Cycle detection in noisy signals by constructive automata: An adaptive syntactic approach to pattern recognition

Abstract

ÖZETBÜYÜYEN ÖZDEV N R LE GÜRÜLTÜLÜ SINYALLERDEDÖNGÜ BULMA: SÖZD Z MSEL ÖRÜNTÜ TANIMAYA, UYUMLUYAKLAŞIMYapay zekanın günümüzdeki en önemli parçalardan biri sözdizimsel örüntütanımadır. Sonlu özdevinirin bulunmasından sonra örüntü tanıma büyük derecede gelişmegöstermiştır. Örüntü tanıma sorunların çoğu için özdevinir elle kurulabilir veayarlanabilir; fakat teknolojideki gelişimler daha karmaşık sorunları çözebilmek içingelişmiş araçları sunar. Bu sorunlar için özdevinirin elle kuruluşu kullanışsız ve zamanalıcı bir iştir. Ayrıca, bu sorunların çoğu gürültülü ve eksik veriler ile başa çıkmayıgerektirir. Bu tip veriler için güçlü ve uyumlu analiz aracına ihtiyaç doğar. Böyle birverilerin analizi için büyüyen özdevinir kullanışlı bir araçtır. Özdevirinin kurulması tekdurumdan başlar ve, büyüme sırasında kullanılmış ham veriden öğrenilen örüntüyütanıyabilen, son durumunu alan özdevinirle tamamlanır. Bu yaklaşım, ham verilerinbüyük miktarlarda kolaylıkla elde edilebildiği, ve sadece gürültülü değil, zamanı veyapıyı değişenler sorunlar için uygundur.Bu çalışmada anlatılan yaklaşım tek boyutlu yapıları irdelendi. Özdevinir, sunulanveri dizisinde saklı olan örüntüyü tanımak için geliştirildi. Yaklaşımda, gürültülü diziüreteç tarafından üretilen ilkellerin sentetik dizisi kullanıldı, çünkü bu çalışmanın amacıgerçek dünya verileri tanımakta kullanılmak üzere tasarlanmış bu yöntemin başarımınıölçmektedir.Ocak, 2006 Aleksei USTIMOV

ABSTRACTCYCLE DETECTION IN NOISY SIGNALS BY CONSTRUCTIVEAUTOMATA: AN ADAPTIVE SYNTACTIC APPROACH TOPATTERN RECOGNITIONSyntactic pattern recognition is one of the today?s most important titles in artificialintelligence. Pattern recognition has developed a great deal after invention of the finiteautomata. Automata can be created and tuned manually for most problems in patternrecognition; but advances in technology provide powerful tools for solving morecomplicated problems. Manually creating an automaton for use in such problems is acumbersome and time consuming job. Many of these problems require dealing with adiversity of noisy and imperfect structures of data. This type of data arises the need for arobust and adaptive medium of analysis. Constructive automata are useful tools foranalysis of such data. Construction of an automaton starts with a single state and ends upwith a full automaton that is able to recognize a pattern learned from the raw datapresented during the construction. This approach suits best those problems where rawdata is easily available in vast amounts, and it is not only noisy, but also subject and time-varying.The approach discussed in this work assumed patterns with 1-D sequentialstructures. The automaton was constructed for recognition of a specific pattern (cycle)that was hidden in presented data sequence. In this work we used synthetic sequences ofprimitives, generated by a noisy sequence generator, since our goal was to determine theperformance of the method which will ultimately be used in recognition of real worlddata in the future.