論影響人感知召回與正確率的因素

潘昊 張志偉 王鐵霖

摘 要：隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，CPU計(jì)算能力在突破瓶頸之后，隨之而來的是海量數(shù)據(jù)導(dǎo)致的算法準(zhǔn)確率降低的難題。本文在機(jī)器學(xué)習(xí)的幫助下，通過驗(yàn)證手語表達(dá)數(shù)據(jù)集，借助主成分分析模型（PCA）驗(yàn)證測試集的準(zhǔn)確率，進(jìn)而嘗試優(yōu)化人感知的召回以及準(zhǔn)確率。

關(guān)鍵詞：機(jī)器學(xué)習(xí);感知;召回率

一、引言

人類的大腦是世界上最精密的組織，它的構(gòu)造比現(xiàn)存的任何一臺計(jì)算機(jī)的構(gòu)造都復(fù)雜的多。因此，在探索人腦內(nèi)如感覺、直覺等相關(guān)問題時，以現(xiàn)有的工具手段無法對大腦進(jìn)行量化的測試。我們的工作可以作為數(shù)學(xué)和人工智能領(lǐng)域合作的一個模型，通過利用數(shù)學(xué)專業(yè)知識和機(jī)器學(xué)習(xí)高效計(jì)算的各自優(yōu)勢，可以取得較為很好的效果。

我們可以把大腦中假設(shè)存在的“感覺”系統(tǒng)看做一個模型，這個模型是由我們從生活中各個領(lǐng)域的經(jīng)驗(yàn)與經(jīng)歷訓(xùn)練而得出：在日常生活中，將一個人生活中遇到的問題抽象化為函數(shù)的輸入與輸出。有效以及無效的輸入可以被腦海記錄，并影響人做出下一次判斷

所謂“直覺”，不過是腦中有若干記憶碎片與五感接受到的信息，綜合在一起，跳過邏輯層次，直接反射到思維之中，其準(zhǔn)確程度，取決于一個人的經(jīng)驗(yàn)常識和判斷能力。本文提出了一個使用機(jī)器學(xué)習(xí)的過程，以發(fā)現(xiàn)數(shù)學(xué)對象之間的潛在模式和關(guān)系，通過歸因技術(shù)理解它們，并嘗試優(yōu)化準(zhǔn)確率以及召回率。

二、系統(tǒng)方案設(shè)計(jì)

在學(xué)生時代，學(xué)生在遇到?jīng)]見過或者拿不準(zhǔn)的題目時，通常會做出判斷，此時的判斷的依據(jù)一般由自己的感覺而的來“我感覺這題選擇C”，這是一個分類問題。而形成這個感覺的過程，以及影響人做出選擇判斷的因素在各種方面都存在，難以對因素進(jìn)行量化統(tǒng)計(jì)。本文將所出現(xiàn)的可能因素抽象化為一個領(lǐng)域的問題，進(jìn)而形象的表達(dá)出外界事物對人的感知的可能影響因素。通過一個領(lǐng)域內(nèi)的具體問題，進(jìn)而轉(zhuǎn)化為計(jì)算人對外界事務(wù)判斷的正確率。

在人工智能范圍內(nèi)，特別是機(jī)器學(xué)習(xí)領(lǐng)域，提供了一組可以有效檢測數(shù)據(jù)模式的技術(shù)，并在科學(xué)學(xué)科中日益顯示出實(shí)用性。在數(shù)學(xué)領(lǐng)域，人工智能已經(jīng)被證明是一種很有價值的工具，它可以發(fā)現(xiàn)現(xiàn)有猜想的反例、加速計(jì)算、生成符號解以及檢測數(shù)學(xué)對象中結(jié)構(gòu)的存在。

手語并非是現(xiàn)代才出現(xiàn)，古代就有手語的存在，并非專為聾人所有，古人靠手勢來傳達(dá)溝通意見，而后才慢慢產(chǎn)生語言。古人以打獵耕種為主，社會上需要遵循的規(guī)則也少，因此聾啞人較能適應(yīng)生活，但文化發(fā)達(dá)后社會進(jìn)步，抽象的符號也多，為了適應(yīng)社會生活，只好藉手語來表達(dá)溝通情意了。手語是人體表達(dá)語言的一種方式，手語的不同形狀代表的不同的意思。本文試通過對手語問題的研究算法，淺談人整體的“感覺”準(zhǔn)確率的影響因素。

本文的算法內(nèi)核中使用多輸出估計(jì)器來完成圖像。我們的目標(biāo)是根據(jù)手語數(shù)字的上半部分來預(yù)測它的下半部分。例如，我們將用第一部分訓(xùn)練我們的模型，它將預(yù)測第二部分，如圖1所示，描述了一個通用的方法，通過這個方法，本文可以使用機(jī)器學(xué)習(xí)的模型來抽象人對事物感知的一種方式，進(jìn)而驗(yàn)證圖形存在的正確與否。

三、算法實(shí)現(xiàn)

（一）數(shù)據(jù)加載

首先，我們需要先加載手語數(shù)字?jǐn)?shù)據(jù)集，我們數(shù)據(jù)的形狀是（2062，64，64），其中2062是圖像的數(shù)量，有64x64像素。本文將使用從0到9的所有圖像。

x_load = np.load（'../input /x.npy'）

y_load = np.load（'../input/ y.npy'）

img_size = 64

其次，我們需要設(shè)置訓(xùn)練集以及測測試集的數(shù)量。我們用本地的所有數(shù)據(jù)作為訓(xùn)練集，接著選擇10個圖像作為測試集。

（二）模型應(yīng)用

主成分分析是一種最流行的降維技術(shù)，PCA是一種統(tǒng)計(jì)分析、簡化數(shù)據(jù)集的方法。它利用正交變換來對一系列可能相關(guān)的變量的觀測值進(jìn)行線性變換，從而投影為一系列線性不相關(guān)變量的值，這些不相關(guān)變量稱為主成分。

主成分分析使用高方差，這意味著它喜歡多樣性。例如，比較上面的兩個圖像，色框外沒有多樣性方差;另一面，在紅色框架中有多樣性，第一步是去相關(guān)：旋轉(zhuǎn)數(shù)據(jù)樣本與軸線移動數(shù)據(jù)樣本，所以他們有意味著零沒有信息丟失，并且應(yīng)用已學(xué)到的轉(zhuǎn)換方式。

n_components = estimator = decomposition.PCA（n_components=n_components， svd_solver='randomized'， whiten=True）

estimator.fit（X）

for i， comp in enumerate（images）：

plt.imshow（comp.reshape（（64， 64）），interpolation='nearest'，vmin=-vmax， vmax=vmax）

plt.savefig（'graph.png'）

plt.show（）

四、小結(jié)

本文分析了主成分分析類型，分析了感知實(shí)現(xiàn)的感知流程。最后針對手語數(shù)據(jù)集產(chǎn)生設(shè)計(jì)模型的感知修改和感知表達(dá)提出實(shí)現(xiàn)方法。作為人體表達(dá)感知的方式之一，優(yōu)化處理了人體表達(dá)的準(zhǔn)確率。

參考文獻(xiàn)：

[1] 汲夢宇.三維場景的多視點(diǎn)感知算法研究？[D]. 中國科學(xué)技術(shù)大學(xué). 2017

[2] 劉巍巍， 周來水， 莊海軍， 等.分布式同步協(xié)同 CAD /CAM系統(tǒng)的Web模型及實(shí)現(xiàn)[J]. 南京航空航天大學(xué)學(xué)報， 2004， 36 （5）： 539-543

[3] 劉曉平， 石慧， 毛崢強(qiáng). 基于信息可視化的協(xié)同感知模型 [J]. 通信學(xué)報， 2006， 27（11）： 24-29

[4] 徐茂峰. 雅可比矩陣引導(dǎo)的無翻轉(zhuǎn)體映射生成算法研究？[D]. 中國科學(xué)技術(shù)大學(xué). 2021