مقدمه :

این مطلب یک ایده متعارف برای تعداد متفاوتی از روشهایی است که جهت تشخیص الگو بکار می روند و اهمیت ندارد که آن الگوها آماری ، ترکیبی یا ساختاری باشند. این یک مقایسه از الگویی ناشناخته با یک عدد بطور نمونه یا با نمونه الگوی اولیه با استفاده 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 کنیم. ابتدا ارائه یک عدد از نمونه های اولیه که به کلاس مربوط به آن نمونههای اولیه شناخته شده مرتبط است ، و سپس دسته بندی یک الگوی ناشناخته بوسیله تعیین کردن بیشترین شباهت الگوی تصمیم گیری برای آن کلاس است که دست یافتنی است. پس برای هر نمونه اولیه یک عدد در نظر میگیریم که آن عدد با کلاسهای این نمونه های شناخته شده در ارتباط است و دسته بندی الگوهای ناشناخته بوسیله تعیین کردن بیشترین شباهت الگو و تصمیم گیری درباره کلاس آن حاصل می شود.
در دسته بندی آماری ، نمونه ها به وسیله عامل مشترک از یک تابع تصمیم گیری ارزیابی شده اند. 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 کار می کنند. 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 یک الگوی ورودی ناشناخته به یک تجزیه کننده تحویل داده شده و مطابق با این گرامر تحلیل می شود. در این روش نه فقط یک دسته بندی ، بلکه همچنین یک شرح ساختاری از الگوی ناشناخته می توان فراهم کرد. تحلیل گر نحوی میتواند مانند یک تابع ویژه برای تصمیم گیری شباهت ساختاری تفسیر شود.
مطابق ساختارهای دادهای متفاوت که برای تشخیص الگو مورد استفاده قرار میگیرند ، فقط رشته گرامرها بررسی نمی شود ، بلکه درخت ، گراف و آرایه گرامرها در یک قاعده مهم تشخیص الگو فعالیت دارند.
اینها مواردی از تعدادی از مثالهای آماده بسیار کوچک هستند که کاربردشان برای نتیجه گیری دستوری است ، یا در جایی است که تمام توان یک پیشروی دستوری نیاز نیست. یعنی کاربرد این مثالهای آماده بسیار کوچک برای استنتاجی بر اساس قواعد ، و یا استنتاجی در مکانی که نیازی نیست از تمام توان قواعد استنتاجی استفاده کرد میباشد. اگر ساختار الگو مورد نیاز باشد ، با این حال ، شاید تکنیک تطبیق ساختاری مفید باشد.
ایده پایه ای تطبیق ساختاری ، به سوی بازنمایی مستقیم نمونه های اولیه است ، بخوبی الگوهای ورودی ناشناخته ، که بوسیله معانی یک ساختار داده مناسب و بسوی مقایسه این ساختارها در ترتیبی برای یافتن شباهت نمونه اولیه با یک الگوی ناشناخته ورودی حرکت می کند. این حرکت 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 می توانند به گروه های بزرگی طبق ساختارهای دادهای تقسیم بشوند که برای تشخیص الگو استفاده شدهاند. بیشتر ساختارهای دادهای مهم ، رشته ای ، درختی ، گراف و آرایهای هستند. وابستگی به دامنه مسائل خاص برای همه این ساختارهای دادهای میتواند بوسیله ویژگی هایشان افزایش یابد.
با یک محاسبه پیچیده ، رشتهها خیلی کارآمد هستند ، از آنجائیکه بررسی میزان شباهت بین رشته ها می تواند کاملا سریع انجام شود ، اگر چه رشته ها به تعداد نمایششان محدود هستند. در موارد خیلی زیاد گراف ها 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 تکرارهایمان برای تطبیق نیاز است. اگر ما برای بازنمایی کلاس الگو از یک گرامر استفاده کنیم ، یک تعادل ساده رعایت می شود.
در این بخش ما مهمترین راه رسیدن به تطبیق رشته را بررسی می کنیم. از نقطه نظر نمایش ، تطبیق ساختاری ، می تواند به عنوان یک مورد خاص نحوی ( ترکیبی ) در حرکت بر اساس گرامر مطرح بشود.

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فهرست مطالب

چکیده ……………………………………………………………………………………………………………………….. 1
مقدمه ………………………………………………………………………………………………………………………..2

فصل اول : کلیات

هدف از این سمینار ارائه یک الگوریتم با کمترین پیچیدگی زمانی ، جهت بدست آوردن فاصله بین یک رشته به عنوان الگوی ناشناخته با یک مجموعه رشته به عنوان کلاس های الگوست. حال این فاصله ممکن است فاصله ویرایشی شباهتی یا فاصله ویرایشی تفاوتی باشد. یعنی در بررسی تطبیق رشته ها تا به اینجا میرسیم که این دو رشته (یعنی الگوی ناشناخته با هر یک از الگوهای مجموعه کلاس الگو) به میزان α% شباهت و یا β% تفاوت دارند. که این درصد بر اساس تعداد کاراکتر مشابه ، تقسیم بر طول رشته ضرب در 100 برای حالت شباهت ، و بر اساس تعداد کاراکتر متفاوت ، تقسیم بر طول رشته ضرب در 100 برای حالت تفاوت محاسبه می گردد.

1- 2) پیشینه تطبیق رشته :
فاصله ویرایشی بین دو رشته کاراکتری را می توان به صورت حداقل هزینه دنباله ای از عملیات ویرایشی تعریف کرد ، که یک رشته را به رشته دیگری تبدیل می کند. عملیاتی که ما می پذیریم عبارت است از حذف کردن ، درج کردن و جایگزینی یک نماد در یک زمان و احتمالا برای هر کدام از این عملیات ها هزینه های متفاوتی وجود دارد. مسئله پیدا کردن بلندترین زیر دنباله مشترک دو رشته حالت خاصی از مسئله محاسبه فاصلههای ویرایشی میباشد. برای محاسبه فاصلههای ویرایشی هزینه های عملیات ویرایشی باید مضرب صحیحی از یک عدد حقیقی مثبت مثل r باشد ، و به الفبای مورد استفاده در رشته ها محدود باشند. این شرایط برای اینکه الگوریتم محدودیت زمانی داشته باشد لازم هستند.
Wagner و Fischer الگوریتمی برای تعیین یک دنباله از تبدیلات ویرایشی که یک رشته را به رشته دیگر تبدیل میکند ارائه کردند. زمان اجرای الگوریتم آنها متناسب با حاصلضرب طولهای دو رشته ورودی است. همان سه نوع عملیات گفته شده اینجا هم مد نظر هستند. یعنی: 1- درج یک کاراکتر در رشته ، 2- حذف یک کاراکتر از رشته و 3- جایگزینی یک کاراکتر از رشته با کاراکتری دیگر. این الگوریتم دنباله ویرایشی بهینه ای را برای جفت رشته محاسبه میکند ، و به عنوان حالت خاص می تواند بلندترین زیر دنباله مشترک آنها را بدست بیاورد.
برای حالت الفبای محدود Wong و Chandra حدهای بالایی و پایینی متناسب با ٢n را با استفاده از یک مدل با محدودیت جزئی بدست آوردند. همچنین Aho نتایج مشابهی را برای مسئله بلندترین زیر دنباله مشترک بدست آورد. Lawrance و Wagner نتایج Wagner و Fischer را تعمیم دادند تا شامل عمل جابجایی کاراکترهای مجاور باشد. آنها با حل کردن مسئله تعمیم یافتهشان الگوریتمی از درجه On2 را ایجاد کردند.

1-1) هدف ………………………………………………………………………………………………………………….6
1-2) پیشینه تطبیق رشته ……………………………………………………………………………………………….6
1-3) روش کار و تحقیق ………………………………………………………………………………………………….7

فصل دوم : فاصله ویرایشی رشته و تطبیق گراف

این فصل نشان می دهد که چگونه ساختار ویژه ماتریس نزدیکی ، می تواند به منظور یک تطبیق دهی کارآمد گراف مورد استفاده قرار گیرد. اگر بردار ویژه هادی یک ماتریس احتمال انتقال ، همان حالت یکنواخت زنجیره وابسته به مارکوف باشد ، آنگاه هنگامیکه ماتریس انتقال نرمال شده نزدیکی یک گراف ، موجود باشد ، بردار ویژه هادی ، یک دنباله از گرههای پیمایش تصادفی بر روی گراف در حالت یکنواخت را به ما نتیجه می دهد. ما از این ویژگی برای تبدیل گرههای گراف به رشته استفاده می کنیم. به این شکل ، که اگر ترتیب گرهها با یک دنباله از گرههای دیده شده در پیمایش تصادفی گراف داده شده یکسان باشد ، گرافهایی را که به این صورت نشان داده می شوند بوسیله پیدا کردن دنباله ای از عملیات ویرایشی رشته که فاصله ویرایش را به کمترین مقدار میرسانند تطبیق می دهیم.

2-2) تطبیق گراف :
تطبیق گراف در سطح بالایی از نگرش کاری است که از اهمیت محوری برخوردار است به این دلیل که ابزاری فراهم میآورد که بوسیله آن میتوان توصیفات تصویری یگانه را با یکدیگر تطبیق داد.
متاسفانه از آنجا که پروسه فراخوانی و بدست آوری ساختارهای گراف از دادههای خام تصویری به دلیل وجود نویز و کارآیی محدود الگوریتمهای موجود قطعه بندی کاری ظریف و دشوار میباشد ، تطبیق گراف همواره با روشهای غیر دقیق حاصل می شود. جستجو برای یافتن روشهایی که در برخورد با خطاهای تطبیقدهی گراف ، قویتر عمل کنند ، در طول دهه های اخیر مورد توجه و کوشش مداوم متخصصین بوده است. همه روشها از ایدههای تشخیص الگوی ساختاری بیرون کشیده شده و در حول موضوع گسترش و تعمیم دادن مفهوم فاصله ویرایش رشته به گراف ها عمل میکنند. پیشرفتهای اخیربر روی استفاده از روشهای بهینهسازی و احتمالاتی متمرکز شده اند ، با این هدف که پروسه تطبیقگراف را در برابر خطاهای ساختاری مقاوم کنند.
با وجود اثبات کارآیی ، این روشها فاقد ظرافت و زیبایی نمایش ماتریسی هستند که برای نخستین بار توسط Ullman در تحقیقش بر روی همریختی زیر گرافها بکار برده شد. ثابت شده است ، که عمل قرار دادن روش غیر دقیق تطبیق گراف در قالب روش ماتریسی ، گمراه کننده و بی فایده است.
این از زمانی مایوس کننده بود که مجموعهای غنی از ابزارهای قوی در حوزه ریاضیات با نام تئوری طیفی گراف در دسترس بود. این اصطلاح به مجموعهای از تکنیکها داده شد ، که هدفشان مشخص کردن و نمایاندن خصوصیتهای جامع و سراسری ساختاری یک گراف با استفاده از مقادیر ویژه و بردارهای ویژه ماتریس نزدیکی می باشد. در متنهایی از علوم کامپیوتر ، کوششهایی برای استفاده از تئوری طیفی در تطبیق گراف ، تشخیص اشیاء و قطعه بندی تصویر وجود دارد. Umeyama روش تجزیهای دارد که گرافهایی با اندازه یکسان را مطابقت دهی می کند. Scott و Longuet-Higgins جزو اولین کسانی بود که با قرض گرفتن ایده هایی از شیمی ساختاری ، روشهای طیفی را برای آنالیز مطابقت بکار بردند. آنها نشان دادند که چگونه مطابقتها از تجزیه تک مقداری بر روی ماتریس پیوستگی نقطه ، بین تصویرهای مختلف بدست می آیند. Shapiro و Brady از تئوری طیفی گراف که Scott و Longuet-Higgins ارائه داده بودند فراتر رفتند ، که در آن مجموعه نقاط ، با بردارهای ویژه ماتریس مجاورت نقاط ، مطابقت دهی می شوند. در اینجا ماتریس مجاورت با محاسبه فاصله بین نقاط با وزن دهی گوسی ، ساخته می شود. بردارهای ویژه ماتریس مجاورت ، میتوانند به صورت بردارهای پایه یک تبدیل متعامد ، بر روی مختصات نقطه اولیه در نظر گرفته شوند. به عبارت دیگر مولفه های بردارهای ویژه ، نشان دهنده آمیخته ای از زاویه ها ، برای نقطههای تبدیل یافته هستند. بررسی مطابقت دهی ، در واقع بین مجموعه نقاط مختلف تاثیر گرفته از مقایسه الگوی بردارهای ویژه در تصاویر مختلف می باشند. روش Shapiro وBrady می تواند به عنوان متدی که به جای فضای ساختار در فضای مقادیر ویژهکار می کند ، در نظر آید. Horaud و Sossa روشی کاملا ساختاری را برای تشخیص ترسیمهای خطیبکار بردند. روش ارائه شده آنها بر اساس چند جمله ای های اصلی ماتریس لاپلاسی در گراف اتصال خطی است. با مقایسه ضرایب چند جمله ای ها ، آنها قادر خواهند بود که پایگاه اطلاعاتی بزرگی از ترسیمات خطی را طبقهبندی و اندیسدهی کنند. Dickinson ، Shokoufandeh و Siddiqi نشان دادند که به منظور تشخیص شکل از یک پایگاه اطلاعاتی بزرگ ، چگونه می توان گرافها را بوسیله طیف توپولوژیکی محلی شان کد گذاری کرد.

2-1) تبدیل گراف به رشته ……………………………………………………………………………………………..10
2-2) تطبیق گراف ………………………………………………………………………………………………………10
2-3) فاصله ویرایشی رشته ………………………………………………………………………………………… 13
2-4) جمع بندی ……………………………………………………………………………………………………….15

فصل سوم : تقریب سریع تطبیق رشته

مطابقت رشتهای تقریبی ، مشکلی همیشگی در بسیاری رشتههای علوم رایانه با کاربرد در جستجوی متون ، زیست شناسی رایانه ای ، الگوشناسی ، پردازش علامات و غیره می باشد. مشکل پیش رو را می توان اینگونه توصیف کرد که با در نظر گرفتن متنی طولانی به عنوان n ، و متنی نسبتا کوتاه به عنوان m ، تمامی قطعات متن را که فاصله ویرایشی آنها نهایتا k می باشد بازیابی کنید. فاصله ویرایشی یا ed( ) میان دو رشته ، عبارت است از کمترین فاصله درج ، حذف و یا جابجایی کارکتر جهت همسان سازی آنها.
در نسخه آنلاین این مسئله ، الگو ، قابل پردازش است اما متن فاقد این قابلیت میباشد. راه حل سنتی این مسئله از برنامه نویسی پویا بهره میگیرد و پیچیدگی زمانی آن از مرتبه O(mn) میباشد. امروزه بهترین نتایج عملی در بدترین حالت O(mn) و به طور متوسط Oknlogm m می باشد (در جایی که σ در اندازه الفبایی خود باشد). مورد متوسط ذکر شده در صورتی که همه کاراکترهای متن مورد بررسی واقع شده باشند زیرخطی (sublinear) می باشند ولی مسئله آنلاین Ω(n) می باشد به شرطی که m ثابت باشد.
در این بررسی ، هدف ما بانکهای بزرگ اطلاعات متنی است که انگیزه اصلی مطابقت رشتهای تقریبی ، ناشی از کیفیت پایین متن (به عنوان مثال بدلیل بازشناسی کاراکتر نوری یا همان OCR یا غلط های تایپی) ، ناهماهنگی پایگاه داده (زبانهای مختلفی که ممکن است از سوی کاربر همراه با غلط املایی نوشته شده باشد) ، غلط املایی در الگو یا در متن ، جستجوی اسامی خارجی و جستجوی نامطمئن (یعنی حدس زدن نزدیکترین واژه) است. اینگونه متون فضای گیگا بایتی از حافظه را اشغال کرده و نسبتا ایستا (static) میباشند. حتی سریعترین الگوریتمهای آنلاین نیز در این مورد بخصوص کاربردی ندارند چرا که آنها تنها قادرند در هر ثانیه تعداد محدودی گیگا بایت را پردازش کنند. درچنین وضعیتی پیش پردازی متن و ساخت فهرستی در جهت افزایش سرعت جستجو ضروری می نماید.
سالیانی نه چندان دور فهرست سازی متن جهت مطابقت رشته ای تقریبی از عمده ترین مشکلات در این زمینه محسوب می شد. فهرستهای عملی که امروزه مورد استفاده قرار می گیرند بر مبنای جستجوی آنلاین لغات متن بوده که نسبت به کل متن مقداری جزئی می باشد. این فرآیند نهایتا ظرف چند ثانیه اتفاق میافتد. گرچه این مدت زمان ممکن است برای محیطهای تک کاربره کافی باشد اما جالب خواهد بود اگر این سرعت به نحوی افزایش می یافت که برای محیطهای چند کاربره نیز مناسب می گردید. به عنوان مثال یک موتور جستجوی تحت وب که در هر ثانیه تعداد زیادی درخواست دریافت می کند قادر به پیمایش لغات در عرض چند ثانیه نخواهند بود.
در این بخش پیشنهاد ما این است که لغات را به عنوان فاصله اندازه ای و با استفاده از کارکرد فاصله ای ed( ) سازمانده ای کرده و از ساختار داده شناخته شدهای جهت فهرست کردن این فواصل بهره ببریم. این امر یک فاصله منطقی در بالای لغت ایجاد کرده و کاهش چشمگیر زمان جستجو را به ارمغان خواهد آورد (نزدیک به نیمی از بهترین الگوریتمهای آنلاین از این شیوه بهره می گیرند). این الگوریتم در دیگر موقعیتها نظیر لغتنامه هایی که قابلیت جستجوی کلمه و تشخیص اشتباهات املایی و دستوری را دارا می باشند کاربرد دارند.

تقریب جستجو در یک ایندکس معکوس.   جستجوی آنلاین در متن ممکن است ضروری باشد یا نباشد

تقریب جستجو در یک ایندکس معکوس.
جستجوی آنلاین در متن ممکن است ضروری باشد یا نباشد

3-1) تطبیق رشته ای تقریبی ………………………………………………………………………………………… 18
3-2) اصول کلی کار ……………………………………………………………………………………………………. 19
3-2-1) فهرست برای تطابق رشتهای تقریبی ……………………………………………………………………… 20
3-2-2) جستجوی آنلاین ……………………………………………………………………………………………… 22
3-2-3) جستجو در فواصل اندازهای کلی …………………………………………………. ………………………23
3-3) لغت به عنوان یک فاصله اندازه ای ……………………………………………………….. ………………….26
3-4) جمع بندی ………………………………………………………………………………………………………..28

فصل چهارم : تطبیق رشته ای برای تشخیص ساختاری الگو

هنگامیکه a را در قدم اول اضافه میکنیم. این فرآیند دو بخش است ، بنام ، اضافه کردن a در ابتدای رشته x ، یا اضافه کردن بین نماد اول و دوم. در هر دو حالت نتیجه aababcb است.
عملیاتهای ویرایش برای تفاوتهای مدلسازی استفاده شده اند که ایده رشته اولیه ممکن است به نمونه واقعی آن یعنی نسخه نویزی تغییر کند. وابستگی به کاربردهای خاص قطعا عملیاتهای ویرایش را از حالت عمومی منحرف می کند هر چند ممکن است که نتیجه نسبت به سایر موارد قابل قبول تر باشد. در دستور گرفتن مقدار این مشاهدات ، یک مصداق برای معرفی هزینه عملیاتهای ویرایش تولید می شود. یعنی به هر عملیات ویرایش یک عدد بعنوان هزینه یک عملیات ، جهت محاسبات اختصاص داده می شود. کوچکتری یا بزرگتری هزینه یک عملیات ویرایش ، بیشتر شباهت یا عدم شباهت دارد با تحریف آنچه که واقع شده است. یعنی عددی که به عنوان هزینه عملیات ویرایش در نظر میگیریم تناسب معکوس یا مستقیم با محاسبات انجام شده دارد و غیر مرتبط با محاسبات نیست. بطور مثال ما می نویسیم c(a→b) برای هزینه جایگزینی c(ε→a) ، a→b برای هزینه اضافه کردن ε→a و (c(a→ε برای هزینه حذف a→ε . هزینههای هر عملیات ویرایش دیگر ، فرض می شود که یک عدداعشاری بزرگتر یا مساوی صفر باشد.
S = e1,e2, . . . ,en یک دنباله از عملیاتهای ویرایش برای تبدیل یک رشته x به رشته دیگر (مانند) y است. هزینه های c(s) این دنباله بوسیله عبارت زیر داده شده است.

4-1) الگوریتم ابتدایی …………………………………………………………………………………………………..31
4-2) مفاهیم تشخیص الگو بر اساس فاصله های رشته ای ……………………………………………………..40

فصل پنجم : الگوریتم بهینه شده برای تطبیق رشته ای

5-1) اصلاحاتی در الگوریتم پایه …………………………………………………………………………………….. 46
5-1-1) یک روش ساده شده ……………………………………………………………………………………….. 46
5-1-2) شباهت جملهها در زیر دنباله های مشترک ……………………………………………………………… 47
5-1-3) مطابقت دهی کشسانی و درهم پیچشی …………………………………………………………….. 48
5-1-4) فاصله رشته بر اساس جایگزینیهای تعمیم یافته ………………………………………………………. 50
5-1-5) هزینههای وابسته به متن ……………………………………………………………………………….. 54
5-1-6) یک روش سریعتر …………………………………………………………………………………………. 57
5-2) تطبیق رشته های خاص ………………………………………………………………………………….. 58

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل ششم : نتیجه گیری و پیشنهادات

6-1) نتیجه گیری ……………………………………………………………………………………………………62
6-2) پیشنهادات ……………………………………………………………………………………………………62

فصل هفتم : منابع و ماخذ

7-2) آدرس چند سایت و مقاله مرتبط …………………………………………………………………………. 66
7-2-1) آدرس چند سایت مرتبط ………………………………………………………………………………. 66
7-2-2) آدرس چند مقاله مرتبط ………………………………………………………………………………… 66

فهرست شکلها

3-1) تقریب جستجو در یک ایندکس معکوس ………………………………………………………………….. 21
3-2) ساختار داده ای پیشنهادی ……………………………………………………………………………….. 27
4-1) الگوریتم برای محاسبه d(x,y) ا…………………………………………………………………………… 34
4-2) تصویر گرافیکی الگوریتم شکل 4-1 ………………………………………………………………………. 35
4-3) یک مثال از محاسبه فاصله رشته ………………………………………………………………………… 36
4-4a) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی ………………………………… 37
4-4b) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی …………………………………37 .
4-4c) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی …………………………………38
4-5) مثال دیگری از محاسبه فاصله رشته …………………………………………………………………. 38
4-6) دو مسیر متفاوت مطابق با حداقل هزینه عملیاتهای ویرایش در شکل 4-5 ……………………… 40
5-1) اصلاحاتی در الگوریتم شکل 4-1 برای مطابقت دهی کشسانی ………………………………… 48
5-2) یک مثال از مطابقت دهی کشسانی ………………………………………………………………. 49
5-3) توضیح گرافیکی محاسبه فاصله رشته بر پایه جایگزینیهای تعمیم یافته ………………………. 52
5-4) یک مثال از فاصله رشته وابسته به متن …………………………………………………………… 57

 

ABSTRACT :
Pattern recognition methods are introduced in statistical, syntactical and structural forms. In structural patter recognition methods, a series of initial symbols are used to recognize the patterns. These symbols are derived from patterns. Then the set of initial symbols are compared with the desired string and edit distance between them is gauged. The closest symbol to the original pattern wins the matching. The data structures used for structural recognition of the pattern include strings, trees, and graphs. Structural pattern recognition is used in recognizing two dimensions or three dimensions objects, characters, voice recognition, recognition of similar words and machine component recognition.


 


مقطع : کارشناسی ارشد

قیمت 25 هزار تومان

خرید فایل pdf به همراه فایلword

قیمت:35هزار تومان