机器学习和生物识别系统

机器学习是对科学算法的系统研究，这些算法使系统能够在没有明确编程的情况下模拟人类学习活动。机器学习还研究生物识别拓扑结构，以模拟个人的身份识别学习活动。

机器学习使生物识别身份识别成为可能，并且在生物识别模式识别方面取得了很大进展。机器学习方法进一步分为三种类型：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

无监督式学习

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学习。无监督机器学习不是对反馈做出响应，而是识别数据中的共性，并且通过存在或不存在每个新信息中的这种统一性来做出响应。

无监督学习的工作原理。

• 让我们考虑一个系统，该系统接收一些输入序列，例如 ?1, ?2, ?3, ...，其中 ? ? 表示一个输入，并且集合 ? = ?? 称为对应于公共数据库或数据集的样本集。输入数据可以是任何内容，包括指纹边缘的总数、眼睛距离、生物识别模式识别的手部调查、视网膜上的颜色或图像以及静脉图表示等。
• 在这种技术中，计算机或机器接收输入 ?1, ?2, ?3, ...，并基于该输入构建用于决策的表示，有效地将结果传达给另一个系统，预测未来的输入等。
• 无监督学习主要侧重于聚类和降维任务。已经开发了许多算法来实现此目标，但是传统方法有助于决策，如下所示

1. 期望最大化算法
2. Hebbian 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

无监督科学算法专为生物识别应用而设计，主要侧重于通过加密生物识别信息、生物识别数据提取、特征级别融合、行为模式检测等来保护特定数据。此外，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，从而依次实现更好的分类和生物识别特征的精确证明定位。

• 指静脉模式中的无监督学习 - 它可以用于全自动指静脉模式提取。此方法被认为是实现生物识别模式识别的极佳方法。但是，它通常仅用作数据分析的初步阶段，更好的学习策略定义，特征融合（聚类任务）等。可以将其视为改善分类工作的初始数据问题处理方法。无监督学习也可用于全自动指静脉模式提取。
• 指纹识别中的无监督学习 - 使用用于碰撞策略调整的迭代期望最大化算法来改进指纹识别。
• 视网膜模式匹配 - Vlachos 和 Dermatas 提出了一种新颖的无监督聚类算法，名为最近邻聚类算法 (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。他引入了一种分布式能量信号分解方法，用于定位无线声学传感器网络 (WASNs) 中每个源附近的节点。无监督学习算法，例如 K-Means、K-medians 和 K-medoids 算法，用于语音活动源检测。后来，聚类算法已被用于从获得的能量信号中提取生物识别语音特征。

监督式学习

什么是监督学习？

监督学习是一种现代技术，用于学习一种从标记的训练数据中推断出一个作用，该作用将输入映射到基于示例输入-输出对的输出。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个对，包括一个输入向量和所需的输出值或监督信号。监督学习算法研究训练数据并产生推断的函数，该函数用于映射新示例。

监督学习的工作原理

• 让我们考虑一个接收一些输入序列的系统，例如 ?1, ?2, ?3, ...。可以将监督学习与无监督学习区分开来，因为在监督学习中，也给出了期望的输出序列，例如 ?1, ?2, ?3, ...，并且系统的目标是从给定的新输入中学习构建正确的输出。
• 根据对生物识别模式识别的不同调查的研究，它指出，与无监督学习一样，监督学习也主要用于基于生物识别的识别的最后阶段。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，而监督学习更侧重于生物识别识别的分类和回归。
• 监督学习已被证明对许多生物识别模式融合、生物识别数据分类和回归非常有用，用于可靠、繁荣和安全的多生物识别系统。借助监督学习，在生物识别识别和识别领域已经取得了许多成功的成果。最近，使用有用的深度神经网络 (DNN) 架构和学习方法开发了一种准确率高达 97.35% 的方法，该方法利用了大量的面部标记数据集来获得泛化到其他数据集的面部表示。

生物识别和监督学习

监督学习一直在使用大量算法服务于众多生物识别应用程序。与主要使用 K-means 算法用于生物识别应用程序的无监督学习相反，监督教育主要为生物识别模式分类提供了多种方法。下面给出了一些监督学习的算法

• 卷积神经网络 (CNN)
• 核方法（SVM、核感知机）
• 决策树
• 逻辑回归

人脸识别 - 监督学习的“决策树”算法适用于精确的人脸识别生物识别。根据最新调查，该算法的结果在 FERET 数据集上显示了 100% 的最大准确度，在 CAS-PEALR1 数据集上显示了 99% 的准确度。

语音情感分类 - 对于独立说话人验证，使用“支持向量机 (SVM)”算法。语音情感识别的基线准确率约为 50% 到 90%，具体取决于所选技术。

面部表情识别 - “核感知机”学习方法用于面部表情生物识别识别。分类器可以识别 6 种不同的情绪，在 JAFFE 数据集上的效率为 98.6%。

强化学习

强化学习是一种动态机器学习编程，它系统地学习执行新任务，并使用奖励和惩罚系统来训练算法。这种学习技术与在实时环境中采取必要行动以最大化累积奖励的软件代理有关。

强化学习算法建立在儿童用来学习新任务的相同概念上。同样，该算法通过与其环境交互来学习。软件代理通过正确执行获得奖励，而通过不准确执行获得惩罚。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，而无需人工干预。

强化学习的工作原理

• 在强化学习中，机器通过产生诸如 ?1, ?2, ?3, ...., an 之类的动作与其环境交互。这些动作会影响情况的状态，并导致机器接收一些标量奖励 ?1, ?2, ...,rn 或惩罚 p1, p2, p3.....,pn。
• 作为一个学习问题，它指的是学习控制一个系统以最大化一些数值，这代表一个长期的目标。
• 强化学习基于这样的概念：如果一个动作随后有所改善，那么产生该动作的倾向就会增强，否则该动作就不会付诸实践。

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通用。它对无监督劳动和监督劳动都有用。但是，强化学习仅限于相当低维的问题。但是，深度强化学习 (DRL) 已被证明可用于解决此问题。尽管 DRL 取得了成功，但在将这些技术应用于各种复杂的现实世界问题之前，仍需要解决许多问题。