imported>Sokrates 399: Typografie.

2026-04-04T07:51:05Z

Typografie.

Neue Seite

'''Musteranalyse''' ist ein Teilgebiet der [[Mustererkennung]]. Unter Musteranalyse wird die automatische Generierung einer Beschreibung aus dem [[Signal]], dem [[Muster]], verstanden. Beispiele für Muster sind Bilder, oder Bildfolgen und Sprachsignale. In der Musteranalyse wird nach Algorithmen und Systemansätzen für diese Problemstellung geforscht.

Im Gegensatz zu den [[Klassifikationsverfahren]] der [[Musterklassifikation]], welche einem Muster als Ganzes eine von endlich vielen Klassen zuweist, wird in der Musteranalyse ein Muster in Untermuster zerteilt und diesen Untermustern und deren Beziehungen untereinander eine symbolische Beschreibung zugewiesen. Dies entspricht einer Abbildung aus der Menge der Untermuster in die unendliche Menge aller möglichen symbolischen Beschreibungen.

== Typische Musteranalysesysteme ==
Im Gegensatz zum häufig homogenen Aufbau von Musterklassifikationssystemen, Spracherkennern oder Bilderkennern sind Musteranalysesysteme [[heterogen]] aufgebaut. Dennoch sind einige Basiskomponenten vorhanden, die meisten Systeme unterscheiden sich nur in deren Zusammenspiel.

=== Methoden ===
Unter der Methodenkomponente werden speziell auf die Verarbeitung von beispielsweise Sprachsignalen oder Bildern zugeschnittene Methoden, z. B. [[Kalman-Filter]] oder [[Snakes]] bei Bildern, zusammengefasst.

=== Qualitative Wissensrepräsentation ===
Um Wissen über die Anwendungsdomäne in einem automatischen Musteranalysesystem in einer effizienten und zugleich adäquaten Art und Weise zu repräsentieren, werden häufig Techniken aus der [[künstliche Intelligenz|künstlichen Intelligenz]] eingesetzt, z. B. [[Semantisches Netz|semantische Netze]], [[Frames (Wissensrepräsentation)|Frames]], [[Prädikatenlogik|PL1]] etc. Dieses Wissen ist oft mehrdeutig, weshalb die Methoden eine gewisse Fehleranfälligkeit besitzen.

=== Erklärungskomponente ===
Beispiel aus der Medizin: Wird aus medizinischen Eingabedaten wie z. B. [[Röntgenbild]]ern von einem Musteranalysesystem eine symbolische Ausgabe der Form „Patient X benötigt dringend Operation Y“ generiert, stellt sich dem Arzt (und dem Patienten) die Frage, ''warum'' diese Operation nötig ist und ''wie'' das Musteranalysesystem auf diese Antwort gekommen ist. Hier sind also Zwischenschritte gefragt. Diese Zwischenschritte und die nötigen Erklärungen, warum welcher Zwischenschritt erfolgte, werden durch die Erklärungskomponente geliefert.

=== Lernen ===
Die meisten Wissensbasen werden in aufwändiger und teurer Handarbeit menschlicher Experten erstellt und sind somit fehleranfällig. Unterschiedliche Experten generieren unterschiedliche Wissensbasen. [[Maschinelles Lernen]] ist somit durchaus angebracht, aber oft in der Realität nicht möglich.

=== Kontrollkomponente ===
Die Kontrollkomponente liefert die Kontrollstrategie, mit welcher das repräsentierte Wissen in der Wissensbasis verarbeitet wird. Bei der Verarbeitung kommen die speziellen Methoden aus der Methodenkomponente zum Einsatz. Die Strategie liegt oft in Form von Suche in Graphen, Bäumen oder andersartigen Suchräumen vor, beispielsweise mit dem A*-Algorithmus.

== Beispiele zu Musteranalysesystemen ==
=== Ein komplettes Bildanalysesystem ===
Hier ist ein beispielhafter, kompletter Aufbau eines Bildverarbeitungs- und Analysesystems gegeben.
Dieses ist grob in drei Teile geteilt: Bildverarbeitung, Bildklassifikation und Bildanalyse.

# [[Bildverarbeitung]]
## ''Quelle:'' Kamera (Digitalkamera, Camcorder), Scanner etc.
## [[Digitalisierung|digitalisiertes Bild]]: [[Abtastung (Signalverarbeitung)|abgetastetes]], [[Quantisierung (Signalverarbeitung)|quantisiertes]] Bild (z. B.: 1024×768 Grauwert Bild, Quantisierung: 8 Bit, also Grauwert 0 = schwarz und 255 = weiß)
## ''Vorverarbeitung:'' Normierung des Bildes, Anwendung von [[Filter (Bildverarbeitung)|Filtern]] zur Rauschunterdrückung o. ä. (Bild[[restaurierung]]).
## [[Segmentierung (Bildverarbeitung)|Segmentierung]] zur Unterteilung des Bildes in homogene Bereiche (gleiche Farbe, gleiche Textur etc.).
## [[Mustererkennung#Merkmalsgewinnung|Merkmalsextraktion]]: Zusammenfassen wichtiger [[Merkmal]]e eines Bildes zu [[Merkmalsvektor]]en.
# [[Musterklassifikation]]
# ''Bildanalyse:'' Aufbauend auf der Musterklassifikation kann eine [[Bilderkennung]] (Relevant ist nur, was zu sehen ist, die Beziehungen der Objekte im Bild untereinander spielen keine Rolle) oder eine Bildinterpretation (nicht nur „Auto“ und „Mensch“ im Bild, sondern die Interpretation, dass das Auto den Menschen überfährt) stattfinden.

Das Bildverarbeitungssystem [[Optoluchs]] aus dem Jahr 1988 gehörte zu den ersten Systemen im Bereich ''Maschinelles Sehen''.

=== Anwendungen von Bildanalyse ===
* [[Bildgebendes Verfahren (Medizin)|Bildgebende Verfahren in der Medizin]]
* [[Mikroskopie]]
* [[Fernerkundung]]
* [[Astrofotografie]]
* [[Wehrtechnik|Verteidigungstechnologie]]
* [[Materialwissenschaft]]
* [[Maschinelles Sehen]]
* [[Optische Notenerkennung|Notenerkennung]]
* [[Sicherheit]]stechnologie, Zugangssysteme etc.
* [[Robotik]]
* [[Texterkennung]]
* [[Preisvergleichsportal|Konsumenteninformation/Preisvergleich]]<ref>[http://www.comparis.ch/pricefinder/app-preisvergleich.aspx Mobiler Preisvergleich mit Bilderkennung/Barcodeleser]</ref>
* [[Metallografie]]

=== Ein komplettes Sprachanalysesystem ===
Hier ist ein beispielhafter, kompletter Aufbau eines Sprachverarbeitungs- und analysesystems gegeben.
Dieses ist grob in zwei Teile geteilt: [[Spracherkennung]] und [[Sprachverarbeitung]]/Sprachanalyse/Sprachverstehen.

# ''Spracherkennung:''
## Abtastung des analogen Sprachsignals meist mit 8 oder 16 kHz, 12 - 16 Bit Quantisierung pro Abtastwert.
## ''Vorverarbeitung:'' Rauschfilter, Entfernung von Abschnitten reiner Stille oder von Hintergrundgeräuschen o. ä.
## ''Merkmalsberechnung:'' Fensterbildung (per [[Fensterfunktion]]): Z. B. wird alle 10 ms ein 16 ms langes Fenster gebildet (Überlappung ist gewollt), auf welchem z. B. per [[MFCC|cepstraler Analyse]] oder per Linearer Vorhersage (LPC, Linear Predictive Coefficients, siehe [[Lineare Vorhersage]]) Merkmale berechnet und zu Merkmalsvektoren zusammengefasst werden. Während der Merkmalsberechnung findet oft noch eine gehörrichtige Verzerrung des Signals statt (siehe [[Psychoakustik]], [[MFCC]], [[Mel-Skala]], [[Bark-Skala]] und [[Ohr]]).
## ''Klassifikation und Suche'': Zuordnung von Merkmalsvektorfolgen zu [[Polyphone Verschlüsselung|Polyphonen]] oder Wörtern per [[Hidden Markov Model]]en (HMM). Es wird ein Wortgraph oder eine Liste der n-besten Wortketten erstellt.
## ''Spracherkennung:'' die ''eigentliche'' Spracherkennung, also die textuelle Repräsentation als Rekonstruktion des wirklich Gesagten, findet als Verbund von akustischem Modell (HMM) und [[Spracherkennung#Sprachmodell|Sprachmodell]] (oft [[N-Gram]]me) statt
# ''Sprachverarbeitung/Sprachanalyse:''
## ''[[Prosodie]]erkennung:'' gibt Hinweise auf prosodische Merkmale der Sprache, wie [[Intonation (Sprachwissenschaft)|Intonation]], [[Akzent (Aussprache)|Akzent]] oder [[Sprechrhythmus|Rhythmus]]. Diese Informationen sind nützlich in weiteren, aufbauenden Analysen zur Auflösung von Mehrdeutigkeiten.
## ''[[Syntax|syntaktische Analyse]]:'' liefert die geparste Äußerung (z. B. mittels [[LR-Parser]]).
## ''[[Semantik|semantische Analyse]]:'' aufbauend auf der syntaktischen Struktur des Parsevorgangs, z. B. in Form eines [[Syntaxbaum]]es, findet eine Bedeutungsanalyse statt
## ''[[Pragmatik (Linguistik)|Pragmatik]]:'' Manchmal ist die Bedeutung eines Satzes nur unter Einbezug des Kontextes wirklich zu verstehen.
## ''Dialogsystem:'' Die interpretierte Äußerung kann nun einem Dialogsystem (z. B. eines Roboters) zugeführt werden, welcher dann fähig ist, per [[Sprachsynthese]] eine passende Antwort zu generieren.

== Repräsentationmöglichkeiten von Wissen ==
Notwendige Voraussetzung für Musteranalysesysteme ist die explizite Repräsentation von [[Wissen]]. Im Gegensatz zur [[Künstliche Intelligenz|Künstlichen Intelligenz]] treten jedoch die Probleme unsicherer Eingabedaten und konkurrierender Hypothesen auf, so dass die Steuerung der Systemaktivitäten von großer Bedeutung ist. Neben KI-Methoden werden auch [[Datenbank]]systeme zur Organisation von Wissen und zur Speicherung von Zwischenergebnissen betrachtet. Zur Bewertung von Hypothesen werden verschiedene Kalküle wie [[Fuzzy Logic]] oder [[Bayessches Netz|Bayes’sche Netze]] benutzt.

=== Qualitative relationale Repräsentationsmöglichkeiten ===
==== Allgemeine Repräsentationsformalismen ====
Allgemein werden häufig [[Semantisches Netz|semantische Netze]] eingesetzt, weil sich mit ihnen intuitiv und übersichtlich [[Wissensbasis|Wissensbasen]] aufbauen lassen. Weiterhin kommen oft Wissensrepräsentationssprachen wie [[KL-ONE]], [[Frames (Wissensrepräsentation)|Frames]] oder [[Prädikatenlogik]] zum Einsatz.

==== Sprachdatenanalyse ====
Im Bereich der Sprachdatenanalyse werden häufig [[formale Grammatik]]en und [[Automat (Informatik)|Automaten]] eingesetzt. Beispielsweise kann die syntaktische Struktur von textuell repräsentierter Sprache mit einem [[LR-Parser]] effizient auf Korrektheit bezüglich einer LR Grammatik überprüft werden, in Kombination mit [[Merkmalsstruktur]]en zugleich auch die Kongruenz von Satzfragmenten bezüglich Kasus, Genus und Numerus per [[Unifikationsgrammatik|Unifikation]].

==== Bilddatenanalyse ====
Eine spezielle (Sprach-) und Bilddatenanalysemethode bietet die semantische Netzwerksprache.

In der [[Bildverarbeitung]] werden attributierte [[Graph (Graphentheorie)|Graphen]] benutzt, um 2D bzw. 3D-Objekte zu repräsentieren. Arbeitet man z. B. auf einer regionenbasierten Segmentierung, so kann man die segmentierten Regionen als Knoten und die Beziehungen zwischen Regionen als Kanten im Graphen darstellen. Als Knotenattribut käme z. B. der Farbwert der Region und als Kantenattribut die Lagerelation wie "unterhalb-von" etc. in Frage. Graphen zu schon bekannten Objekten heißen Modellgraphen, je nach Szenario existiert eine mehr oder weniger große Anzahl an Modellgraphen. Ziel der Objekterkennung ist es nun, eines oder mehrere dieser Modellgraphen im segmentierten Bild zu finden. Ist das segmentierte Bild als Graph repräsentiert, so transformiert sich die Aufgabe zu einem Vergleich aller Modellgraphen mit dem Eingabegraph. Ist im Eingabegraph als Teilgraph ein Modellgraph enthalten, war die Suche erfolgreich. Mathematisch gesehen ist dies die Suche nach [[Subgraph]][[isomorphismus]] mit Fehlerkorrektur.

=== Quantitative Repräsentation von Wissen ===
Hier setzt man numerische [[Klassifikator]]en, [[Markov Random Field]]s und Bayes’sche Netze ein.

== Kontrollstrategien ==
* Heuristische Suche im [[Und-Oder-Baum]]
* Heuristische Suche im [[Zustandsgraph]]
* [[A*]]

== Siehe auch ==
* [[Mustersuche]]
* [[Iris-Erkennung]]

== Literatur ==
* G. Sagerer: ''Automatisches Verstehen gesprochener Sprache.'' (= ''Reihe Informatik.'' Band 74). B.I.-Verlag, Mannheim 1990, ISBN 3-411-14391-6.
* H. Niemann: ''Pattern Analysis and Understanding.'' (= ''Springer Series in Information Sciences.'' Band 4). Berlin 1990, ISBN 3-540-51378-7.
* P. C. Lockemann, J. W. Schmidt (Hrsg.): ''Datenbank-Handbuch.'' Springer, 1987, ISBN 3-540-10741-X.
* A. Pinz: ''Bildverstehen.'' (= ''Lehrbücher der Informatik''). Springer, Wien 1994, ISBN 3-211-82571-1.

== Einzelnachweise ==
<references />

[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Klassifizierung]]
[[Kategorie:Multivariate Statistik]]

Musteranalyse - Versionsgeschichte

imported>Sokrates 399: Typografie.