后根據匹配目標的需要進行特征的組合、變換，以形成易于匹配、穩定性好的特征向量—SIFT 描述子，從而把信號匹配問題轉化為SIFT描述子的匹配問題[1]。SIFT特征提取方法是通過強化學習，來對傳統的特征提取進行優化，然后可以有效的解決離散系統和非線性系統中出現的問題，主要包括特征迭代和值迭代兩種形式，特征迭代主要是通過特征評價與改進的方法，對每一步的特征進行評估，來不斷的尋找優化的特征，同時對其進行改良和優化，得到新的權值，生成新的優化函數進行計算，在這個過程當中，評估和改進是循環進行的，最后將會得到一個最優的特征。但是需要注意的是，在最好的運行模式下，相關的一些外部參數條件應當是穩定的，這是非常重要的，如果沒有這個條件，就會導致整個特征評估，出現一些意外的情況。值迭代的算法主要是針對于一些方程式的計算，通過最優函數的尋找與控制計算，就能計算出最優的值，它不需要進行控制特征的穩定化，在我們的使用當中必須要注意，無論是迭代特征還是值迭代，都需要對于被控對象的相關特性，尤其是內部特性進行研究，這也是SIFT特征提取的核心特點。在這個算法進行計算的過程當中，對于初始條件進行選擇是極為重要的，它對于整個算法能否在較短時間內得到正確的答案，收斂到穩定的區域內是起著關鍵性的作用的，因此這個算法主要困難在于需要在一開始就找到一個穩定的特征提取模式。

3.2 Brief特征提取算法

Brief的特征提取算法步驟為：（1）給定一個信號。（2）對信號做平滑處理。平滑處理，也就是高斯濾波，也就是blur operation，降低信號噪聲。平滑處理在BRIEF中很重要。（3）在信號上，選擇一個局部塊區patch，用表示，它的大小是SxS像素，在p上面提取BREIF特征。一個BRIEF特征，就是若干個測試組成的字節（bit）串。構造特定的[x，y]對，做測試，就得到了BRIEF特征[2]。Brief特征提取的構建模型是極為復雜的，通過中間層可以對于優化函數進行逼近，在對于信號識別配準進行最優化計算時采用的是單隱層的Brief特征提取網絡，同時選擇雙極性的轉移函數來進行計算，這樣有利于將內部的關系進行提煉，權值的調整速度也會更快，這樣就使得整個系統的數量速度變快，響應速度較高，但是對于節點數要進行控制，如果節點數過少的話，就可能會導致系統的信息分析能力較差，無法對于樣本中的規律進行有效的提取，就會導致讀取失敗，如果節點足夠多的話，就很可能會導致整個系統的收斂速度較慢，引起系統出現自身的穩定性誤差，造成嚴重的干擾，所以我們應當綜合性的進行評估，選取合適的節點數。Brief是以特征提取系統來進行操作的計算機運行模式，是面向操作層的，是特征提取初級階段的產物，主要是進行數據運算而不是管理。能夠快速的進行特征提取的高度集中和統一處理，重要標志是在其中有一個非常龐大的中央數據庫，它可以進行分布式處理，對于快速性的識別，有著極為關鍵的作用。對于特征提取處理的系統優化要求更高，對于系統設計的結構性要求也較高，因此其可以方便工作人員使用，因其符合他們的思維習慣，同時強調自頂而下的設計，能夠實現高效率的運轉[3]。

4 結語

隨著計算速度和準確率的不斷提升，電子信息特征提取的應用越來越普遍，同時推動了各種信號識別技術的發展速度，模式識別雖然有很多無法克服的缺點，但是借助這一重要的科技發展趨勢，也在一步一步推動各行業蓬勃發展，讓生活更加智能化，大大的減少了人力的成本，提升了工作的效率，模式識別是重要的技術基礎，它在工業生產領域有著深遠的影響。

參考文獻

[1]薛愛軍，王曉丹.基于子類劃分和粒子群優化的自適應編碼多類分類方法[J/OL].控制與決策，2017：1-8.

[2]尹勇.關于一種數控銑刀磨損量監測識別新算法研究[J].科技風，2017，（20）：200-201.

[3]孫立麗，王萌，任曉亮.化學模式識別方法在中藥質量控制研究中的應用進展[J].中草藥，2017，48（20）：4339-4345.

Abstract：Pattern recognition technology is a hot research direction nowadays. It plays an extremely important role in the extraction of electronic signals and can be used to fit and classify signals effectively. Through the analysis of pattern recognition technology， Algorithm to analyze the method of extracting electronic information and provide innovative ideas for its further development.

Key Words：Pattern recognition；Electronic information；Applicationendprint