模式识别在线视频

接下来我们学习模式识别
གཤམ་དུ་ང་ཚོས་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་སློབ་སྦྱོང་བྱ།

我们从模式识别的实例 有监督模式识别
ང་ཚོས་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་དངོས་དཔེ་དང་། ལྟ་སྐུལ་ཡོད་པའི་རྣམ་པ་ངོས་འཛིན།

无监督模式识别三个方面进行介绍
ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་བཅས་ཕྱོགས་གསུམ་ཐད་ནས་ངོ་སྤྲོད་བྱ།

首先是模式识别的实例
ཐོག་མར་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་དངོས་དཔེ ་ཡིན།

模式识别分为基于知识的模式识别
རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ནི་ཤེས་བྱའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་དང་

和基于数据的模式识别
གཞི་འཛིན་གྲངས་ཀྱི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་རྨང་བྱེད་པ་རིགས་གཉིས་ལ་བགོས་ཡོད།

基于知识的模式识别又称句法模式识别
ཤེས་བྱའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་རྨང་བྱེད་པ་ལ་ཡང་ཚིག་གི་རྣམ་པ་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ཟེར།

他主要基于规则和推理
དེ་གཙོ་བོར་སྒྲིག་སྲོལ་དང་རིགས་འདེད་གཉིས་ལ་བརྟེན་པ་ཡིན།

典型的系统是专家系统
དཔེ་མཚོན་ཅན་གྱི་རྒྱུད་ཁོངས་ནི་རིགས་གཅིག་མཁས་ཅན་གྱི་མ་ལག་ཡིན།

目前研究最广泛取得结果最丰富的
མིག་སྔར་ཞིབ་འཇུག་རྒྱ་ཁྱབ་ཏུ་ཐོབ་པའི་འབྲས་བུ་ཆེས་ཕུན་སུམ་ཚོགས་ཤོས་

是基于数据的模式识别
ནི་གཞི་འཛིན་གྲངས་ཀྱི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་རྨང་བྱེད་པ་དེ་ཡིན།

这个是模式识别的一个例子
འདི་ནི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་དཔེར་བརྗོད་གཅིག་ནི་

是手写数字识别
ལག་བྲིས་ཀྱི་ཨང་ཀི་དབྱེ་འབྱེད་ངོས་འཛིན་ཡིན།

上面一行是数字的位图或者是图片
གོང་གི་འཕྲེད་དང་པོ་ནི་ཨང་ཀིའི་གནས་རིས་སམ་ཡང་ན་པར་རིས་དང་།

然后把这些位图每一个数字的位图
དེ་ནས་གནས་རིས་དེ་དག་ནི་ཨང་ཀི་རེ་རེའི་གནས་རིས་དེ་

输入到识别器里面
ངོས་འཛིན་ཆས་སུ་ནང་འཇུག་བྱེད།

这个识别器我们用一个函数来表示
ངོས་འཛིན་ཆས་འདི་མི་ང་ཚོས་རྟེན་འབྱུང་གྲངས་ཤིག་བཀོལ་ནས་མཚོན་ལ།

然后这个函数或者这个识别器
དེ་ནས་རྟེན་འབྱུང་གྲངས་འདི་དང་ཡང་ན་ངོས་འཛིན་ཆས་འདི་གཉིས་ཀྱིས་

他把位图识别得到识别的结果
གནས་རིས་དེ་དབྱེ་འབྱེད་ངོས་འཛིན་བྱས་པའི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་མཇུག་འབྲས་ཡིན།

1 2 0 7 9 5等
1 2 0 7 9 5སོགས་ནི་

模式识别的另外一个应用实例
རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་ཉེར་སྤྱོད་དངོས་དཔེ་གཞན་ཞིག་

就是我们刚才提到的语音识别
ནི་ང་ཚོས་ད་གིན་བཤད་པའི་སྐད་གདངས་ངོས་འཛིན་ཡིན།

下面我们看一下有监督的模式识别
གཤམ་དུ་ང་ཚོས་ལྟ་སྐུལ་ཡོད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ཞིག་ལ་བལྟ་བར་བྱ།

那我们说要设计基于数据的模式识别系统
དེ་ན་ང་ཚོས་བཤད་པའི་གཞི་འཛིན་གྲངས་ཀྱི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་རྨང་བྱེད་ནས་ཇུས་འགོད་བྱེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་མ་ལག་ལ་

需要大量的训练样本
སྦྱོང་བརྡར་གྱི་མ་དཔེ་འབོར་ཆེན་དགོས།

这些训练样本如果他的类别已知
གལ་ཏེ་སྦྱོང་བརྡར་མ་དཔེ་འདི་དག་གི་རིགས་དབྱེ་ཤེས་ཟིན་པ་ཡིན་ན་

我们把他叫做已知样本
ང་ཚོས་དེ་ལ་ཤེས་ཟིན་མ་དཔེ་ཟེར།

我们如果利用已知训练样本设计分类器
གལ་ཏེ་ང་ཚོས་ཤེས་ཟིན་པའི་སྦྱོང་བརྡར་མ་དཔེ་དེ་ཇུས་འགོད་རིགས་དགར་ཆས་ལ་སྤྱོད་པ་མ་ཟད།

并且利用设计好的分类器进行识别
ཇུས་འགོད་བྱེད་ཡོད་པའི་རིགས་དགར་ཆས་ལ་དབྱེ་འབྱེད་ངོས་འཛིན་བྱེད་པ་སྤྱོད་ཐུབ་ན་

我们把他叫做有监督的模式识别
ང་ཚོས་དེ་ལ་ལྟ་སྐུལ་ཡོད་པའི་དབྱེ་འབྱེད་ངོས་འཛིན་ཟེར།

下面我们看一下语音识别的流程图
གཤམ་དུ་ང་ཚོས་སྐད་གདངས་ངོས་འཛིན་གྱི་རྒྱུག་རིམ་རི་མོ་ལ་བལྟ་བར་བྱ།

我们语音识别整个研究的过程
ང་ཚོས་སྐད་གདངས་ངོས་འཛིན་གྱི་ཞིབ་འཇུག་ཧྲིལ་པོའི་བརྒྱུད་རིམ་དེ་

他分为两部分或者两个阶段
ཁག་གཉིས་སམ་ཡང་ན་དུས་རིམ་གཉིས་སུ་དབྱེ་ཆོག

上面一行是设计阶段下面一行是决策阶段
གོང་གི་ཐིག་ཕྲེང་ནི་ཇུས་འགོད་དུས་རིམ་དང་གཤམ་གྱི་ཐིག་ཕྲེང་ནི་ཇུས་ཐག་གཅོད་དུས་རིམ་ཡིན།

设计阶段包含语料库 语音信号提取
ཇུས་འགོད་དུས་རིམ་དུ་སྐད་ཀྱི་རྒྱུ་ཆའི་མཛོད་དང་སྐད་གདངས་བརྡ་རྟགས་ལེན་པ།

语音特征提取 模拟训练四个阶段
སྐད་གདངས་ཀྱི་ཁྱད་རྟགས་བསྡུ་ལེན། ལད་ཟློས་སྦྱོང་བརྡར་བཅས་དུས་རིམ་བཞི་འདུ།

其中的这个语料库构建语料库
དེའི་ཁྲོད་ཀྱི་སྐད་ཀྱི་རྒྱུ་ཆའི་མཛོད་ཀྱིས་སྐད་ཀྱི་རྒྱུ་ཆ་མཛོད་བཟོས།

我们精心收集整理大量的语音信息得到语料库
ང་ཚོས་སྐད་གདངས་ཀྱི་ཆ་འཕྲིན་འབོར་ཆེན་ལེགས་སྒྲིག་ཞིབ་ཚགས་བྱས་ནས་སྐད་ཀྱི་རྒྱུ་ཆའི་མཛོད་བཟོས།

然后我们从语料库里面提取语音信息
དེ་ནས་ང་ཚོས་སྐད་ཀྱི་རྒྱུ་ཆའི་མཛོད་ནང་ནས་སྐད་གདངས་ཆ་འཕྲིནབསྡུ་ལེན་བྱེད་ནས།

然后对他进行预处理
དེ་ནས་དེ་ལ་ཐོག་མའི་སྒྲིག་གཅོད་བྱ་དགོས།

然后进行语音的特征提取
རྗེས་སུ་སྐད་གདངས་ཀྱི་ཁྱད་རྟགས་བསྡུ་ལེན་བྱེད།

为什么要进行特征提取呢
ཅིའི་ཕྱིར་ཁྱད་རྟགས་བསྡུ་ལེན་བྱེད་པ་རེད་དམ།

因为语音信号本身有些语音信号他有噪声
དེ་ནི་སྐད་གདངས་ཀྱི་བརྡ་རྟགས་རང་སྟེང་དུ་སྐད་གདངས་བརྡ་རྟགས་ཁ་ཤས་དེ་ལ་འཛེར་སྒྲ་དང་།

有些语音信号他对分类是没有用的
སྐད་སྒྲའི་བརྡ་རྟགས་ཁ་ཤས་ལ་རིགས་དབྱེ་བྱེད་མ་བྱེད་མེད་པའམ་

或者是作用不强
ཡང་ན་ནུས་པ་ཆེན་པོ་མེད།

那我们从这个语音信号里面提取
དེ་ན་ང་ཚོས་འདི་རུ་སྐད་གདངས་བརྡ་རྟགས་ནང་གི་བསྡུ་ལེན་བྱེད་ནས་

对于分类有用的信息
རིན་ཐང་ཡོད་པའི་ཆ་འཕྲིན་རིགས་དབྱེ་བྱེད།

这个过程有两个作用
གོ་རིམ་འདི་ལ་ནུས་པ་གཉིས་ཡོད་དེ།

一方面它能够降维
ཕྱོགས་གཅིག་ནི་དེའི་རྩ་ཇེ་དམའ་རུ་གཏོང་ཐུབ་པ་དང་།

另外一方面提取对分类有用的信息
ཕྱོགས་གཞན་ཞིག་ནི་རིན་ཐང་ཡོད་པའི་ཆ་འཕྲིན་རིགས་དབྱེ་བྱེད་པ་བསྡུ་ལེན་བྱེད་ཐུབ།

我们经过语音特征这个环节得到的结果
ང་ཚོས་སྐད་གདངས་ཀྱི་ཁྱད་ཆོས་ལྷུ་ཚིགས་འདི་བརྒྱུད་ནས་ཐོབ་པའི་གྲུབ་འབྲས་ལ་

我们把他叫特征向量
ང་ཚོས་དེ་ལ་ཁྱད་རྟགས་ཕྱོགས་ཚད་ཟེར།

我们把特征向量输入到分类器
ང་ཚོས་ཁྱད་རྟགས་ཕྱོགས་ཚད་རིགས་དེ་རིགས་དབྱེ་ཆས་སུ་ནང་འཇུག་བྱེད་ནས་

对分类器进行训练叫模拟训练
རིགས་དབྱེ་ཆས་སྦྱོང་བརྡར་བྱེད་པ་ལ་ལད་ཟློས་སྦྱོང་བརྡར་ཟེར།

如果经过大量的样本的训练
གལ་ཏེ་འབོར་ཆེན་གྱི་མ་དཔེ་སྦྱོང་བརྡར་བརྒྱུད་ན་

得到分类好的效果分类器 设计好的分类器
རིགས་དབྱེ་ལེགས་པའི་ཕན་འབྲས་རིགས་དགར་ཆས་དང་ཇུས་འགོད་ལེགས་པའི་རིགས་དགར་ཆས་གཉིས་འཐོབ།

我们就完成了设计阶段
ང་ཚོས་ཇུས་འགོད་དུས་རིམ་ལེགས་འགྲུབ་བྱུང་།

然后进入决策阶段
དེ་ནས་ཇུས་ཐག་གཅོད་དུས་རིམ་དུ་ཞུགས།

决策阶段首先你要得到一个待识别待语音信号
ཇུས་ཐག་གཅོད་དུས་རིམ་དུ་ཐོག་མར་ཁྱོད་ལ་རིགས་དབྱེ་ངོས་འཛིན་མ་བྱེད་པ་དང་སྐད་གདངས་བརྡ་རྟགས་མེད་པ་གཉིས་འཐོབ་ལ།

对他要进行语音特征的提取
དེའི་སྐད་གདངས་ཀྱི་ཁྱད་རྟགས་བསྡུ་ལེན་བྱ་དགོས།

这时候这个决策阶段的语音特征的提取
སྐབས་འདིར་། ཇུས་ཐག་གཅོད་དུས་རིམ་གྱི་སྐད་གདངས་ཀྱི་ཁྱད་རྟགས་བསྡུ་ལེན་དང་

和设计阶段的语音特征提取的方式
ཇུས་འགོད་དུས་རིམ་གྱི་སྐད་གདངས་ཀྱི་ཁྱད་རྟགས་བསྡུ་ལེན་གྱི་ཐབས་ལམ་མམ་

或者是方法要一致
སམ་ཡང་ན་ཐབས་ཤེས་གཅིག་མཐུན།

然后把得到的特征输入到分类器
དེ་ནས་ཐོབ་པའི་ཁྱད་རྟགས་དེ་རིགས་བགར་ཆས་སུ་ནང་འཇུག་བྱེད་ན་

进行分类决策就得到识别的内容
རིགས་འབྱེད་ཐབས་ཇུས་ལ་རིགས་དབྱེ་ངོས་འཛིན་གྱི་ནང་དོན་འཐོབ།

从而完成语音识别
དེ་ནས་སྐད་གདངས་ངོས་འཛིན་ལེགས་གྲུབ་བྱུང་།

我们想从这个语音识别的流程图
ང་ཚོས་སྐད་གདངས་ངོས་འཛིན་གྱི་རྒྱུག་རིམ་རི་མོ་འདི་ལ་གཞིགས་ནས་

我们想推广到一般的模式识别的流程图
ང་ཚོས་སྤྱིར་བཏང་གི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་རྒྱུག་རིམ་རི་མོ་ཁྱབ་གདལ་དུ་གཏོང་འདོད།

这个图2-4展示的是
རི་མོ་2-4འདིས་བསྟན་པ་ནི་

一般的有监督模式识别的识别过程
སྤྱིར་བཏང་གི་ལྟ་སྐུལ་གྱི་དཔེ་རྣམ་པ་ངོས་འཛིན་གྱི་བརྒྱུད་རིམ་ཡིན།

他同样分为两个阶段
དེ་ཡང་་དུས་རིམ་གཉིས་སུ་དབྱེ་ཆོག

设计阶段或者叫训练阶段
ཇུས་འགོད་ཀྱི་དུས་རིམ་མམ་ཡང་ན་སྦྱོང་བརྡར་དུས་རིམ་ཟེར་ཞིང་།

第二个阶段叫识别阶段或者叫决策阶段
དུས་རིམ་གཉིས་པར་ངོས་འཛིན་དུས་རིམ་མམ་ཡང་ན་ཇུས་ཐག་གཅོད་དུས་རིམ་ཟེར།

在训练阶段他分为这么三个部分或者四个部分
སྦྱོང་བརྡར་དུས་རིམ་དེ་ཁག་གསུམ་མམ་ཡང་ན་ཁག་བཞི་ལ་དབྱེ་ཡོད།

一个是语音信号的获取
གཅིག་ནི་སྐད་གདངས་ཀྱི་བརྡ་རྟགས་ཐོབ་པ།

就像我们前面提到的人脸识别
ང་ཚོས་གོང་དུ་བཤད་པའི་བཞིན་རས་རིགས་དབྱེ་ངོས་འཛིན་ནམ་

或者是语音识别里面一样
ཡང་ན་སྐད་གདངས་ངོས་འཛིན་ནང་དང་གཅིག་འདྲ་ཡིན།

我们要进行语音识别或者人脸识别的时候
ང་ཚོས་སྐད་གདངས་ངོས་འཛིན་ནམ་ཡང་ན་བཞིན་རས་རིགས་དབྱེ་ངོས་འཛིན་བྱེད་པའི་སྐབས།

首先我们要把他数字化
ཐོག་མར་ང་ཚོས་དེ་ཨང་ཀ་ཅན་དུ་གཏོང་དགོས་ལ།

而这个过程就是信息的获取
གཏོང་བའི་བརྒྱུད་རིམ་དེ་ལས་ཆ་འཕྲིན་འཐོབ་ཐུབ།

然后就要进行预处理
དེ་ནས་ཐོག་མའི་སྒྲིག་གཅོད་བྱ་དགོས།

比如说我们从人脸识别里面
དཔེར་ན། ང་ཚོས་བཞིན་རས་རིགས་དབྱེ་ངོས་འཛིན་ནང་ནས།

我们把从人的头部图像的到人的面部图像
ང་ཚོས་མིའི་མགོ་པར་རི་མོ་ནས་མིའི་་བཞིན་རས་བར་གྱི་

这个过程就是预处理
བརྒྱུད་རིམ་འདི་ནི་ཐོག་མའི་སྒྲིག་གཅོད་ཟེར།

下一个环节是特征的提取与选择
ལྷུ་ཚིགས་འོག་མ་ནི་ཁྱད་རྟགས་ཀྱི་བསྡུ་ལེན་པ་དང་གདམ་ག་ནི་

我们刚才提到特征的提取和选择有两个作用
ང་ཚོས་ད་གིན་གླེང་བའི་ཁྱད་རྟགས་ཀྱི་བསྡུ་ལེན་པ་དང་གདམ་ག་གཉིས་ལ་ནུས་པ་ཐོན་ཡོད་དེ།

一个是降维
གཅིག་ནི་རྩ་ཇེ་དམའ་གཏོང་བ་དང་།

另外一个作用就是提取对分类有用的信息
གཅིག་ཤོས་ཀྱི་ནུས་པ་ནི་རིགས་དབྱེ་ལ་རིན་ཐང་ཡོད་པའི་ཆ་འཕྲིན་བསྡུ་ལེན་བྱེད་ལ།

然后进行分类器的设计
དེ་ནས་རིགས་དགར་ཆས་ཀྱི་ཇུས་འགོད་བྱ།

当我们设计好分类器以后
ང་ཚོས་རིགས་དབྱེ་ཆས་ཇུས་འགོད་བྱས་རྗེས་

设计阶段就结束 进入决策阶段
ཇུས་འགོད་དུས་རིམ་མཇུག་རྫོགས་ནས་ཇུས་ཐག་གཅོད་དུས་རིམ་དུ་ཞུགས།

决策阶段同样的经过这样几个环节
ཇུས་ཐག་གཅོད་དུས་རིམ་ཡང་གོང་དང་འདྲ་བར་ལྷུ་ཚིགས་འདི་འདྲ་འགའ་བརྒྱུད་དགོས།

首先是信息的获取与预处理
ཐོག་མར་ཆ་འཕྲིན་ཐོབ་པ་དང་སྔོན་་ཐག་གཅོད་ཡིན་ལ།

然后特征的提取与选择
དེ་ནས་ཁྱད་རྟགས་བསྡུ་ལེན་པ་དང་གདམ་ག

然后进行分类决策得到识别结果
དེ་ནས་རིགས་དགར་ཐབས་ཇུས་ལས་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་གྲུབ་འབྲས་འཐོབ།

对于有些识别问题来说
དབྱེ་འབྱེད་ངོས་འཛིནགྱི་གནད་དོན་ཁ་ཤས་ལ་གཞིགས་ན་

后面还有可能是后处理
རྗེས་སུ་ད་དུང་ཕལ་ཆེར་རྗེས་ཐག་གཅོད་ཡོད་སྲིད།

通过2-5想揭示一下模式识别的本质
2-5ལས་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་ངོ་བོ་གསལ་སྟོན་བྱེད།

这个图有两个流程图来构成
རི་མོ་འདི་ནི་རྒྱུག་རིམ་རི་མོ་གཉིས་ཀྱིས་གྲུབ་ལ།

其中上面的一个图想表达人类的识别的过程
དེའི་ཁྲོད་ཀྱི་སྟེང་གི་རི་མོ་ཞིག་གིས་མིའི་རིགས་ཀྱི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་གོ་རིམ་མཚོན།

首先有一个识别的对象
ཐོག་མར་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་བྱ་ཡུལ་ཞིག་ཡོད་ལ།

然后G代表的是特征提取器或者信号捕获器
དེ་ནས་Gཡིས་མཚོན་པ་ནི་ཁྱད་རྟགས་བསྡུ་ལེན་ཆས་སམ་བརྡ་རྟགས་འཛིན་བཟུང་ཆས་ཡིན།

比如说我们在识别的人
དཔེར་ན། ང་ཚོས་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་མི་ལ་མཚོན་ན།

在人脸的识别的过程里面
བཞིན་རས་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་གོ་རིམ་ཁྲོད།

眼睛就是起到这样一个作用
མིག་གིས་ནུས་པ་འདི་འདྲ་ཞིག་ཐོན་ཡོདདེ།

然后把这个捕获到的特征x输入到识别器
དེ་ནས་འཛིན་བཟུང་བྱས་པའི་ཁྱད་རྟགས་xའདི་ངོས་འཛིན་ཆས་སུ་ནང་འཇུག་བྱས་ན།

那对于人的识别来说S就代表人的大脑
མིའི་དབྱེ་འབྱེད་ངོས་འཛིན་ལ་མཚོན་ན་Sཡི་ཀླད་ཆེན་མཚོན་པ་ཡིན།

人的大脑他识别的过程其实非常复杂
སྤྱིར་མིའི་ཀླད་ཆེན་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་བརྒྱུད་རིམ་ནི་ཧ་ཅང་རྙོག་འཛིང་ཆེ་བའམ་

或者他的机理非常复杂
ཡང་ན་དེའི་རྐྱེན་རྩ་ཧ་ཅང་རྙོག་འཛིང་ཆེ།

但是我们把他的识别的过程
འོན་ཀྱང་ང་ཚོས་དེའི་་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་བརྒྱུད་རིམ་དེ་

用一个函数F(x)来表示
རྟེན་འབྱུང་གྲངས་F(x)ཞིག་གིས་མཚོན་པར་བྱེད།

下面这样一个流程图他表示的是
གཤམ་དུ་རྒྱུག་རིམ་རི་མོ་འདིའི་མཚོན་པ་ནི་

机器的识别的过程
འཕྲུལ་འཁོར་གྱི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་གོ་རིམ་ཡིན་ལ།

同样他有一个识别的对象
དེ་ལ་ཡང་གོང་དང་རིགས་འདྲ་བར་རང་ཉིད་ལ་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་བྱ་ཡུལ་ཞིག་ཡོད།

他有一个特征提取器G
དེ་ལ་ཁྱད་རྟགས་བསྡུ་ལེན་ཆས་Gཡོད་ལ།

当然这个里面的特征提取
དེའི་ནང་གི་ཁྱད་རྟགས་བསྡུ་ལེན་

和人脑的识别的特征提取器不一定是一样
དང་མིའི་ཀླད་པའི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་ཁྱད་རྟགས་བསྡུ་ལེན་ཆས་དང་འདྲ་བའི་ངེས་པ་མེད།

比如说语音识别里面他有可能代表的是麦克风
དཔེར་ན་སྐད་གདངས་ངོས་འཛིན་གྱི་ཁྲོད་དུ་དེ་མཚོན་བྱེད་ནི་ཕལ་ཆེར་སྐད་སྦུག་དང་
་

人脸识别里面他有可能代表的是摄像机
མིའི་གདོང་ངོས་འཛིན་གྱི་ཁྲོད་དུ་དེ་མཚོན་བྱེད་ནི་ཕལ་ཆེར་བརྙན་ལེན་འཕྲུལ་ཆས་ཡིན་སྲིད།

在经过特征提取以后得到特征向量x
ཁྱད་རྟགས་བསྡུ་ལེན་བྱེད་རྗེས་ཁྱད་རྟགས་ཕྱོགས་ཚདXཐོབ་ལ།

把他输入LM这样一个分类器
དེLMལྟ་བུའི་རིགས་དགར་ཆས་སུ་ནང་འཇུག་བྱེད།

然后进行识别
དེ་ནས་དབྱེ་འབྱེད་ངོས་འཛིན་བྱེད།

那么LM想实现的机器的识别的这样一个功能
འོ་ན་LMམངོན་འགྱུར་བྱེད་པའི་འཕྲུལ་འཁོར་གྱི་དབྱེ་འབྱེད་ངོས་འཛིན་ལ་བྱེད་ནུས་འདི་འདྲ་ཞིག་ཡོད་དེ་

这个功能我们用f'(x)来表示
བྱེད་ནུས་འདི་ང་ཚོས་f'(x)བཀོལ་ནས་མཚོན།

因为他要模拟人的识别的过程
རྒྱུ་མཚན་དེ་ཡིས་མིའི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་བརྒྱུད་རིམ་ལ་ལད་ཟློས་བྱེད་དགོས།

所以f'(x)这个函数他是越接近f(x)
དེ་བས་རྟེན་འབྱུང་གྲངསf'(x)ནི་f(x)ཡི་

他的性能是越好
གཤིས་ནུས་དང་ཇི་ལྟར་ཉེ་ན་དེ་ལྟར་བཟང་།

所以模式识别的本质
དེའི་ཕྱིར་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གྱི་ངོ་བོ་ནི་

他其实是设计一个好的分类器
དོན་དངོས་སུ་རིགས་དགར་ཆས་ལེགས་པོ་ཞིག་ཇུས་འགོད་བྱེད་པ་དེ་ཡིན།

这个好的分类器是一个什么样的标准呢
རིགས་དགར་ཆས་ལེགས་པོ་འདི་ནི་ཚད་གཞི་གང་འདྲ་ཞིག་ཡིན་ཞེ་ན།

就是越接近于人脑的识别它的性能越好
དེ་ནི་མིའི་ཀླད་པའི་དབྱེ་འབྱེད་ངོས་འཛིན་གྱི་གཤིས་ནུས་དེ་ལྟར་བཟང་།

下面我们看一下无监督模式识别
གཤམ་དུ་ང་ཚོས་ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་བལྟ་བར་བྱ།

所谓的无监督模式识别
ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ཞེས་པ་དེ་

它主要是和有监督模式识别比较起来
གཙོ་བོ་དང་ལྟ་སྐུལ་ཡོད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་དང་བསྡུར་ན།

他有两点不同
མི་འདྲ་ཆ་གཉིས་ཡོད་ལ།

一个是数据有哪些类别不清楚
གཅིག་ནི་གཞི་འཛིན་གྲངས་ལ་རྣམ་གྲངས་གང་དག་ཡོད་པ་གསལ་པོ་མི་ཤེས་་ལ།

有多少个类别不清楚
རྣམ་གྲངས་ཅི་ཙམ་ཡོད་པ་ཡང་གསལ་བོ་མི་ཤེས།

每一个样本属于那一个类别也是不清楚的
མ་དཔེ་རེ་རེར་ཡང་རྣམ་གྲངས་གང་གི་ཁོངས་སུ་གཏོགས་པ་གསལ་པོ་ཤེས་ཀྱིན་མེད།

所以所谓的无监督模式识别其实本质上就是聚类
དེར་བརྟེན་ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ཞེས་པ་དེ་ངོ་བོའི་ཐོག་ནས་བཤད་ན་འདུས་རིགས་ཤིག་རེད།

比如说我们这个图显示的左图这个显示的
དཔེར་ན་ང་ཚོའི་རི་མོ་འདིའི་གཡོན་པར་ལས་མངོན་པར་མཚོན་ན།

每一个圆圈代表一个数据
སྒོར་ཐིག་རེ་རེ་ཡིས་གཞི་འཛིན་གྲངས་གཅིག་རེ་མཚོན་ལ་

如果让你来进行分类你怎么来分
གལ་ཏེ་ཁྱོད་ཀྱིས་རིགས་དབྱེ་བྱ་ན་ཇི་ལྟར་དབྱེ་བར་བྱ།

如果我们说你要指定让我们来分成两类的话
གལ་ཏེ་ཁྱོད་ཀྱིས་ང་ཚོར་རིགས་གཉིས་སུ་དབྱེ་དགོས་ཞེས་ན།

我们可以有这样一种分类方式
ང་ཚོས་རིགས་དབྱིབས་འདི་འདྲ་ཞིག་ཡོད་ལ།

其中左上角的三个数据分成一类
དེའི་ཁྲོད་ཀྱི་གཡོན་ཕྱོགས་གོང་སྣེའི་གཞི་འཛིན་གྲངས་གསུམ་པོ་ནི་རིགས་གཅིག་ཏུ་དབྱེ་ཆོག་ལ་

右下角的两个数据分成一类
གཡས་ཕྱོགས་འོག་སྣེའི་གཞི་འཛིན་གྲངས་གཉིས་ཀ་ཡང་རིགས་གཅིག་ཏུ་དབྱེ་ཆོག

这样我们把整个数据分成了两类
དེ་ལྟར་བྱས་ན་ང་ཚོས་གཞི་འཛིན་གྲངས་ཧྲིལ་པོ་རིགས་གཉིས་སུ་དབྱེ་ཡོད།

但是如果我们要求你分成三类的话
འོན་ཀྱང་གལ་ཏེ་ང་ཚོས་ཁྱོད་ལ་རིགས་གསུམ་དུ་དབྱེ་དགོས་ཞེས་ན་

那我们可以这样来分
ང་ཚོས་འདི་ལྟར་དབྱེ་ཆོག་སྟེ།

就是把左上角的三个数据分成一类
གཡོན་ཕྱོགས་གོང་སྣེའི་གཞི་འཛིན་གྲངས་གསུམ་པོ་དེ་རིགས་གཅིག་ཏུ་དབྱེ་ཆོག་ལ

右下角的两个数据各分成一类
གཡས་ཕྱོགས་འོག་སྣེའི་གཞི་འཛིན་གྲངས་གཉིས་ཀ་སོ་སོར་རིགས་གཅིག་རེར་བགོས་ཆོག

所以无监督模式识别和有监督模式识别
དེར་བརྟེན་།ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་དང་ལྟ་སྐུལ་ཡོད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་གཉིས་ལ་

还有一个区别就是他的类别数是不知道
ད་དུང་ཁྱད་པར་ཞིག་ཡོད་པ་ནི་དེའི་རིགས་དབྱེ་གྲངས་མི་ཤེས།

那么如果你给定不同的类别数
དེ་ན་གལ་ཏེ་ཁྱོད་ཀྱིས་རིགས་དབྱེ་གྲངས་མི་འདྲ་བ་གཏན་འཁེལ་བྱེད་ན་

他分类的结果有可能是不一样的
དེའི་རིགས་དབྱེའི་མཇུག་འབྲས་ཕལ་ཆེར་འདྲ་མི་སྲིད།

下面这张图揭示的是无监督模式识别的过程
གཤམ་གྱི་རི་མོ་འདི་གསལ་སྟོན་བྱས་པ་ནི་ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་བརྒྱུད་རིམ་ཡིན་ལ།

这个过程同样分为两个阶段
བརྒྱུད་རིམ་འདི་ཡང་སྔར་བཞིན་དུས་རིམ་གཉིས་སུ་དབྱེ་ཡོད།

首先上面一个阶段叫自学习这样一个过程
ཐོག་མར་གོང་གི་དུས་རིམ་ཞིག་ལ་རང་སྦྱོང་བརྒྱུད་རིམ་འདི་འདྲ་ཞིག་ཟེར་ལ་

这个过程有这么三部分来构成
བརྒྱུད་རིམ་འདི་ལ་འདི་འདྲའི་ཁག་གསུམ་གྱིས་གྲུབ།

和前面一样首先有信息的获取与预处理
གོང་དང་འདྲ་བར་ཐོག་མར་ཆ་འཕྲིན་བསྡུ་ལེན་དང་ཐོག་མའི་སྒྲིག་གཅོད།

然后有特征的提取与选择
དེ་ནས་ཁྱད་རྟགས་ཀྱི་བསྡུ་ལེན་དང་གདམ་ག་ཡིན།

然后进行聚类
དེ་རྗེས་འདུས་རིགས་བྱ།

通过这个阶段 聚类的阶段
དུས་རིམ་འདི་བརྒྱུད་དེ། འདུས་རིགས་ཀྱི་དུས་རིམ་མམ་

或者自学习阶段就完成了数据的分类
ཡང་ན་རང་སྦྱོང་དུས་རིམ་ནས་གཞི་འཛིན་གྲངས་ཀྱི་རིགས་དབྱེ་ལེགས་འགྲུབ་བྱུང་འདུག

然后第二个阶段是对分类的结果进行解释
དེ་ནས་དུས་རིམ་གཉིས་པ་ནི་རིགས་དབྱེའི་མཇུག་འབྲས་ལ་འགྲེལ་བཤད་བྱ་དགོས།

我们说这个不同的聚类的结果会有不同的解释
ང་ཚོས་བལྟས་ན་མི་འདྲ་བའི་འདུས་རིགས་ཀྱི་མཇུག་འབྲས་ལ་འགྲེལ་བཤད་མི་འདྲ་བ་རེ་ཡོད་སྲིད་ལ།

我们图左边展示的是六个图片
ང་ཚོས་རི་མོའི་གཡོན་དུ་འགྲེམ་སྟོན་བྱེད་པ་ནི་པར་རིས་དྲུག་ཡིན་ལ།

代表六个不同的数据
སོ་སོས་གཞི་འཛིན་གྲངས་མི་མཐུན་པ་རེ་མཚོན་ཡོད།

我们如果要求你分成两类的话
གལ་ཏེ་ང་ཚོས་ཁྱོད་ལ་རིགས་གཉིས་སུ་དབྱེ་རུ་བཅུག་ན།

我们可以这样分
ང་ཚོས་འདི་ལྟར་དབྱེ་ཆོག་སྟེ།

左边的三个分成一类 右边的三个分成一类
གཡོན་ཕྱོགས་ཀྱི་གསུམ་ནི་རིགས་གཅིག་དང་གཡས་ཕྱོགས་ཀྱི་གསུམ་པོ་ཡང་རིགས་གཅིག་ཏུ་དབྱེ་ཆོག

我们把整个数据分成了两类
ང་ཚོས་གཞི་འཛིན་གྲངས་ཧྲིལ་པོ་རིགས་གཉིས་སུ་དབྱེ་ཡོད།

左边的这样一个分类以后
གཡོན་ཕྱོགས་ཀྱི་རིགས་འདི་འདྲ་ཞིག་ལ་དབྱེ་རྗེས་།

我们对他解释是怎样解释呢
ང་ཚོས་དེ་ལ་འགྲེལ་བཤད་ཇི་ལྟར་དགོས་སམ།

左边的三个图我们说他有一个共性
གཡོན་གྱི་རི་མོ་གསུམ་ལ་ཐུན་མོང་གི་རང་བཞིན་ཞིག་ཡོད་ལ།

他是左右对称或者近似对称
དེའི་གཡས་གཡོན་ཆ་འགྲིག་གམ་ཡང་ན་ཉེ་མཚུངས་ཆ་འགྲིག་ཡིན་ཞིང་།

而右边的这三个图他没有这样一个特性
གཡས་ཕྱོགས་ཀྱི་རི་མོ་འདི་གསུམ་ལ་འདི་འདྲའི་ཁྱད་གཤིས་ཤིག་མི་འདུག

当然我们也可以把他分类分成三类
ང་ཚོས་ཀྱང་དེ་རིགས་དབྱེ་ཁག་གསུམ་དུ་དབྱེ་ཆོག

如果分成三类的话
གལ་ཏེ་རིགས་གསུམ་དུ་དབྱེ་ན།

那我们把上面两个分成一类
དེ་ན་ང་ཚོས་གོང་གི་དེ་གཉིས་རིགས་གཅིག་ཏུ་དབྱེ་ཞིང་།

中间两个分成一类 下面两个分成一类
དཀྱིལ་གྱི་དེ་གཉིས་རིགས་གཅིག་ཏུ་དབྱེ། འོག་གི་གཉིས་ཀ་ཡང་རིགས་གཅིག་ཏུ་དབྱེ་ལས་

有三类 那我们对每一个类别可以做这样的解释
རིགས་གསུམ་ཡོད། དེ་ན་ང་ཚོས་རིགས་དབྱེ་རེ་རེ་ལ་འགྲེལ་བཤད་འདི་འདྲ་བྱེད་ཆོག་སྟེ།

比如说上面的两个图
དཔེར་ན་སྟེང་གི་རི་མོ་གཉིས་དེ་

他有一些圆 三角形 矩形
དེ་ལ་སྒོར་དབྱིབསདང་ཟུར་གསུམ་དབྱིབས། གྲུ་བཞི་ནར་དབྱིབས་སོགས་ཡོད་ལ།

这样一个规则的几何图形的构成
འདི་འདྲའི་སྒྲིག་སྲོལ་ལྡན་པའི་དབྱིབས་རྩིས་རིས་དབྱིབས་ཀྱི་གྲུབ་ཚུལ་ནི།

而中间的两个图他是不规则的四边形来构成
བར་གྱི་རི་མོ་དེ་གཉིས་ནི་སྒྲིག་སྲོལ་མེད་པའི་མཐའ་བཞི་དབྱིབས་ལས་གྲུབ་པ་དང་།

而下边的两个图他是一个树形图
འོག་གི་རི་མོ་དེ་གཉིས་ནི་སྡོང་དབྱིབས་རི་མོ་ཞིག་ཡིན།

所以我们说对于这个无监督模式识别来说
དེར་བརྟེན། ང་ཚོས་ལྟ་སྐུལ་མེད་པའི་རྣམ་པ་ངོས་འཛིན་ངོས་འཛིན་ལ་མཚོན་ནས་བཤད་ན།

我们可以把他分成不同的类别
ང་ཚོས་དེ་་རིགས་དབྱེ་མི་འདྲ་བར་དབྱེ་ཆོག་ལ་

而对于不同的分类的结果
རིགས་དབྱེ་མི་འདྲ་བའི་མཇུག་འབྲས་ལ་

我们可以有不同的解释
ང་ཚོར་འགྲེལ་བཤད་མི་འདྲ་བ་རེ་ཡོད་ཆོག