Funktionsvektor
En funktionsvektor opsummerer de (numerisk) parametrerbare egenskaber for et mønster på en vektorisk måde. Forskellige træk, der er karakteristiske for mønsteret, danner de forskellige dimensioner af denne vektor. Totaliteten af de mulige funktionsvektorer kaldes funktionsområdet . Funktionsvektorer letter automatisk klassificering , da de i høj grad reducerer egenskaberne, der skal klassificeres (i stedet for f.eks. Kun et komplet billede skal kun en vektor på 10 tal overvejes). De tjener ofte som input til en klyngeanalyse .
Eksempler
stemmegenkendelse
I talegenkendelse er talesignalets energi en hyppigt anvendt egenskab. Desuden anvendes MFCC'er eller LPC'er baseret på lineær forudsigelse , lineære forudsigelige koefficienter (også: lineær forudsigelig kodning ) såvel som den tidsmæssige ændring af disse variabler (første og anden afledning efter tid).
Hvis de første 13 MFCC'er, de tilknyttede derivater og energien kombineres for at danne en trækvektor, opnås 40 dimensioner.
Prosody anerkendelse
Til automatisk udvinding af suprasegmentale enheder findes i Prosodieerkennung u. A. følgende grundlæggende funktioner bruges:
- Grundfrekvensen F0 eller grundfrekvenskurven
- forskellige mål for signalets energi
- tidsmæssige målinger af talsignalet, f.eks. B. pauselængder, fonemlængder osv.
Billedbehandling
- Billedets energi
- Fourier-koefficienter
- Grå værdier
Tekstgenkendelse og tekstanalyse
- Brevsandsynlighed
- Stabbar sandsynlighed
- Ordsandsynlighed
Mønster klassificering
I mønsterklassificeringen klassificeres mønstre automatisk baseret på deres parametrerbare egenskaber, funktionsvektorerne. Jo bedre egenskaberne blev valgt, og jo mere træningsmateriale (dvs. jo større prøven) er tilgængelig, jo bedre lykkes en klassifikation. En større dimension i funktionsvektorerne betyder et større behov for træningsmateriale, det vil sige en større træningsindsats og en længere træningsvarighed. Men du får også bedre klassificeringsrater, dvs. bedre klassificeringskvalitet. Et lille antal dimensioner betyder hurtigere træning og en mindre prøve, men også lavere kvalitet.
Funktioner baseret på grundlæggende funktioner som poster
De grundlæggende funktioner beregnes ofte ved hjælp af (vægtede) funktioner til at danne mere meningsfulde beslutningsværdier. Disse funktioner kan beregne sandsynlighedsfordelinger eller danne maksimale sandsynlighedsværdier, procentværdier, forholdsværdier, et minimum, maksimum eller et gennemsnit.