| پایان نامه تطبیق رشته ای برای شناسایی ساختاری الگو
سمینار کارشناسی ارشد رشته کامپیوتر با موضوع تطبیق رشته ای برای شناسایی ساختاری الگو |
 |
| دسته بندی | کامپیوتر |
| فرمت فایل | |
| حجم فایل | 825 کیلو بایت |
| تعداد صفحات فایل | 69 |
دانلود پایان نامه ارشد رشته کامپیوتر :تطبیق رشته ای برای شناسایی ساختاری الگو
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
سمینار برای دریافت درجه کارشناسی ارشد “M.Sc”
مهندسی کامپیوتر – نرم افزار
عنوان :
تطبیق رشته ای برای شناسایی ساختاری الگو
برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود
تکه هایی از متن به عنوان نمونه :
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
چکیده :
روشهای تشخیص الگو بصورت آماری ، نحوی و ساختاری مطرح میشوند. در روشهای
ساختاری تشخیص الگو ، از یک مجموعه نمادهای اولیه (سمبول ها) برای شناسایی الگوها استفاده
میشود. که این سمبول ها ، خود نیز از الگوها استخراج میشوند. پس از آن مجموعه نمادهای اولیه با
رشته مورد نظر مقایسه شده و فاصله ویرایشی بین آنها بدست میآید ، آنگاه سمبولی که کمترین فاصله
را با الگوی اصلی داشته باشد برنده این تطبیق است. ساختارهای دادهای که برای تشخیص ساختاری
الگو مورد استفاده قرار میگیرند ، رشتهها ، درختها و گرافها را شامل میشوند. کاربردهای تشخیص
الگوی ساختاری در شناسائی شئهای دو بعدی ، سه بعدی ، کاراکترها ، تشخیص گفتار ، شناسایی
لغات مشابه در بانک اطلاعاتی لغت نامه و شناخت اجزای ماشین مطرح میشود.
مقدمه :
این مطلب یک ایده متعارف برای تعداد متفاوتی از روشهایی است که جهت تشخیص الگو بکار
میروند 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 نمونههای 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 نمونههای شناخته شده در ارتباط
است و دسته بندی الگوهای ناشناخته بوسیله تعیین کردن بیشترین شباهت الگو و تصمیم گیری درباره
کلاس آن حاصل میشود.
در دسته بندی آماری ، نمونهها به وسیله عامل مشترک از یک تابع تصمیم گیری ارزیابی
شدهاند. 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
میکنند. 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 میشود. در
این روش نه فقط یک دسته بندی ، بلکه همچنین یک شرح ساختاری از الگوی ناشناخته میتوان فراهم
کرد. تحلیل گر نحوی میتواند مانند یک تابع ویژه برای تصمیمگیری شباهت ساختاری تفسیر شود.
مطابق ساختارهای دادهای متفاوت که برای تشخیص الگو مورد استفاده قرار میگیرند ، فقط رشته
گرامرها بررسی نمیشود ، 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 نتیجهگیری
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 پایهای تطبیق ساختاری ، به سوی بازنمایی مستقیم نمونههای 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
نوشتهها پیشنهاد شده است. آنها میتوانند به گروههای بزرگی طبق ساختارهای دادهای تقسیم بشوند
که برای تشخیص الگو استفاده شدهاند. بیشتر ساختارهای دادهای مهم ، رشتهای ، درختی ، گراف و
آرایهای هستند. وابستگی به دامنه مسائل خاص برای همه این ساختارهای دادهای میتواند بوسیله
ویژگیهایشان افزایش یابد.
با یک محاسبه پیچیده ، رشتهها خیلی کارآمد هستند ، از آنجائیکه بررسی میزان شباهت بین
رشتهها میتواند کاملا سریع انجام شود ، اگر چه رشتهها به تعداد نمایششان محدود هستند. در موارد
خیلی زیاد گرافها 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 نمایهها و تعداد تکرارهایمان برای تطبیق نیاز است. اگر ما برای بازنمایی کلاس الگو از یک گرامر
استفاده کنیم ، یک تعادل ساده رعایت میشود.
