مقدمه :

اين مطلب يك ايده متعارف براي تعداد متفاوتي از روشهايي است كه جهت تشخيص الگو بكار مي روند و اهميت ندارد كه آن الگوها آماري ، تركيبي يا ساختاري باشند. اين يك مقايسه از الگويي ناشناخته با يك عدد بطور نمونه يا با نمونه الگوي اوليه با استفاده از فاصله يا ( ميزان ) شباهت يا تفاوت است. يعني هر الگوي ناشناخته را بصورت نمونه با يك رشته عددي تقريب زده و آن رشته را با رشته عددي الگوي اوليه مقايسه مي كنيم. ابتدا ارائه يك عدد از نمونه هاي اوليه كه به كلاس مربوط به آن نمونههاي اوليه شناخته شده مرتبط است ، و سپس دسته بندي يك الگوي ناشناخته بوسيله تعيين كردن بيشترين شباهت الگوي تصميم گيري براي آن كلاس است كه دست يافتني است. پس براي هر نمونه اوليه يك عدد در نظر ميگيريم كه آن عدد با كلاسهاي اين نمونه هاي شناخته شده در ارتباط است و دسته بندي الگوهاي ناشناخته بوسيله تعيين كردن بيشترين شباهت الگو و تصميم گيري درباره كلاس آن حاصل مي شود.
در دسته بندي آماري ، نمونه ها به وسيله عامل مشترك از يك تابع تصميم گيري ارزيابي شده اند. پارامترها از يك احتمال توزيع شده نقاط ، در يك فضاي ويژگي تعريف شده ، و مفهوم شباهت نيز بر اساس فاصله تعريف شده است. و توابع تصميم گيري در فضاي n بعدي از اعداد حقيقي كار مي كنند. اگر ساختار الگو لازم باشد ، گرامرهاي رسمي (قراردادي) يك مفهوم مفيد هستند. تابع متداول بصورت دستي يا بصورت اتوماتيك يك گرامر از يك بسته نمونه را نتيجه مي دهد. بنابراين يك الگوي ورودي ناشناخته به يك تجزيه كننده تحويل داده شده و مطابق با اين گرامر تحليل مي شود. در اين روش نه فقط يك دسته بندي ، بلكه همچنين يك شرح ساختاري از الگوي ناشناخته مي توان فراهم كرد. تحليل گر نحوي ميتواند مانند يك تابع ويژه براي تصميم گيري شباهت ساختاري تفسير شود.
مطابق ساختارهاي دادهاي متفاوت كه براي تشخيص الگو مورد استفاده قرار ميگيرند ، فقط رشته گرامرها بررسي نمي شود ، بلكه درخت ، گراف و آرايه گرامرها در يك قاعده مهم تشخيص الگو فعاليت دارند.
اينها مواردي از تعدادي از مثالهاي آماده بسيار كوچك هستند كه كاربردشان براي نتيجه گيري دستوري است ، يا در جايي است كه تمام توان يك پيشروي دستوري نياز نيست. يعني كاربرد اين مثالهاي آماده بسيار كوچك براي استنتاجي بر اساس قواعد ، و يا استنتاجي در مكاني كه نيازي نيست از تمام توان قواعد استنتاجي استفاده كرد ميباشد. اگر ساختار الگو مورد نياز باشد ، با اين حال ، شايد تكنيك تطبيق ساختاري مفيد باشد.
ايده پايه اي تطبيق ساختاري ، به سوي بازنمايي مستقيم نمونه هاي اوليه است ، بخوبي الگوهاي ورودي ناشناخته ، كه بوسيله معاني يك ساختار داده مناسب و بسوي مقايسه اين ساختارها در ترتيبي براي يافتن شباهت نمونه اوليه با يك الگوي ناشناخته ورودي حركت مي كند. اين حركت به جلو نيازمند يك عدد قراردادي از شباهت بين دو ساختار ارائه شده است. تعدادي از برخي اعداد در برخي از نوشته ها پيشنهاد شده است. آنها مي توانند به گروه هاي بزرگي طبق ساختارهاي دادهاي تقسيم بشوند كه براي تشخيص الگو استفاده شدهاند. بيشتر ساختارهاي دادهاي مهم ، رشته اي ، درختي ، گراف و آرايهاي هستند. وابستگي به دامنه مسائل خاص براي همه اين ساختارهاي دادهاي ميتواند بوسيله ويژگي هايشان افزايش يابد.
با يك محاسبه پيچيده ، رشتهها خيلي كارآمد هستند ، از آنجائيكه بررسي ميزان شباهت بين رشته ها مي تواند كاملا سريع انجام شود ، اگر چه رشته ها به تعداد نمايششان محدود هستند. در موارد خيلي زياد گراف ها بيشترين قدرت رسيدن به بازنمايي الگوي ساختاري را دارند. اگر چه تطبيق گراف بطور مفهومي نسبتا پيچيده است ، و به نسبت قيمت محاسبات ، گران است. بنابراين يك تعادلي بين تعداد نمايه ها و تعداد تكرارهايمان براي تطبيق نياز است. اگر ما براي بازنمايي كلاس الگو از يك گرامر استفاده كنيم ، يك تعادل ساده رعايت مي شود.
در اين بخش ما مهمترين راه رسيدن به تطبيق رشته را بررسي مي كنيم. از نقطه نظر نمايش ، تطبيق ساختاري ، مي تواند به عنوان يك مورد خاص نحوي ( تركيبي ) در حركت بر اساس گرامر مطرح بشود.

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

فهرست مطالب

چكيده ……………………………………………………………………………………………………………………….. 1
مقدمه ………………………………………………………………………………………………………………………..2

فصل اول : كليات

هدف از اين سمينار ارائه يك الگوريتم با كمترين پيچيدگي زماني ، جهت بدست آوردن فاصله بين يك رشته به عنوان الگوي ناشناخته با يك مجموعه رشته به عنوان كلاس هاي الگوست. حال اين فاصله ممكن است فاصله ويرايشي شباهتي يا فاصله ويرايشي تفاوتي باشد. يعني در بررسي تطبيق رشته ها تا به اينجا ميرسيم كه اين دو رشته (يعني الگوي ناشناخته با هر يك از الگوهاي مجموعه كلاس الگو) به ميزان α% شباهت و يا β% تفاوت دارند. كه اين درصد بر اساس تعداد كاراكتر مشابه ، تقسيم بر طول رشته ضرب در 100 براي حالت شباهت ، و بر اساس تعداد كاراكتر متفاوت ، تقسيم بر طول رشته ضرب در 100 براي حالت تفاوت محاسبه مي گردد.

1- 2) پيشينه تطبيق رشته :
فاصله ويرايشي بين دو رشته كاراكتري را مي توان به صورت حداقل هزينه دنباله اي از عمليات ويرايشي تعريف كرد ، كه يك رشته را به رشته ديگري تبديل مي كند. عملياتي كه ما مي پذيريم عبارت است از حذف كردن ، درج كردن و جايگزيني يك نماد در يك زمان و احتمالا براي هر كدام از اين عمليات ها هزينه هاي متفاوتي وجود دارد. مسئله پيدا كردن بلندترين زير دنباله مشترك دو رشته حالت خاصي از مسئله محاسبه فاصلههاي ويرايشي ميباشد. براي محاسبه فاصلههاي ويرايشي هزينه هاي عمليات ويرايشي بايد مضرب صحيحي از يك عدد حقيقي مثبت مثل r باشد ، و به الفباي مورد استفاده در رشته ها محدود باشند. اين شرايط براي اينكه الگوريتم محدوديت زماني داشته باشد لازم هستند.
Wagner و Fischer الگوريتمي براي تعيين يك دنباله از تبديلات ويرايشي كه يك رشته را به رشته ديگر تبديل ميكند ارائه كردند. زمان اجراي الگوريتم آنها متناسب با حاصلضرب طولهاي دو رشته ورودي است. همان سه نوع عمليات گفته شده اينجا هم مد نظر هستند. يعني: 1- درج يك كاراكتر در رشته ، 2- حذف يك كاراكتر از رشته و 3- جايگزيني يك كاراكتر از رشته با كاراكتري ديگر. اين الگوريتم دنباله ويرايشي بهينه اي را براي جفت رشته محاسبه ميكند ، و به عنوان حالت خاص مي تواند بلندترين زير دنباله مشترك آنها را بدست بياورد.
براي حالت الفباي محدود Wong و Chandra حدهاي بالايي و پاييني متناسب با ٢n را با استفاده از يك مدل با محدوديت جزئي بدست آوردند. همچنين Aho نتايج مشابهي را براي مسئله بلندترين زير دنباله مشترك بدست آورد. Lawrance و Wagner نتايج Wagner و Fischer را تعميم دادند تا شامل عمل جابجايي كاراكترهاي مجاور باشد. آنها با حل كردن مسئله تعميم يافتهشان الگوريتمي از درجه On2 را ايجاد كردند.

1-1) هدف ………………………………………………………………………………………………………………….6
1-2) پيشينه تطبيق رشته ……………………………………………………………………………………………….6
1-3) روش كار و تحقيق ………………………………………………………………………………………………….7

فصل دوم : فاصله ويرايشي رشته و تطبيق گراف

اين فصل نشان مي دهد كه چگونه ساختار ويژه ماتريس نزديكي ، مي تواند به منظور يك تطبيق دهي كارآمد گراف مورد استفاده قرار گيرد. اگر بردار ويژه هادي يك ماتريس احتمال انتقال ، همان حالت يكنواخت زنجيره وابسته به ماركوف باشد ، آنگاه هنگاميكه ماتريس انتقال نرمال شده نزديكي يك گراف ، موجود باشد ، بردار ويژه هادي ، يك دنباله از گرههاي پيمايش تصادفي بر روي گراف در حالت يكنواخت را به ما نتيجه مي دهد. ما از اين ويژگي براي تبديل گرههاي گراف به رشته استفاده مي كنيم. به اين شكل ، كه اگر ترتيب گرهها با يك دنباله از گرههاي ديده شده در پيمايش تصادفي گراف داده شده يكسان باشد ، گرافهايي را كه به اين صورت نشان داده مي شوند بوسيله پيدا كردن دنباله اي از عمليات ويرايشي رشته كه فاصله ويرايش را به كمترين مقدار ميرسانند تطبيق مي دهيم.

2-2) تطبيق گراف :
تطبيق گراف در سطح بالايي از نگرش كاري است كه از اهميت محوري برخوردار است به اين دليل كه ابزاري فراهم ميآورد كه بوسيله آن ميتوان توصيفات تصويري يگانه را با يكديگر تطبيق داد.
متاسفانه از آنجا كه پروسه فراخواني و بدست آوري ساختارهاي گراف از دادههاي خام تصويري به دليل وجود نويز و كارآيي محدود الگوريتمهاي موجود قطعه بندي كاري ظريف و دشوار ميباشد ، تطبيق گراف همواره با روشهاي غير دقيق حاصل مي شود. جستجو براي يافتن روشهايي كه در برخورد با خطاهاي تطبيقدهي گراف ، قويتر عمل كنند ، در طول دهه هاي اخير مورد توجه و كوشش مداوم متخصصين بوده است. همه روشها از ايدههاي تشخيص الگوي ساختاري بيرون كشيده شده و در حول موضوع گسترش و تعميم دادن مفهوم فاصله ويرايش رشته به گراف ها عمل ميكنند. پيشرفتهاي اخيربر روي استفاده از روشهاي بهينهسازي و احتمالاتي متمركز شده اند ، با اين هدف كه پروسه تطبيقگراف را در برابر خطاهاي ساختاري مقاوم كنند.
با وجود اثبات كارآيي ، اين روشها فاقد ظرافت و زيبايي نمايش ماتريسي هستند كه براي نخستين بار توسط Ullman در تحقيقش بر روي همريختي زير گرافها بكار برده شد. ثابت شده است ، كه عمل قرار دادن روش غير دقيق تطبيق گراف در قالب روش ماتريسي ، گمراه كننده و بي فايده است.
اين از زماني مايوس كننده بود كه مجموعهاي غني از ابزارهاي قوي در حوزه رياضيات با نام تئوري طيفي گراف در دسترس بود. اين اصطلاح به مجموعهاي از تكنيكها داده شد ، كه هدفشان مشخص كردن و نماياندن خصوصيتهاي جامع و سراسري ساختاري يك گراف با استفاده از مقادير ويژه و بردارهاي ويژه ماتريس نزديكي مي باشد. در متنهايي از علوم كامپيوتر ، كوششهايي براي استفاده از تئوري طيفي در تطبيق گراف ، تشخيص اشياء و قطعه بندي تصوير وجود دارد. Umeyama روش تجزيهاي دارد كه گرافهايي با اندازه يكسان را مطابقت دهي مي كند. Scott و Longuet-Higgins جزو اولين كساني بود كه با قرض گرفتن ايده هايي از شيمي ساختاري ، روشهاي طيفي را براي آناليز مطابقت بكار بردند. آنها نشان دادند كه چگونه مطابقتها از تجزيه تك مقداري بر روي ماتريس پيوستگي نقطه ، بين تصويرهاي مختلف بدست مي آيند. Shapiro و Brady از تئوري طيفي گراف كه Scott و Longuet-Higgins ارائه داده بودند فراتر رفتند ، كه در آن مجموعه نقاط ، با بردارهاي ويژه ماتريس مجاورت نقاط ، مطابقت دهي مي شوند. در اينجا ماتريس مجاورت با محاسبه فاصله بين نقاط با وزن دهي گوسي ، ساخته مي شود. بردارهاي ويژه ماتريس مجاورت ، ميتوانند به صورت بردارهاي پايه يك تبديل متعامد ، بر روي مختصات نقطه اوليه در نظر گرفته شوند. به عبارت ديگر مولفه هاي بردارهاي ويژه ، نشان دهنده آميخته اي از زاويه ها ، براي نقطههاي تبديل يافته هستند. بررسي مطابقت دهي ، در واقع بين مجموعه نقاط مختلف تاثير گرفته از مقايسه الگوي بردارهاي ويژه در تصاوير مختلف مي باشند. روش Shapiro وBrady مي تواند به عنوان متدي كه به جاي فضاي ساختار در فضاي مقادير ويژهكار مي كند ، در نظر آيد. Horaud و Sossa روشي كاملا ساختاري را براي تشخيص ترسيمهاي خطيبكار بردند. روش ارائه شده آنها بر اساس چند جمله اي هاي اصلي ماتريس لاپلاسي در گراف اتصال خطي است. با مقايسه ضرايب چند جمله اي ها ، آنها قادر خواهند بود كه پايگاه اطلاعاتي بزرگي از ترسيمات خطي را طبقهبندي و انديسدهي كنند. Dickinson ، Shokoufandeh و Siddiqi نشان دادند كه به منظور تشخيص شكل از يك پايگاه اطلاعاتي بزرگ ، چگونه مي توان گرافها را بوسيله طيف توپولوژيكي محلي شان كد گذاري كرد.

2-1) تبديل گراف به رشته ……………………………………………………………………………………………..10
2-2) تطبيق گراف ………………………………………………………………………………………………………10
2-3) فاصله ويرايشي رشته ………………………………………………………………………………………… 13
2-4) جمع بندي ……………………………………………………………………………………………………….15

فصل سوم : تقريب سريع تطبيق رشته

مطابقت رشتهاي تقريبي ، مشكلي هميشگي در بسياري رشتههاي علوم رايانه با كاربرد در جستجوي متون ، زيست شناسي رايانه اي ، الگوشناسي ، پردازش علامات و غيره مي باشد. مشكل پيش رو را مي توان اينگونه توصيف كرد كه با در نظر گرفتن متني طولاني به عنوان n ، و متني نسبتا كوتاه به عنوان m ، تمامي قطعات متن را كه فاصله ويرايشي آنها نهايتا k مي باشد بازيابي كنيد. فاصله ويرايشي يا ed( ) ميان دو رشته ، عبارت است از كمترين فاصله درج ، حذف و يا جابجايي كاركتر جهت همسان سازي آنها.
در نسخة آنلاين اين مسئله ، الگو ، قابل پردازش است اما متن فاقد اين قابليت ميباشد. راه حل سنتي اين مسئله از برنامه نويسي پويا بهره ميگيرد و پيچيدگي زماني آن از مرتبه O(mn) ميباشد. امروزه بهترين نتايج عملي در بدترين حالت O(mn) و به طور متوسط Oknlogm m مي باشد (در جايي كه σ در اندازة الفبايي خود باشد). مورد متوسط ذكر شده در صورتي كه همة كاراكترهاي متن مورد بررسي واقع شده باشند زيرخطي (sublinear) مي باشند ولي مسئلة آنلاين Ω(n) مي باشد به شرطي كه m ثابت باشد.
در اين بررسي ، هدف ما بانكهاي بزرگ اطلاعات متني است كه انگيزة اصلي مطابقت رشتهاي تقريبي ، ناشي از كيفيت پايين متن (به عنوان مثال بدليل بازشناسي كاراكتر نوري يا همان OCR يا غلط هاي تايپي) ، ناهماهنگي پايگاه داده (زبانهاي مختلفي كه ممكن است از سوي كاربر همراه با غلط املايي نوشته شده باشد) ، غلط املايي در الگو يا در متن ، جستجوي اسامي خارجي و جستجوي نامطمئن (يعني حدس زدن نزديكترين واژه) است. اينگونه متون فضاي گيگا بايتي از حافظه را اشغال كرده و نسبتا ايستا (static) ميباشند. حتي سريعترين الگوريتمهاي آنلاين نيز در اين مورد بخصوص كاربردي ندارند چرا كه آنها تنها قادرند در هر ثانيه تعداد محدودي گيگا بايت را پردازش كنند. درچنين وضعيتي پيش پردازي متن و ساخت فهرستي در جهت افزايش سرعت جستجو ضروري مي نمايد.
سالياني نه چندان دور فهرست سازي متن جهت مطابقت رشته اي تقريبي از عمده ترين مشكلات در اين زمينه محسوب مي شد. فهرستهاي عملي كه امروزه مورد استفاده قرار مي گيرند بر مبناي جستجوي آنلاين لغات متن بوده كه نسبت به كل متن مقداري جزئي مي باشد. اين فرآيند نهايتا ظرف چند ثانيه اتفاق ميافتد. گرچه اين مدت زمان ممكن است براي محيطهاي تك كاربره كافي باشد اما جالب خواهد بود اگر اين سرعت به نحوي افزايش مي يافت كه براي محيطهاي چند كاربره نيز مناسب مي گرديد. به عنوان مثال يك موتور جستجوي تحت وب كه در هر ثانيه تعداد زيادي درخواست دريافت مي كند قادر به پيمايش لغات در عرض چند ثانيه نخواهند بود.
در اين بخش پيشنهاد ما اين است كه لغات را به عنوان فاصلة اندازه اي و با استفاده از كاركرد فاصله اي ed( ) سازمانده اي كرده و از ساختار دادة شناخته شدهاي جهت فهرست كردن اين فواصل بهره ببريم. اين امر يك فاصله منطقي در بالاي لغت ايجاد كرده و كاهش چشمگير زمان جستجو را به ارمغان خواهد آورد (نزديك به نيمي از بهترين الگوريتمهاي آنلاين از اين شيوه بهره مي گيرند). اين الگوريتم در ديگر موقعيتها نظير لغتنامه هايي كه قابليت جستجوي كلمه و تشخيص اشتباهات املايي و دستوري را دارا مي باشند كاربرد دارند.

تقريب جستجو در يك ايندكس معكوس.   جستجوي آنلاين در متن ممكن است ضروري باشد يا نباشد

تقريب جستجو در يك ايندكس معكوس.
جستجوي آنلاين در متن ممكن است ضروري باشد يا نباشد

3-1) تطبيق رشته اي تقريبي ………………………………………………………………………………………… 18
3-2) اصول كلي كار ……………………………………………………………………………………………………. 19
3-2-1) فهرست براي تطابق رشتهاي تقريبي ……………………………………………………………………… 20
3-2-2) جستجوي آنلاين ……………………………………………………………………………………………… 22
3-2-3) جستجو در فواصل اندازهاي كلي …………………………………………………. ………………………23
3-3) لغت به عنوان يك فاصله اندازه اي ……………………………………………………….. ………………….26
3-4) جمع بندي ………………………………………………………………………………………………………..28

فصل چهارم : تطبيق رشته اي براي تشخيص ساختاري الگو

هنگاميكه a را در قدم اول اضافه ميكنيم. اين فرآيند دو بخش است ، بنام ، اضافه كردن a در ابتداي رشته x ، يا اضافه كردن بين نماد اول و دوم. در هر دو حالت نتيجه aababcb است.
عملياتهاي ويرايش براي تفاوتهاي مدلسازي استفاده شده اند كه ايده رشته اوليه ممكن است به نمونه واقعي آن يعني نسخه نويزي تغيير كند. وابستگي به كاربردهاي خاص قطعا عملياتهاي ويرايش را از حالت عمومي منحرف مي كند هر چند ممكن است كه نتيجه نسبت به ساير موارد قابل قبول تر باشد. در دستور گرفتن مقدار اين مشاهدات ، يك مصداق براي معرفي هزينه عملياتهاي ويرايش توليد مي شود. يعني به هر عمليات ويرايش يك عدد بعنوان هزينه يك عمليات ، جهت محاسبات اختصاص داده مي شود. كوچكتري يا بزرگتري هزينه يك عمليات ويرايش ، بيشتر شباهت يا عدم شباهت دارد با تحريف آنچه كه واقع شده است. يعني عددي كه به عنوان هزينه عمليات ويرايش در نظر ميگيريم تناسب معكوس يا مستقيم با محاسبات انجام شده دارد و غير مرتبط با محاسبات نيست. بطور مثال ما مي نويسيم c(a→b) براي هزينه جايگزيني c(ε→a) ، a→b براي هزينه اضافه كردن ε→a و (c(a→ε براي هزينه حذف a→ε . هزينههاي هر عمليات ويرايش ديگر ، فرض مي شود كه يك عدداعشاري بزرگتر يا مساوي صفر باشد.
S = e1,e2, . . . ,en يك دنباله از عملياتهاي ويرايش براي تبديل يك رشته x به رشته ديگر (مانند) y است. هزينه هاي c(s) اين دنباله بوسيله عبارت زير داده شده است.

4-1) الگوريتم ابتدايي …………………………………………………………………………………………………..31
4-2) مفاهيم تشخيص الگو بر اساس فاصله هاي رشته اي ……………………………………………………..40

فصل پنجم : الگوريتم بهينه شده براي تطبيق رشته اي

5-1) اصلاحاتي در الگوريتم پايه …………………………………………………………………………………….. 46
5-1-1) يك روش ساده شده ……………………………………………………………………………………….. 46
5-1-2) شباهت جملهها در زير دنباله هاي مشترك ……………………………………………………………… 47
5-1-3) مطابقت دهي كشساني و درهم پيچشي …………………………………………………………….. 48
5-1-4) فاصله رشته بر اساس جايگزينيهاي تعميم يافته ………………………………………………………. 50
5-1-5) هزينههاي وابسته به متن ……………………………………………………………………………….. 54
5-1-6) يك روش سريعتر …………………………………………………………………………………………. 57
5-2) تطبيق رشته هاي خاص ………………………………………………………………………………….. 58

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

فصل ششم : نتيجه گيري و پيشنهادات

6-1) نتيجه گيري ……………………………………………………………………………………………………62
6-2) پيشنهادات ……………………………………………………………………………………………………62

فصل هفتم : منابع و ماخذ

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

فهرست شكلها

3-1) تقريب جستجو در يك ايندكس معكوس ………………………………………………………………….. 21
3-2) ساختار داده اي پيشنهادي ……………………………………………………………………………….. 27
4-1) الگوريتم براي محاسبه d(x,y) ا…………………………………………………………………………… 34
4-2) تصوير گرافيكي الگوريتم شكل 4-1 ………………………………………………………………………. 35
4-3) يك مثال از محاسبه فاصله رشته ………………………………………………………………………… 36
4-4a) سه مسير متفاوت ، مطابق با حداقل هزينه عملياتهاي ويرايشي ………………………………… 37
4-4b) سه مسير متفاوت ، مطابق با حداقل هزينه عملياتهاي ويرايشي …………………………………37 .
4-4c) سه مسير متفاوت ، مطابق با حداقل هزينه عملياتهاي ويرايشي …………………………………38
4-5) مثال ديگري از محاسبه فاصله رشته …………………………………………………………………. 38
4-6) دو مسير متفاوت مطابق با حداقل هزينه عملياتهاي ويرايش در شكل 4-5 ……………………… 40
5-1) اصلاحاتي در الگوريتم شكل 4-1 براي مطابقت دهي كشساني ………………………………… 48
5-2) يك مثال از مطابقت دهي كشساني ………………………………………………………………. 49
5-3) توضيح گرافيكي محاسبه فاصله رشته بر پايه جايگزينيهاي تعميم يافته ………………………. 52
5-4) يك 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