imported>Fährtenleser: /* Mustererkennung beim Menschen */

2025-07-17T05:09:58Z

Mustererkennung beim Menschen

Neue Seite

'''Mustererkennung''' (''{{lang|en|Pattern Recognition}}'') ist die Fähigkeit, in einer Menge von Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten zu erkennen. Dieses Leistungsmerkmal höherer kognitiver Systeme wird für die menschliche [[Wahrnehmung]] von [[Kognitionswissenschaften]] wie der [[Wahrnehmungspsychologie]] erforscht, für Maschinen hingegen von der [[Informatik]].

Typische Beispiele für die zahllosen Anwendungsgebiete sind [[Spracherkennung]], [[Texterkennung]] und [[Gesichtserkennung]], Aufgaben, die die menschliche Wahrnehmung andauernd und offensichtlich mühelos erledigt. Die elementare Fähigkeit der [[Klassifizierung]] ist jedoch auch der Grundstein von [[Begriffsbildung]], [[Abstraktion]] und [[Induktion (Denken)|(induktivem) Denken]] und damit letztlich von [[Intelligenz]], sodass die Mustererkennung auch für allgemeinere Gebiete wie die [[Künstliche Intelligenz]] oder das [[Data-Mining]] von zentraler Bedeutung ist.

== Mustererkennung beim Menschen ==
Diese Fähigkeit bringt Ordnung in den zunächst chaotischen Strom der [[Perzept|Sinneswahrnehmungen]]. Mit Abstand am besten untersucht wurde die Mustererkennung bei der [[visuelle Wahrnehmung|visuellen Wahrnehmung]]. Ihre wichtigste Aufgabe ist die Identifikation (und anschließende [[Kategorisierung (Kognitionswissenschaft)|Klassifizierung]]) von Objekten der Außenwelt (s. [[Objekterkennung]]).<ref>E. Bruce Goldstein: ''Wahrnehmungspsychologie''. Spektrum Akademischer Verlag, Heidelberg 2002, ISBN 3-8274-1083-5</ref>

In der [[Wahrnehmungspsychologie]] unterscheidet man zwei Hauptansätze zur Erklärung der Mustererkennung: die „Schablonentheorien“ (''template theories'') und die „Merkmalstheorien“ (''feature theories''). Die Schablonentheorien gehen davon aus, dass wahrgenommene Objekte mit bereits im [[Langzeitgedächtnis]] abgelegten Objekten verglichen werden, während die Merkmalstheorien auf der Annahme beruhen, dass wahrgenommene Objekte analysiert und anhand ihrer „Bauelemente“ identifiziert werden. Zwei der umfangreichsten Merkmalstheorien sind die „Computational Theory“ von [[David Marr]] und die Theorie der geometrischen Elemente („Geons“) von [[Irving Biederman]].

== Mustererkennung in der Informatik ==
Die Informatik untersucht Verfahren, die gemessene Signale automatisch in Kategorien einordnen. Zentraler Punkt ist dabei das Erkennen von [[Muster]]n, den [[Feature (Maschinelles Lernen)|Merkmalen]], die allen Dingen einer Kategorie gemeinsam sind und sie vom Inhalt anderer Kategorien unterscheiden. Mustererkennungsverfahren befähigen Computer, Roboter und andere Maschinen, statt präziser Eingaben auch die weniger exakten Signale einer natürlichen Umgebung zu verarbeiten.

Erste systematische Untersuchungsansätze der Mustererkennung kamen Mitte der 1950er Jahre mit dem Wunsch auf, Postzustellungen maschinell statt von Hand zu sortieren. Als Durchbrüche wurden die Nutzbarmachung von [[Support Vector Machine]]s und [[Künstliches neuronales Netz|künstlichen neuronalen Netzen]] in den späten 1980er Jahren empfunden. Obwohl viele der heutigen Standardverfahren schon sehr früh entdeckt wurden, wurden sie erst nach erheblichen methodischen Verfeinerungen und der generellen Leistungssteigerung handelsüblicher Computer alltagstauglich.

=== Ansätze ===
Man unterscheidet heute drei prinzipielle Ansätze der Mustererkennung: Syntaktische, statistische und strukturelle Mustererkennung. Obwohl sie auf unterschiedlichen Ideen beruhen, erkennt man bei genauerer Betrachtung Gemeinsamkeiten, die so weit gehen, dass ein Verfahren der einen Gruppe ohne nennenswerten Aufwand in ein Verfahren der anderen Gruppe überführt werden kann. Von den drei Ansätzen ist die syntaktische Mustererkennung die älteste, die statistische die meistgenutzte und die strukturelle die für die Zukunft aussichtsreichste.

==== Syntaktisch ====
Ziel der syntaktischen Mustererkennung ist es, Dinge so durch Folgen von Symbolen zu beschreiben, dass Objekte der gleichen Kategorie dieselben Beschreibungen aufweisen. Möchte man etwa Äpfel von Bananen trennen, so könnte man Symbole für rot (R) und gelb (G) sowie für länglich (L) und kugelförmig (K) einführen; alle Äpfel würden dann durch die Symbolfolge RK und alle Bananen durch das [[Wort (theoretische Informatik)|Wort]] GL beschrieben. Das Problem der Mustererkennung stellt sich in diesem Fall als Suche nach einer [[Formale Grammatik|formalen Grammatik]] dar, also nach einer Menge von Symbolen und Regeln zum Zusammenfügen derselben. Da für gewöhnlich eine klare Zuordnung zwischen Merkmal und Symbol nicht ohne weiteres möglich ist, kommen hier Methoden der [[Wahrscheinlichkeitsrechnung]] zum Einsatz. So kommen beispielsweise Farben in unzähligen Abstufungen vor, man muss jedoch eine präzise Unterscheidung zwischen rot und gelb vornehmen. Bei komplexen Sachverhalten wird damit das eigentliche Problem nur hinausgezögert statt gelöst, weshalb dieser Ansatz nur noch wenig Beachtung findet und nur bei sehr klaren Aufgabenstellungen zum Einsatz kommt.

==== Statistisch ====
In diesen Bereich fällt der größte Teil der heutigen Standardmethoden, insbesondere die oben erwähnten [[Support Vector Machine]]s und künstlichen neuronalen Netze. Ziel ist es hier, zu einem Objekt die Wahrscheinlichkeit zu bestimmen, dass es zur einen oder anderen Kategorie gehört und es letztlich in die Kategorie mit der höchsten Wahrscheinlichkeit einzusortieren. Statt Merkmale nach vorgefertigten Regeln auszuwerten, werden sie hier einfach als Zahlenwerte gemessen und in einem sogenannten ''Merkmalsvektor'' zusammengefasst. Eine mathematische Funktion ordnet dann jedem denkbaren Merkmalsvektor eindeutig eine Kategorie zu. Die große Stärke dieser Verfahren liegt darin, dass sie auf nahezu alle Sachgebiete angewandt werden können und keine tiefergehende Kenntnis der Zusammenhänge vonnöten ist.

==== Strukturell ====
Die strukturelle Mustererkennung verbindet verschiedene syntaktische und/oder statistische Verfahren zu einem einzigen neuen Verfahren. Ein typisches Beispiel ist die Gesichtserkennung, bei der für verschiedene Gesichtsteile wie Auge und Nase unterschiedliche Klassifikationsverfahren eingesetzt werden, die jeweils nur aussagen, ob der gesuchte Körperteil vorliegt oder nicht. Übergeordnete strukturelle Verfahren wie etwa [[Bayes’sches Netz|Bayes’sche Netze]] führen diese Einzelergebnisse zusammen und berechnen daraus das Gesamtergebnis, die Kategoriezugehörigkeit. Die grundlegende Merkmalserkennung wird dabei allgemeinen statistischen Verfahren überlassen, während übergeordnete ''Inferenzverfahren'' Spezialwissen über das Sachgebiet einbringen. Strukturelle Verfahren kommen besonders bei sehr komplexen Sachverhalten wie der [[Computerassistierte Detektion|Computer-assisted Detection]], der computergestützten ärztlichen Diagnosestellung, zum Einsatz.

=== Teilschritte der Mustererkennung ===
Ein Mustererkennungsprozess lässt sich in mehrere Teilschritte zerlegen, bei denen am Anfang die Erfassung und am Ende eine ermittelte Klasseneinteilung steht. Bei der ''Erfassung'' werden Daten oder Signale mittels ''[[Sensor]]en'' aufgenommen und [[Digitalisierung|digitalisiert]]. Aus den meist analogen Signalen werden ''Muster'' gewonnen, die sich mathematisch in [[Vektor]]en, sogenannten [[Merkmalsvektor]]en, und [[Matrix (Mathematik)|Matrizen]] darstellen lassen. Zur Datenreduktion und zur Verbesserung der Qualität findet eine ''Vorverarbeitung'' statt. Durch Extraktion von Merkmalen werden die Muster bei ''Merkmalsgewinnung'' anschließend in einen Merkmalsraum transformiert. Die Dimension des Merkmalsraums, in dem die Muster nun als Punkte repräsentiert sind, wird bei der ''Merkmalsreduktion'' auf die wesentlichen Merkmale beschränkt. Der abschließende Kernschritt ist die ''Klassifikation'' durch einen ''Klassifikator'', der die Merkmale verschiedenen ''Klassen'' zuordnet. Das [[Klassifikationsverfahren]] kann auf einem ''Lernvorgang'' mit Hilfe einer ''Stichprobe'' basieren.

[[Datei:Mustererkennung Schema.svg|Schematischer Aufbau eines Mustererkennungssystems]]

==== Erfassung ====
''Siehe auch'': [[Signalverarbeitung]], [[Messung]], [[Digitalisierung]] und [[Messtechnik]]

==== Vorverarbeitung ====
Um Muster besser erkennen zu können, findet in der Regel eine Vorverarbeitung statt. Die Entfernung bzw. Verringerung unerwünschter oder irrelevanter Signalbestandteile führt nicht zu einer Reduktion der zu verarbeitenden Daten, dies geschieht erst bei der Merkmalsgewinnung. Mögliche Verfahren der Vorverarbeitung sind unter anderem die [[Signalmittelung]], Anwendung eines [[Schwellenwert (Elektronik)|Schwellenwertes]] und Normierung. Gewünschte Ergebnisse der Vorverarbeitung sind die Verringerung von [[Rauschen (Physik)|Rauschen]] und die Abbildung auf einen einheitlichen Wertebereich.

==== Merkmalsgewinnung ====
Nach der Verbesserung des Musters durch Vorverarbeitung lassen sich aus seinem Signal verschiedene Merkmale gewinnen. Dies geschieht in der Regel [[empirisch]] nach durch Intuition und Erfahrung gewonnenen Verfahren, da es wenige rein analytische Verfahren (z. B. die Automatische Merkmalsynthese) gibt. Welche Merkmale wesentlich sind, hängt von der jeweiligen Anwendung ab. Merkmale können aus Symbolen beziehungsweise Symbolketten bestehen oder mit statistischen Verfahren aus verschiedenen [[Skalenniveau]]s gewonnen werden. Bei den numerischen Verfahren unterscheidet man Verfahren im Originalbereich und Verfahren im ''Spektralbereich''. Mögliche Merkmale sind beispielsweise

* Kennzahlen der [[Verteilungsfunktion]]
* [[Moment (Stochastik)|Momente]] wie [[Erwartungswert]] und [[Varianz (Stochastik)|Varianz]]
* [[Korrelation]] und [[Faltung (Mathematik)|Faltung]]

Mittels Transformationen wie der [[Diskrete Fourier-Transformation|diskreten Fourier-Transformation]] (DFT) und [[Diskrete Kosinustransformation|diskreten Kosinustransformation]] (DCT) können die ursprünglichen Signalwerte in einen handlicheren Merkmalsraum gebracht werden. Die Grenzen zwischen Verfahren der Merkmalsgewinnung und Merkmalsreduktion sind fließend. Da es wünschenswert ist, möglichst wenige aber dafür umso aussagekräftigere Merkmale zu gewinnen, können Beziehungen wie die [[Kovarianz (Stochastik)|Kovarianz]] und der [[Korrelationskoeffizient]] zwischen mehreren Merkmalen berücksichtigt werden. Mit der [[Karhunen-Loève-Transformation]] (Hauptachsentransformation) lassen sich Merkmale dekorrelieren.

==== Merkmalsreduktion ====
Zur Reduktion der Merkmale auf die für die Klassifikation wesentlichen wird geprüft, welche Merkmale für die Klassentrennung relevant sind und welche weggelassen werden können. Verfahren der Merkmalsreduktion sind die [[Varianzanalyse]], bei der geprüft wird, ob ein oder mehrere Merkmale Trennfähigkeit besitzen, und die [[Diskriminanzanalyse]], bei der durch Kombination von elementaren Merkmalen eine möglichst geringe Zahl trennfähiger nichtelementarer Merkmale gebildet wird.

==== Klassifizierung ====
Der letzte und wesentliche Schritt der Mustererkennung ist die [[Klassifizierung]] der Merkmale in Klassen. Dazu existieren verschiedene [[Klassifikationsverfahren]].

Lebewesen benutzen zur Mustererkennung in den [[Signal]]en unserer Sinne meist [[Neuronales Netz|Neuronale Netze]]. Diese Herangehensweise wird in der [[Bionik]] analysiert und imitiert. Die [[Neuroinformatik]] hat gezeigt, dass durch [[Künstliches neuronales Netz|künstliche neuronale Netze]] Lernen und Erkennung komplexer Muster möglich sind, auch ohne dass vorher eine Regelabstraktion in oben gezeigter Art erfolgt.

Im Anschluss an die Klassifizierung des Musters kann versucht werden, das Muster zu interpretieren. Dies ist Gegenstand der [[Musteranalyse]]. In der [[Bildverarbeitung]] kann auf die Klassifizierung von Bildern eine sogenannte [[Bilderkennung]] folgen, also die bloße Erkennung von Objekten in einem Bild ohne Interpretation oder Analyse von Zusammenhängen zwischen diesen Objekten.

== Siehe auch ==
* [[Gestalttheorie]]
* [[Gestalt Pattern Matching]]
* [[Maschinelles Lernen]]
* [[Neuronales Netz|Neuronale Netze]]
* [[Bilderkennung]]
* [[Grafische Datenverarbeitung]]

== Literatur ==
* [[Michail Moissejewitsch Bongard|M. M. Bongard]]: ''Pattern recognition''. Spartan Books, New York 1970.
* Richard O. Duda, Peter E. Hart, David G. Stork: ''Pattern classification''. Wiley, New York 2001, ISBN 0-471-05669-3.
* J. Schuermann: ''Pattern Classification – A Unified View of Statistical and Neural Approaches''. Wiley, New York 1996, ISBN 0-471-13534-8.
* K. Fukunaga: ''Statistical Pattern Recognition''. Academic Press, New York 1991, ISBN 0-12-269851-7.
* [[Michael W. Eysenck|M. Eysenck]], M. Keane: ''Cognitive Psychology''. Psychology Press, Hove, 2000.
* H. Niemann: ''Klassifikation von Mustern''. Springer, Berlin 1983, ISBN 3-540-12642-2. ([http://www5.informatik.uni-erlangen.de/fileadmin/Persons/NiemannHeinrich/klassifikation-von-mustern/m00links.html online]).
* [[Christopher M. Bishop]]: ''Pattern Recognition and Machine Learning''. Springer, Berlin 2006, ISBN 0-387-31073-8. ([http://research.microsoft.com/~cmbishop/PRML/ online]).
* Monique Pavel: ''Fundamentals of pattern recognition''. 2. Auflage. Dekker, New York 1993, ISBN 0-824-78883-4.

== Weblinks ==
* [http://www.dagm.de/ Deutsche Arbeitsgemeinschaft für Mustererkennung]
* [https://www.iosb.fraunhofer.de/de/ueber-uns/standorte/anfahrt-standort-ettlingen.html Forschungsinstitut für Optronik und Mustererkennung]
* [http://www.jprr.org/ Journal of Pattern Recognition Research]

== Einzelnachweise ==
<references />

{{Normdaten|TYP=s|GND=4040936-3|LCCN=|NDL=|VIAF=}}

[[Kategorie:Wahrnehmung]]
[[Kategorie:Allgemeine Psychologie]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:Multivariate Statistik]]
[[Kategorie:Klassifizierung]]

Mustererkennung - Versionsgeschichte

imported>Fährtenleser: /* Mustererkennung beim Menschen */