Upload
vudat
View
229
Download
0
Embed Size (px)
Citation preview
- 1 - Signalverarbeitung 2 Volker Stahl
Signalverarbeitung 2 Signalverarbeitung 2 Volker Stahl
- 2 - Signalverarbeitung 2 Volker Stahl
Spracherkennung gestern
… und morgen
- 3 - Signalverarbeitung 2 Volker Stahl
Klassifikation von Signalen, Mustererkennung z.B. Sprache, Gestik, Handschrift, EKG, Verkehrssituationen, …
Ziel
Vorverarbeitung: Berechnung von Merkmalvektoren
…
Klasse 2
Klasse n
Klasse 1
Klassifikation: Vergleich mit Referenzmustern
Sensor Signal
- 4 - Signalverarbeitung 2 Volker Stahl
Abstandsmaß für Vektorfolgen unterschiedlicher Länge Dynamische Zeitverzerrung, Dynamische Programmierung
Inhalt
Berechnung eines Referenzmusters aus mehreren Beispielen Mittelwert, Varianz, Mahalanobis Abstand
Zufallsvariablen Modellieren von Unsicherheit, Normalverteilung
Hidden Markov Modelle, Lernen aus Beispielen Viterbi Training, Expectation Maximization (EM), k-means Algorithmus, Mischverteilungen
Statistische Abhängigkeit, Kovarianz Vermeiden von Fehlklassifikationen, n-dimensionale Normalverteilung
- 5 - Signalverarbeitung 2 Volker Stahl
Maximum Likelihood Schätzung Theoretischer Hintergrund statistischer Lernverfahren
Inhalt (optional)
Dekorrelation, Hauptachsentransformation Vereinfachung des Klassifikationsproblems durch Vorverarbeitung
- 6 - Signalverarbeitung 2 Volker Stahl
Ilias bzw. http://mitarbeiter.hs-heilbronn.de/~vstahl
Vorlesungsunterlagen
Folien der Vorlesung
Übungsaufgaben
Daten für Experimente
Literaturhinweise
- 7 - Signalverarbeitung 2 Volker Stahl
Vorlesungsbegleitendes Programmierprojekt Entwicklung eines zuverlässigen Klassifikators Sukzessive Verbesserung, Hausaufgaben Programmiersprache C oder Matlab Abgabe in letzter Vorlesungswoche (Ausarbeitung und Software)
Leistungsnachweis
- 8 - Signalverarbeitung 2 Volker Stahl
Elementare Einführung in die Wahrscheinlichkeitsrechnung Karl Bosch (E-Book, 519.Bosch)
Literatur
Elementare Einführung in die angewandte Statistik Karl Bosch (519.Bosch)
Mustererkennung mit Markov-Modellen – Theorie, Praxis, Anwendungsgebiete Gernot A. Fink (621.841 Fin)
Pattern Classification and Scene Analysis Richard O. Duda, Peter E. Hart (519.Dud)
Mathematical Methods and Algorithms for Signal Processing Todd K. Moon, Wynn C. Stirling
The Elements of Statistical Learning Trevor Hastie, Robert Tibshirani, Jerome Friedman (519.Has)
- 9 - Signalverarbeitung 2 Volker Stahl
Beispiel: DARPA Grand Challenge
1957 „Sputnik Schock“
Gründung der ARPA 1958 (Advanced Research Projects Agency) als Behörde des US Verteidigungsministeriums DARPA (1972-1993), ARPA (1993-1996), DARPA (1996-…) Aktuelles Budget ≈ 3 Mrd. $
- 10 - Signalverarbeitung 2 Volker Stahl
Beispiel: DARPA Grand Challenge
1969 Arpanet
Weitere Projekte: Tarnkappentechnologie, GPS, …
Grand Challenge 2004, Mohave Wüste Nevada, 241km.
Grand Challenge 2005 Urban Challenge 2007
- 11 - Signalverarbeitung 2 Volker Stahl
- 12 - Signalverarbeitung 2 Volker Stahl
- 13 - Signalverarbeitung 2 Volker Stahl
- 14 - Signalverarbeitung 2 Volker Stahl
Military Bioengineering & Human Enhancing … Das Ziel heißt „Human Enhancing“, Soldaten sollen mit Hilfe von Drogen, Genen und Mikrochips schneller, härter und kampffähiger werden – ein Motto, dem sich die Darpa mit viel Geld und Know-How widmet.
Continuous Assisted Performance … „mit biotechnologischen Mitteln (Implantaten, Manipulation des Stoffwechsels, etc.)“ erreichen, dass Soldaten bis zu sieben Tage lang wach bleiben können, ohne dabei den Verstand zu verlieren.
Brain Machine Interfaces … ein Programm, für das der Darpa zurzeit 24 Millionen Dollar zur Verfügung stehen. Ziel von „Brain Machine Interfaces“ (Hirn-Maschine-Schnittstellen) ist es, aus menschlichen Gehirnen Informationen zu gewinnen, die für Computer verwertbar sind – Chips im Kopf sollen Panzer oder Hubschrauber oder auch den Soldaten steuern, dem sie implantiert wurden. … „Stellen Sie sich eine Zeit vor, in der Soldaten allein mittels Gedanken kommunizieren, stellen sie sich eine Zeit vor, in der menschliche Gehirne ihre eigenen drahtlosen Modems besitzen – statt auf der Basis von Gedanken zu handeln, haben Kampfflugzeuge dann Gedanken, die handeln.“
Aktuelle DARPA Projekte (Quelle: http://de.wikipedia.org/wiki/DARPA, Download 20.11.2010)
- 15 - Signalverarbeitung 2 Volker Stahl
(Quelle: Zeit Online, Download 8.10.2011)
- 16 - Signalverarbeitung 2 Volker Stahl
Beispiel Schriftzeichenerkennung
Mustererkennung
A
- 17 - Signalverarbeitung 2 Volker Stahl
Erkennen heißt Klassifizieren
Gegeben:
Signal (bzw. daraus berechnete Merkmale): Muster Endlich viele Klassen
Gesucht:
Klasse, zu der das Signal „gehört“.
Beispiele: Buchstabenerkennung
Visuelle Qualitätskontrolle (ok, Ausschuss) Spracherkennung (Phonemerkennung, Worterkennung)
Medizinische Diagnostik (Röntgenbilder, EKG, …) …
- 18 - Signalverarbeitung 2 Volker Stahl
Klassifizieren heißt Vergleichen mit Bekanntem
Gegeben:
Zu klassifizierendes Muster Ein Referenzmuster zu jeder Klasse
Gesucht: Die Klasse, deren Referenzmuster am „ähnlichsten“ zu dem zu klassifizierenden Muster ist.
Problem: „Geeignetes“ Ähnlichkeitsmaß zwischen Mustern?
- 19 - Signalverarbeitung 2 Volker Stahl
A Referenzmuster Klasse A:
Referenzmuster Klasse B: B
Beispiel Schriftzeichenerkennung
Zu klassifizierendes Muster: A
Ähnlichkeits- / Abstandsmaß?
- 20 - Signalverarbeitung 2 Volker Stahl
Vorverarbeitung Berechnung trennscharfer Merkmale eines Musters: Merkmalvektoren.
Folge von Merkmalvektoren
Vorverarbeitung ist anwendungsabhängig! Unterschiedliche Merkmale für Sprache, Gesten, Handschrift, Bilder, …
Zeitsignal (Sprache, Gesten, EKG…)
- 21 - Signalverarbeitung 2 Volker Stahl
Abstandsmaß zwischen Folgen von Merkmalvektoren
Referenzmuster Klasse A:
Referenzmuster Klasse B:
Zu klassifizierendes Muster:
- 22 - Signalverarbeitung 2 Volker Stahl
Euklidischer Abstand
- 23 - Signalverarbeitung 2 Volker Stahl
Referenzmuster Klasse A:
Referenzmuster Klasse B:
Zu klassifizierendes Muster:
Abstandsmaß für unterschiedlich lange Folgen?
- 24 - Signalverarbeitung 2 Volker Stahl
Referenz
Test
Matching
- 25 - Signalverarbeitung 2 Volker Stahl
Darstellung als Pfad in einem Suchgitter
Refe
renz
Test
Test
Referenz
- 26 - Signalverarbeitung 2 Volker Stahl
Einschränkungen beim Matching
Jedem Testvektor muss genau ein Referenzvektor zugeordnet werden! (Zuordnungsfunktion)
Verboten!
Zeitliche Reihenfolge muss beibehalten werden! (Monotone Zuordnungsfunktion)
Verboten!
dreihundertzwei
zweihundertdrei
- 27 - Signalverarbeitung 2 Volker Stahl
Einschränkungen beim Matching
Die ersten und letzten Vektoren müssen einander zugeordnet werden!
Erzwungen!
Keine zwei aufeinanderfolgenden Referenzvektoren dürfen übersprungen werden!
Verboten!
…
… hoch
Siebenundzwanzig
Fachhochschule
Siebenhundertfünfundzwanzig
- 28 - Signalverarbeitung 2 Volker Stahl
Gesucht: Pfad durch Gitter mit minimalen Kosten
von links unten nach rechts oben monoton steigend maximale Steigung 2 (einen Referenzvektor überspringen)
Refe
renz
Test
- 29 - Signalverarbeitung 2 Volker Stahl
Konsequenz: Nur 3 Arten von Übergängen im Gitter
Next Übergang
Loop Übergang
Skip Übergang
- 30 - Signalverarbeitung 2 Volker Stahl
Berechnung des optimalen Pfades Viterbi Algorithmus:
- 31 - Signalverarbeitung 2 Volker Stahl
- 32 - Signalverarbeitung 2 Volker Stahl
- 33 - Signalverarbeitung 2 Volker Stahl
- 34 - Signalverarbeitung 2 Volker Stahl
- 35 - Signalverarbeitung 2 Volker Stahl
- 36 - Signalverarbeitung 2 Volker Stahl
- 37 - Signalverarbeitung 2 Volker Stahl
- 38 - Signalverarbeitung 2 Volker Stahl
Verbesserung: Mehrere Referenzmuster pro Klasse
Referenzmuster einer Klasse:
Mittelwert für die Klasse: Modell
Zustände
- 39 - Signalverarbeitung 2 Volker Stahl
Problem: Referenzfolgen einer Klasse unterschiedlich lang
Lösung: Alle Referenzvektorfolgen einer Klasse auf ein gemeinsames Modell fester Länge matchen!
Referenzmuster einer Klasse:
- 40 - Signalverarbeitung 2 Volker Stahl
Überblick:
Bestimme Modell Länge Matching (Annahme lineare Zeitverzerrung) Initiale Schätzung der Modellvektoren
Matching (dynamische Zeitverzerrung, Viterbi) Neuberechnung der Modellvektoren
Iteriere
Viterbi Training eines Modells
- 41 - Signalverarbeitung 2 Volker Stahl
Wahl der Modell Länge
Modell zu lang!
Wahl der Modell Länge z.B. ½ × Median der Längen der Referenzvektorfolgen
- 42 - Signalverarbeitung 2 Volker Stahl
Lineare Segmentierung
Lineare Zuordnung der Merkmalvektoren einer Referenzaufnahme zu den Modellzuständen.
Mod
ell
Referenzmuster
- 43 - Signalverarbeitung 2 Volker Stahl
Beispiel
Referenzmuster einer Klasse (gegeben)
Modell für die Klasse (gesucht)
Länge 6
Länge 7
Länge 3
- 44 - Signalverarbeitung 2 Volker Stahl
Lineare Segmentierung
- 45 - Signalverarbeitung 2 Volker Stahl
Initiale Schätzung der Modellvektoren
Modellvektor = Mittelwert über alle Referenzvektoren, die dem Modellzustand zugeordnet wurden
- 46 - Signalverarbeitung 2 Volker Stahl
Matchen der Referenzfolgen gegen das Modell mit Viterbi Algorithmus (Segmentierung)
- 47 - Signalverarbeitung 2 Volker Stahl
Neuschätzung der Modellvektoren Modellvektor = Mittelwert über alle Referenzvektoren, die dem Modellzustand zugeordnet wurden
Matching mit neuem Modell, Modell neu schätzen aus neuer Zuordnung
Iteration:
- 48 - Signalverarbeitung 2 Volker Stahl
Zahlenbeispiel