机器学习和生物识别系统

本文概述

• 无监督学习
• 监督学习
• 强化学习

机器学习是对科学算法的系统研究，它使系统无需进行明确编程即可模拟人类学习活动。机器学习还研究生物特征地形，以模拟个人的识别学习活动。

机器学习使生物特征识别的功能成为可能，并且在生物特征识别中也取得了很大进步。机器学习方法又分为三种类型：无监督学习，监督学习和强化学习。这些方法有助于开发生物识别系统所需的识别，分类，聚类，降维和识别任务。

现在，我们将更深入地了解这三种机器学习方法：

无监督学习

什么是无监督学习？

无监督学习是机器学习的一部分，它从尚未分类，标记或表征的测试数据中进行学习。无监督机器学习不是响应反馈，而是识别数据中的共性，它通过每条新信息中是否存在这种统一性来做出响应。

无监督学习的工作。

• 让我们考虑一个系统，该系统接收一系列不同于????1，????2，????3，…的输入，其中????代表输入，集合????=????????称为与通用数据库或数据集相对应的样本集。输入数据可以是任何东西，包括指纹边缘的总数，眼睛的距离，生物特征识别的手部检查，视网膜上的颜色或图像以及静脉图表示等。
• 在这项技术中，计算机或机器接收到输入????1，，2，????3，…，并根据该输入构建用于决策的表示形式，将结果有效地传达给另一个系统，预测未来的输入，等等
• 无监督学习主要集中在聚类和降维任务上。已经开发了许多算法来实现此目标，但是常规方法有助于决策，如下所示：

1. 期望最大化算法
2. 希伯来语学习方法
3. 卷积神经网络
4. 高斯混合模型

生物识别和无监督学习

无人监督的科学算法是为生物特征识别应用而设计的，这些算法主要通过加密生物特征识别信息，生物特征识别数据提取，特征级融合，行为模式检测等方式，专注于特定数据保护。此外，已经通过使用无监督学习实现的生物识别系统可确保更好的学习策略和注册，从而可以更好地对生物特征进行更好的分类和精确的证明定位。

• 手指静脉图案的无监督学习-可用于全自动手指静脉图案提取。该方法被认为是实现生物特征识别的一种极好的方法。但是，它通常仅用作数据分析，更好的学习策略定义，功能融合（聚类任务）等的初步阶段。可以将其视为改善分类工作的初始数据问题处理方法。无监督学习也可以用于全自动手指静脉模式提取。
• 指纹识别中的无监督学习-通过针对合谋策略调整的迭代Expectation-Maximization算法改进了指纹识别。
• 视网膜模式匹配-Vlachos和Dermatas提出了一种新的无监督聚类算法，称为最近邻居聚类算法（NNCA），该算法已成功用于视网膜血管分割。
• 语音检测-科学家Bahari提出了语音活动检测方法。他介绍了一种分布式能量信号分解方法，以在无线声传感器网络（WASN）的每个源周围定位节点。与K-Means，K-medians和K-medoids算法不同的无监督学习算法用于语音活动源检测。后来，聚类算法已用于从获得的能量信号中提取生物语音特征。

监督学习

什么是监督学习？

监督学习是一种学习功能的现代技术，该功能可从带标签的训练数据中推断角色，该训练数据基于示例输入-输出对将输入映射到输出。在监督学习中，数据由一组训练示例组成，其中每个示例都是一对，其中包括输入向量和所需的输出值或监控信号。监督学习算法研究训练数据并产生一个推断函数，该函数用于映射新示例。

监督学习的工作

• 让我们考虑一个系统，它接收到一系列不同于????1，，2，????3的输入。一个人可以将监督学习与非监督学习区分开，就像在监督学习中一样，期望的输出序列不同于，1，????2，????3，…是系统的目标是从给定的新输入中学习构建正确的输出。
• 根据对生物特征识别的另一项调查的研究，该研究指出，与无监督学习不同，有监督学习还主要在基于生物识别的识别的最后阶段起作用。无监督算法用于发现潜在因素，发现聚类，发现矩阵完成，图结构，而有监督学习则更多地集中在生物识别的分类和回归上。
• 监督学习已被证明在许多生物特征的融合、生物特征数据的分类和回归中是有用的。在监督学习的帮助下，在生物特征识别和识别领域取得了许多成功的成果。最近，通过使用一种有用的深度神经网络(DNN)结构和学习方法，开发了一种准确率高达97.35%的方法，该方法利用广泛的带标记的人脸数据集来获得可很好地推广到其他数据集的人脸表示。

生物识别和监督学习

通过使用大量算法，监督学习已为众多生物识别应用服务。与仅在生物识别应用中仅使用K-means算法的无监督学习相反，有监督的教学主要为生物识别模式分类提供了多种方法。监督学习的几种算法如下：

• 卷积神经网络（CNN）
• 内核方法（SVM，内核感知器）
• 决策树
• 逻辑回归

人脸识别-监督学习的“决策树”算法被应用于精确的人脸识别生物特征识别。根据最新的调查结果，该算法在FERET数据集上的最大准确率为100%，在CAS-PEALR1数据集上的最大准确率为99%。

语音情感分类-为独立的说话人验证，使用“支持向量机(SVM)”算法。根据所选择的技术，语音情感识别的基线准确度约为50%至90%。

面部情绪识别-“核感知器”学习方法用于面部情绪生物识别。在JAFFE数据集上，分类器识别6种不同情绪的效率为98.6%。

强化学习

强化学习是一种动态机器学习编程，可以系统地学习执行新任务并使用奖惩系统来训练算法。这种学习技术与软件代理有关，后者在实时环境中采取必要的操作以最大化累积奖励的概念。

强化学习算法基于孩子用来学习新任务的相同概念。同样，该算法通过与环境交互来学习。软件代理会通过正确执行来自动获得奖励，而错误执行则会受到惩罚。代理被编程为仅通过最大化其补偿并最小化其惩罚来确定没有人干预的情况。

强化学习的工作

• 在强化学习中，机器通过产生诸如????1，，2，????3，…，an等动作与环境互动。这些动作会影响情况的状态，并导致机器收到标量奖励????1，????2，…，rn或惩罚p1，p2，p3 …..，pn。
• 作为学习问题，它是指学习控制系统以最大化某个数值，这代表了长期目标。
• 强化学习基于这样的观念，即如果在某项行动之后进行改进，那么产生该行动的趋势就会增强，否则就不会采取行动。

强化学习和生物识别

强化学习似乎比监督学习和无监督学习更具通用性。它对于无监督劳动和有监督劳动都是有用的。但是，强化学习仅限于合理的低维度问题。但是事实证明，深度强化学习（DRL）对于解决此问题很有用。尽管DRL取得了成功，但在将这些技术应用于各种复杂的实际问题之前，仍需要解决许多问题。