系统开发的核心是算法，机器学习提供新思路

您当前位置：首页 > 中为资讯 > 机械设备 > 　正文

来源：中为咨询www.zwzyzx.com 【日期：2016-09-30 10:57:56】【打印】【关闭】

相关报告

机器视觉算法就是对输入的图像进行处理，从中提取所需信息的方法和步骤。但是，传统视觉算法开发流程在复杂应用场景下显得力不从心。

传统算法的分析、设计和实现是工程化的，具有如下特征：

1)使用已知原理来构造解决方案，实现的步骤明确、处理的结果确定。即使通过笨方法（穷举或遍历）一步一步来也可以解决问题。因此这种算法把高效的求解作为主要研究内容，这个效率可以是计算时间更短，也可以是计算过程所需的硬件资源更少；

2)对算法的期望特性、所处理的主要问题和执行过程都有简洁、精确、严密的描述，减少了二义性，有利于自动化的实现；

3)数据规模对于这些算法而言，影响的是计算所需的时间和空间，不会因为处理数据的规模发生改变而影响算法本身的逻辑以及计算的结果。算法处理的数据也都是结构简洁且干净的类型，比如数组，二叉树，图之类的数据结构；

4)经过长期的改进现有的很多算法已经达到了极佳的使用效果。

但随着工业自动化/机器视觉应用领域的深入与多元化，实际应用场景存在诸多影响结果的因素，而算法的复杂度会随着变量数目的增加呈指数上升，当变量超过某个数目时已经难以通过人工为其制定合理的处理流程。由于需要为遇到的各种情况提前设计处理方法，无法对未曾考虑到的情形进行处理，传统算法不能举一反三。而且这种算法设计方法需要设计者对算法的原理有着深刻的理解，需要有扎实的相关专业知识。

机器学习提供算法开发的新思路：

1)除了严密的逐级推导之外，人类还擅长从过去的经历中总结出规律，并以此预测未来。机器学习是对人类这种思维方式的模拟，它研究如何设计和分析一些让机器可以从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。作为人工智能的分支，机器学习涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，因此也被称为统计机器学习（StatisticalMachineLearning）。

2)机器学习算法本身无法直接用于处理数据，它必须通过大量数据的训练得到“推理能力”，然后才能用于实际数据求解。随着训练数据规模的增大，原来数据中不明显的规律就会变得越发明显，机器学习算法本身能够根据给定的数据或计算环境的改变而动态地发现新规律，甚至改变算法程序的逻辑和行为。因此训练数据的好坏直接影响到算法的准确度，这也是其和传统算法的重要区别，即数据是机器学习算法极为重要的组成部分。由于机器学习算法是基于统计学的，它的预测结果是一个估计的、近似的结果，不能保证百分之百的精确。

传统视觉算法的开发需要掌握相关专业知识，在特征提取、特征选择上依靠人工实现，费时费力，最终算法的性能高低很大程度上依靠经验和运气。而机器学习可以通过对大量数据的自动学习从中识别出最有效的特征，因此在诸多传统算法无程序可循的领域发展出了一些行之有效的算法。

机器学习算法的数目众多，常见如回归算法、基于实例的算法、正则化方法、基于核的算法、降低维度算法、集成算法、决策树学习、贝叶斯方法、聚类算法、关联规则学习等。它们在不同应用场景下取得了良好的效果，尤其是近年来在图像识别、语音识别等领域取得了突破性进展，深度贴合了机器视觉应用场景的需求。

机器学习模拟人类对历史经验归纳及预测的能力