A methodology for constructive development of a syntactic pattern recognition machine (SPRM) using reinforcement learning principles

Abstract

Sözdizimsel örüntü tanıma yapay zekanın günümüzdeki en önemli parçalarından biridir. Sonlu özdevinirin bulunması örüntü tanıma alanındaki ilerlemelere hız kazandırmıştır. Örüntü tanıma sorunlarının çoğu için özdevinir elle kurulmuş ve ayarlanmıştır. Özdevinirin otomatik elde edilmesi, gürültülü ve eksik veriler ile başa çıkmayı sağlarken, işlemi, elle kuruluşu gibi, kullanışsız ve zaman alıcı bir iş olmaktan çıkarır.Bu çalışma gürültülü ve eksik veriler içeren sinyal serilerinin incelenmesi için, sağlam ve uyarlanabilir bir araç tasarlamayı hede emektedir. Çalışma, alfabenin neden olabileceği her diziyi tanıyabilecek bir özdevinir ile başlar, ve gittikçe, daha özel serileri kabul edecek özdeviniri bulmayı hede eyen bir arama algoritmas gibi devam eder. Öğrenme devam ettikçe, özdevinir, sunulan veri dizisindeki gizli örünüye daha da çok benzeyerek, arama algoritmasının bir genel minimuma doğru yaklaşmas na neden olmaktadır.Yöntem, değişen markov süreçlerin öğrenilmesini ve yakın periyotların ayrılmasını başarıyla sağlamıştır ve ortalama gürültü seviyesi için yüksek başarımlar göstermiştir. Gürültü seviyesinin artması, kullanılan alfabenin az elemanlı olması, ve periyot boyunun uzaması başarı oranının düşmesine neden olmaktadır.

One of the today's most important titles in artificial intelligence is syntactic pattern recognition. Invention of finite automata accelerated the progress in this field. Automatically construction of the automaton solves the problems requiring dealing with a diversity of noisy and imperfect structures of data, which is cumbersome and time consuming when performed manually.This work tries to provide tools that is robust and adaptive in analysis of noisy and imperfect signal sequences. Learning starts with an automaton that accepts every sequence that the used alphabet can lead, and continues like a search algorithm to find more and more specific automatons. As learning continues the automaton resembles to the specific pattern that is hidden in the presented data sequence.The method learns multiple-degree Markovian processes and classifies very similar periods successfully, and shows high success rates for moderate noise levels. The success rate of the algorithm decreases as the noise rate increases, used alphabet size decreases and the length of the period increases.