Özellik vektörü
Bir özellik vektörü , bir modelin (sayısal olarak) parametrelendirilebilir özelliklerini vektörel bir şekilde özetler . Desenin farklı özellikleri, bu vektörün farklı boyutlarını oluşturur. Olası öznitelik vektörlerinin toplamına öznitelik uzayı denir . Özellik vektörleri, sınıflandırılacak özellikleri büyük ölçüde azalttığı için otomatik sınıflandırmayı kolaylaştırır (örneğin, tam bir görüntü yerine, yalnızca 10 sayıdan oluşan bir vektörün dikkate alınması gerekir). Genellikle bir küme analizi için girdi görevi görürler .
Örnekler
ses tanıma
İçinde konuşma tanıma , konuşma sinyalinin enerjisi sıklıkla kullanılan bir özelliğidir. Bundan başka, MFCC'ler veya LPCs göre ilgili doğrusal öngörü , öngörü katsayıları lineer (ayrıca: lineer öngörü kodlayıcı ) kullanıldığında, hem de bu değişkenler (birinci ve ikinci türevi olup zamana) zamansal değişimi vardır.
İlk 13 MFCC, ilişkili türevler ve enerji bir özellik vektörü oluşturmak için birleştirilirse, 40 boyut elde edilir.
Aruz tanıma
Bölgeler üstü birimlerin otomatik olarak çıkarılması için Prosodieerkennung u. A. aşağıdaki temel özellikler kullanılır:
- Temel frekans F0 veya temel frekans eğrisi
- sinyalin enerjisinin farklı ölçüleri
- konuşma sinyalinin zamansal ölçümleri, ör. B. duraklatma uzunlukları, ses birimi uzunlukları vb.
Görüntü işleme
- Görüntünün enerjisi
- Fourier katsayıları
- Gri değerler
Metin tanıma ve metin analizi
- Harf olasılığı
- Hece olasılığı
- Kelime olasılığı
Desen sınıflandırması
Olarak model sınıflandırma , desen otomatik olarak parametreleştirilebilir özellikleri, özellik vektörü göre sınıflandırılır. Özellikler ne kadar iyi seçilmişse ve ne kadar çok eğitim materyali varsa (yani, örnek ne kadar büyükse), sınıflandırma o kadar başarılı olur. Özellik vektörlerinde daha büyük bir boyut, daha fazla eğitim materyali ihtiyacı, yani daha fazla eğitim çabası ve daha uzun eğitim süresi anlamına gelir. Ama aynı zamanda daha iyi sınıflandırma oranları, yani daha iyi sınıflandırıcı kalitesi elde edersiniz. Az sayıda boyut, daha hızlı eğitim ve daha küçük bir örnek, aynı zamanda daha düşük kalite anlamına gelir.
Giriş olarak temel özelliklere dayalı işlevler
Temel özellikler, daha anlamlı karar değerleri oluşturmak için genellikle (ağırlıklı) işlevler kullanılarak hesaplanır. Bu fonksiyonlar olasılık dağılımlarını hesaplayabilir veya maksimum olabilirlik değerleri, yüzde değerleri, oran değerleri, minimum, maksimum veya ortalama oluşturabilir.