التعرف على الأنماط

التعرف على الأنماط هو مهمة تصنيف الملاحظات بناءً على أنماط مستخرجة من البيانات. ورغم التشابه، يجب عدم الخلط بين التعرف على الأنماط (PR) وآلات الأنماط (PM)، التي قد تمتلك قدرات التعرف على الأنماط، لكن وظيفتها الأساسية هي تمييز الأنماط الناشئة وإنشائها. يُستخدم التعرف على الأنماط في تحليل البيانات الإحصائية ، ومعالجة الإشارات ، وتحليل الصور ، واسترجاع المعلومات ، والمعلوماتية الحيوية ، وضغط البيانات ، ورسومات الحاسوب ، والتعلم الآلي . يعود أصل التعرف على الأنماط إلى الإحصاء والهندسة؛ وتتضمن بعض المناهج الحديثة استخدام التعلم الآلي ، نظرًا لتزايد توافر البيانات الضخمة ووفرة القدرة الحاسوبية .

تُدرَّب أنظمة التعرف على الأنماط عادةً باستخدام بيانات "تدريب" مُصنَّفة. وعند عدم توفر بيانات مُصنَّفة ، يُمكن استخدام خوارزميات أخرى لاكتشاف أنماط غير معروفة سابقًا. يركز كلٌّ من استخراج المعرفة من البيانات (KDD) واستخراج البيانات بشكل أكبر على الأساليب غير الخاضعة للإشراف، ويرتبط ارتباطًا وثيقًا بالاستخدامات التجارية. أما التعرف على الأنماط، فيركز بشكل أكبر على الإشارة، ويأخذ في الاعتبار أيضًا عملية الحصول على الإشارة ومعالجتها . وقد نشأ هذا المجال في الهندسة ، ويُستخدم المصطلح بكثرة في سياق رؤية الحاسوب ؛ حتى أن أحد المؤتمرات الرائدة في مجال رؤية الحاسوب يحمل اسم " مؤتمر رؤية الحاسوب والتعرف على الأنماط" .

في مجال تعلم الآلة ، يُعرف التعرف على الأنماط بأنه إسناد تصنيف لقيمة مُدخلة مُحددة. وفي الإحصاء، طُرح التحليل التمييزي لهذا الغرض نفسه عام ١٩٣٦. ومن أمثلة التعرف على الأنماط التصنيف ، الذي يسعى إلى إسناد كل قيمة مُدخلة إلى إحدى فئات مجموعة مُحددة (على سبيل المثال، تحديد ما إذا كانت رسالة بريد إلكتروني مُعينة "بريدًا عشوائيًا"). يُعد التعرف على الأنماط مشكلة أعمّ تشمل أنواعًا أخرى من المُخرجات أيضًا. ومن الأمثلة الأخرى الانحدار ، الذي يُسند قيمة حقيقية لكل مُدخل؛ ^{[ ١ ]} وتصنيف التسلسلات ، الذي يُسند فئة لكل عنصر من عناصر تسلسل القيم ^{[ ٢ ]} (على سبيل المثال، تحديد أجزاء الكلام ، الذي يُسند جزءًا من الكلام لكل كلمة في جملة مُدخلة)؛ والتحليل النحوي ، الذي يُسند شجرة تحليل نحوي لجملة مُدخلة، واصفًا بنيتها النحوية . ^{[ ٣ ]}

تهدف خوارزميات التعرف على الأنماط عمومًا إلى تقديم إجابة منطقية لجميع المدخلات المحتملة، وإجراء مطابقة "أكثر احتمالًا" لهذه المدخلات، مع مراعاة تباينها الإحصائي. وهذا يختلف عن خوارزميات مطابقة الأنماط ، التي تبحث عن تطابقات تامة في المدخلات مع أنماط موجودة مسبقًا. ومن الأمثلة الشائعة على خوارزميات مطابقة الأنماط مطابقة التعبيرات النمطية ، التي تبحث عن أنماط من نوع معين في البيانات النصية، وهي مُضمنة في إمكانيات البحث للعديد من محررات النصوص ومعالجات الكلمات .

التعريف الحديث للتعرف على الأنماط هو:

يهتم مجال التعرف على الأنماط بالاكتشاف التلقائي للانتظامات في البيانات من خلال استخدام خوارزميات الحاسوب، وباستخدام هذه الانتظامات لاتخاذ إجراءات مثل تصنيف البيانات إلى فئات مختلفة. ^{[ 4 ]}

يُصنَّف التعرّف على الأنماط عمومًا وفقًا لنوع إجراء التعلّم المُستخدم لتوليد قيمة المخرجات. يفترض التعلّم الخاضع للإشراف وجود مجموعة بيانات تدريبية ( مجموعة التدريب )، تتألف من مجموعة من الحالات التي تمّ تصنيفها يدويًا بشكل صحيح بالمخرجات المناسبة. ثمّ يُولّد إجراء التعلّم نموذجًا يسعى إلى تحقيق هدفين قد يكونان متعارضين أحيانًا: الأداء الأمثل على بيانات التدريب، والتعميم الأمثل على بيانات جديدة (عادةً ما يعني هذا أن يكون النموذج بسيطًا قدر الإمكان، وفقًا لتعريف تقني لكلمة "بسيط"، بما يتوافق مع مبدأ أوكام ، الذي سيتمّ شرحه لاحقًا). من ناحية أخرى، يفترض التعلّم غير الخاضع للإشراف بيانات تدريبية غير مُصنّفة يدويًا، ويحاول إيجاد أنماط كامنة في البيانات يمكن استخدامها لتحديد قيمة المخرجات الصحيحة لحالات البيانات الجديدة. ^{[ 5 ]} من بين الأساليب التي تم استكشافها، أسلوب التعلم شبه الموجه ، الذي يستخدم مزيجًا من البيانات المصنفة وغير المصنفة (عادةً ما تكون مجموعة صغيرة من البيانات المصنفة مصحوبة بكمية كبيرة من البيانات غير المصنفة). أما في حالات التعلم غير الموجه، فقد لا تتوفر بيانات تدريب على الإطلاق.

أحيانًا تُستخدم مصطلحات مختلفة لوصف إجراءات التعلم الخاضع للإشراف وغير الخاضع للإشراف لنفس نوع المخرجات. يُعرف المكافئ غير الخاضع للإشراف للتصنيف عادةً باسم التجميع ، استنادًا إلى التصور الشائع بأن هذه المهمة لا تتطلب بيانات تدريب تُذكر، وأنها تقوم على تجميع بيانات الإدخال في مجموعات بناءً على مقياس تشابه جوهري (مثل المسافة بين الحالات، باعتبارها متجهات في فضاء متجهي متعدد الأبعاد )، بدلاً من إسناد كل حالة إدخال إلى واحدة من مجموعة فئات محددة مسبقًا. في بعض المجالات، تختلف المصطلحات. ففي علم البيئة المجتمعية ، يُستخدم مصطلح التصنيف للإشارة إلى ما يُعرف عادةً باسم "التجميع".

تُسمى بيانات الإدخال التي تُنتج قيمة إخراجية رسميًا " حالة" . تُوصف الحالة رسميًا بواسطة متجه من السمات، التي تُشكل مجتمعةً وصفًا لجميع الخصائص المعروفة للحالة. يمكن اعتبار متجهات السمات هذه بمثابة نقاط تعريفية في فضاء متعدد الأبعاد مناسب ، ويمكن تطبيق طرق معالجة المتجهات في فضاءات المتجهات عليها، مثل حساب الجداء النقطي أو الزاوية بين متجهين. عادةً ما تكون السمات إما تصنيفية (تُعرف أيضًا بالاسمية ، أي تتكون من عنصر واحد من مجموعة عناصر غير مرتبة، مثل الجنس "ذكر" أو "أنثى"، أو فصيلة الدم "A" أو "B" أو "AB" أو "O")، أو ترتيبية (تتكون من عنصر واحد من مجموعة عناصر مرتبة، مثل "كبير" أو "متوسط" أو "صغير")، أو ذات قيمة عددية صحيحة (مثل عدد مرات ظهور كلمة معينة في بريد إلكتروني)، أو ذات قيمة عددية حقيقية (مثل قياس ضغط الدم). غالبًا ما تُجمع البيانات الفئوية والترتيبية معًا، وينطبق هذا أيضًا على البيانات ذات القيم الصحيحة والبيانات ذات القيم الحقيقية. تعمل العديد من الخوارزميات فقط مع البيانات الفئوية، وتتطلب تقسيم البيانات ذات القيم الحقيقية أو الصحيحة إلى مجموعات (مثل: أقل من 5، بين 5 و10، أو أكبر من 10).

يمكن صياغة مشكلة التعرف على الأنماط على النحو التالي: بالنظر إلى دالة غير معروفة${\displaystyle g:{\mathcal {X}}\rightarrow {\mathcal {Y}}}$( الحقيقة الأساسية ) التي تحدد مثيلات الإدخال${\displaystyle {\boldsymbol {x}}\in {\mathcal {X}}}$لإخراج التسميات${\displaystyle y\in {\mathcal {Y}}}$بالإضافة إلى بيانات التدريب${\displaystyle \mathbf {D} =\{({\boldsymbol {x}}_{1},y_{1}),\dots ,({\boldsymbol {x}}_{n},y_{n})\}}$بافتراض أنها تمثل أمثلة دقيقة للتحويل، فإنها تنتج دالة${\displaystyle h:{\mathcal {X}}\rightarrow {\mathcal {Y}}}$ذلك الذي يقارب قدر الإمكان عملية التخطيط الصحيحة${\displaystyle g}$(على سبيل المثال، إذا كانت المشكلة هي تصفية البريد العشوائي، فـ${\displaystyle {\boldsymbol {x}}_{i}}$هذا تمثيل ما للبريد الإلكتروني و${\displaystyle y}$إما أن يكون "بريدًا مزعجًا" أو "غير مزعج". ولكي تكون هذه مشكلة محددة جيدًا، يجب تعريف "التقريب بأقرب ما يمكن" تعريفًا دقيقًا. في نظرية القرار ، يُعرَّف هذا بتحديد دالة خسارة أو دالة تكلفة تُسند قيمة محددة لـ "الخسارة" الناتجة عن إنتاج تصنيف خاطئ. والهدف إذن هو تقليل الخسارة المتوقعة ، مع أخذ التوقع على توزيع الاحتمالات لـ${\displaystyle {\mathcal {X}}}$عملياً، لا توزيع${\displaystyle {\mathcal {X}}}$ولا دالة الحقيقة الأساسية${\displaystyle g:{\mathcal {X}}\rightarrow {\mathcal {Y}}}$معروفة بدقة، ولكن لا يمكن حسابها إلا تجريبياً من خلال جمع عدد كبير من عينات${\displaystyle {\mathcal {X}}}$ووضع الملصقات عليها يدويًا باستخدام القيمة الصحيحة لـ${\displaystyle {\mathcal {Y}}}$(وهي عملية تستغرق وقتًا طويلاً، وعادةً ما تكون العامل المحدد لكمية البيانات من هذا النوع التي يمكن جمعها). تعتمد دالة الخسارة المحددة على نوع التصنيف المراد التنبؤ به. على سبيل المثال، في حالة التصنيف ، غالبًا ما تكون دالة الخسارة البسيطة ذات الصفر والواحد كافية. وهذا يعني ببساطة تعيين خسارة قدرها 1 لأي ​​تصنيف خاطئ، ويشير إلى أن المصنف الأمثل يقلل معدل الخطأ على بيانات الاختبار المستقلة (أي حساب نسبة الحالات التي تكون فيها الدالة المُتعلمة صحيحة).${\displaystyle h:{\mathcal {X}}\rightarrow {\mathcal {Y}}}$تصنيف البيانات بشكل خاطئ، وهو ما يعادل زيادة عدد الحالات المصنفة بشكل صحيح. يهدف إجراء التعلم بالتالي إلى تقليل معدل الخطأ (زيادة الدقة ) على مجموعة اختبار "نموذجية".

بالنسبة لمُعرِّف الأنماط الاحتمالي، تكمن المشكلة بدلاً من ذلك في تقدير احتمالية كل تصنيف إخراج ممكن بالنظر إلى حالة إدخال معينة، أي تقدير دالة من الشكل التالي:

${\displaystyle p({\rm {label}}|{\boldsymbol {x}},{\boldsymbol {\theta }})=f\left({\boldsymbol {x}};{\boldsymbol {\theta }}\right)}$

حيث يكون مُدخل متجه الميزات${\displaystyle {\boldsymbol {x}}}$وعادةً ما يتم تحديد الدالة f بواسطة بعض المعاملات.${\displaystyle {\boldsymbol {\theta }}}$[ ^{8 ]} في النهج التمييزي للمسألة، يتم تقدير f مباشرةً. أما في النهج التوليدي ، ^فيتم استخدام الاحتمال العكسي${\displaystyle p({{\boldsymbol {x}}|{\rm {label}}})}$بدلاً من ذلك، يتم تقديرها ودمجها مع الاحتمال المسبق${\displaystyle p({\rm {label}}|{\boldsymbol {\theta }})}$باستخدام قاعدة بايز ، كما يلي:

${\displaystyle p({\rm {label}}|{\boldsymbol {x}},{\boldsymbol {\theta }})={\frac {p({{\boldsymbol {x}}|{\rm {label,{\boldsymbol {\theta }}}}})p({\rm {label|{\boldsymbol {\theta }}}})}{\sum _{L\in {\text{all labels}}}p({\boldsymbol {x}}|L)p(L|{\boldsymbol {\theta }})}}.}$

عندما تكون التصنيفات موزعة بشكل مستمر (على سبيل المثال، في تحليل الانحدار )، فإن المقام يتضمن التكامل بدلاً من الجمع:

${\displaystyle p({\rm {label}}|{\boldsymbol {x}},{\boldsymbol {\theta }})={\frac {p({{\boldsymbol {x}}|{\rm {label,{\boldsymbol {\theta }}}}})p({\rm {label|{\boldsymbol {\theta }}}})}{\int _{L\in {\text{all labels}}}p({\boldsymbol {x}}|L)p(L|{\boldsymbol {\theta }})\operatorname {d} L}}.}$

قيمة${\displaystyle {\boldsymbol {\theta }}}$يتم تعلم النموذج عادةً باستخدام تقدير الاحتمال اللاحق الأقصى (MAP). يهدف هذا الأسلوب إلى إيجاد أفضل قيمة تحقق هدفين متعارضين في آنٍ واحد: تحقيق أفضل أداء ممكن على بيانات التدريب (أقل معدل خطأ ) وإيجاد أبسط نموذج ممكن. يجمع هذا الأسلوب أساسًا بين تقدير الاحتمال الأقصى وإجراء تنظيم يُفضّل النماذج الأبسط على النماذج الأكثر تعقيدًا. في سياق بايزي ، يمكن اعتبار إجراء التنظيم بمثابة وضع احتمال مسبق.${\displaystyle p({\boldsymbol {\theta }})}$على قيم مختلفة من${\displaystyle {\boldsymbol {\theta }}}$رياضياً:

${\displaystyle {\boldsymbol {\theta }}^{*}=\arg \max _{\boldsymbol {\theta }}p({\boldsymbol {\theta }}|\mathbf {D} )}$

أين${\displaystyle {\boldsymbol {\theta }}^{*}}$القيمة المستخدمة لـ${\displaystyle {\boldsymbol {\theta }}}$في إجراء التقييم اللاحق، و${\displaystyle p({\boldsymbol {\theta }}|\mathbf {D} )}$، الاحتمال اللاحق لـ${\displaystyle {\boldsymbol {\theta }}}$، يتم تحديده بواسطة

${\displaystyle p({\boldsymbol {\theta }}|\mathbf {D} )=\left[\prod _{i=1}^{n}p(y_{i}|{\boldsymbol {x}}_{i},{\boldsymbol {\theta }})\right]p({\boldsymbol {\theta }}).}$

في النهج البايزي لحل هذه المشكلة، بدلاً من اختيار متجه معلمات واحد${\displaystyle {\boldsymbol {\theta }}^{*}}$، احتمالية تصنيف معين لحالة جديدة${\displaystyle {\boldsymbol {x}}}$يتم حسابها عن طريق التكامل على جميع القيم الممكنة لـ${\displaystyle {\boldsymbol {\theta }}}$، مرجحة وفقًا للاحتمالية اللاحقة:

${\displaystyle p({\rm {label}}|{\boldsymbol {x}})=\int p({\rm {label}}|{\boldsymbol {x}},{\boldsymbol {\theta }})p({\boldsymbol {\theta }}|\mathbf {D} )\operatorname {d} {\boldsymbol {\theta }}.}$

في مجال العلوم الطبية، يُعدّ التعرّف على الأنماط أساس أنظمة التشخيص بمساعدة الحاسوب (CAD). يصف نظام التشخيص بمساعدة الحاسوب إجراءً يدعم تفسيرات الطبيب ونتائجه. ومن التطبيقات النموذجية الأخرى لتقنيات التعرّف على الأنماط: التعرّف التلقائي على الكلام ، وتحديد هوية المتحدث ، وتصنيف النصوص إلى فئات متعددة (مثل رسائل البريد الإلكتروني غير المرغوب فيها وغير المرغوب فيها)، والتعرّف التلقائي على الكتابة اليدوية على الأظرف البريدية، والتعرّف التلقائي على صور الوجوه البشرية، أو استخراج صور الكتابة اليدوية من النماذج الطبية. ^{[ 9 ] [ 10 ]} يشكّل المثالان الأخيران موضوعًا فرعيًا ضمن التعرّف على الأنماط، وهو تحليل الصور ، الذي يتعامل مع الصور الرقمية كمدخلات لأنظمة التعرّف على الأنماط. ^{[ 11 ] [ 12 ]}

يُعدّ التعرّف الضوئي على الأحرف مثالاً على تطبيق مُصنِّف الأنماط. وقد تمّ تسجيل طريقة توقيع الاسم باستخدام قلم إلكتروني وطبقة شفافة بدءًا من عام ١٩٩٠. وتُستخدم خصائص الخطوط، والسرعة، والحد الأدنى والحد الأقصى النسبيين، والتسارع، والضغط لتحديد الهوية وتأكيدها بشكل فريد. عُرضت هذه التقنية على البنوك في البداية، لكنها اكتفت بتحصيل التعويضات من المؤسسة الفيدرالية لتأمين الودائع (FDIC) عن أي عمليات احتيال مصرفي، ولم ترغب في إزعاج العملاء.

تُستخدم تقنية التعرف على الأنماط في العديد من التطبيقات العملية في معالجة الصور. ومن الأمثلة على ذلك:

• التعريف والتحقق من الهوية: على سبيل المثال، التعرف على لوحات الترخيص ، ^{[ 13 ]} تحليل بصمات الأصابع، اكتشاف /التحقق من الوجه، ^{[ 14 ]} والتحقق من الهوية عن طريق الصوت . ^{[ 15 ]}
• التشخيص الطبي: على سبيل المثال، فحص سرطان عنق الرحم (بابنت)، ^{[ 16 ]} أورام الثدي أو أصوات القلب؛
• الدفاع: أنظمة الملاحة والتوجيه المختلفة، وأنظمة التعرف على الأهداف ، وتقنية التعرف على الأشكال، إلخ.
• التنقل: أنظمة مساعدة السائق المتقدمة ، وتكنولوجيا المركبات ذاتية القيادة ، إلخ. ^{[ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ]}

في علم النفس، يُستخدم التعرف على الأنماط لفهم الأشياء وتحديدها، وهو يرتبط ارتباطًا وثيقًا بالإدراك. وهذا يفسر كيفية اكتساب المدخلات الحسية التي يتلقاها الإنسان معنىً. يمكن النظر إلى التعرف على الأنماط من زاويتين مختلفتين: الأولى تتعلق بمطابقة القوالب، والثانية تتعلق باكتشاف السمات. القالب هو نمط يُستخدم لإنتاج عناصر بنفس النسب. تفترض فرضية مطابقة القوالب أن المحفزات الواردة تُقارن بالقوالب الموجودة في الذاكرة طويلة المدى. إذا وُجد تطابق، يتم التعرف على المحفز. أما نماذج اكتشاف السمات، مثل نظام بانديمونيوم لتصنيف الحروف (سيلفريدج، 1959)، فتقترح أن المحفزات تُحلل إلى مكوناتها الأساسية للتعرف عليها. ومن الأمثلة على ذلك حرف E كبير يتكون من ثلاثة خطوط أفقية وخط رأسي واحد. ^{[ 22 ]}

تعتمد خوارزميات التعرف على الأنماط على نوع مخرجات التصنيف، وما إذا كان التعلم خاضعًا للإشراف أم لا، وما إذا كانت الخوارزمية إحصائية أم غير إحصائية. ويمكن تصنيف الخوارزميات الإحصائية إلى توليدية وتمييزية .

• نظرية الرنين التكيفي – نظرية في علم النفس العصبي 
• الصندوق الأسود – نظام لا يمكن فيه رؤية سوى المدخلات والمخرجات، وليس تنفيذه 
• نموذج لغة التخزين المؤقت
• معالجة المصطلحات المركبة
• التشخيص بمساعدة الحاسوب – نوع من التشخيص بمساعدة الحواسيب 
• تصنيف الصور السياقية
• استخراج البيانات – عملية تحليل مجموعات البيانات الكبيرة 
• التعلم العميق – فرع من فروع التعلم الآلي 
• نموذج الصندوق الرمادي – نموذج رياضي لإنتاج البيانات ذو بنية محدودة 
• نظرية المعلومات – الدراسة العلمية للمعلومات الرقمية 
• قائمة مجموعات البيانات لأبحاث التعلم الآلي
• قائمة برامج التحليل العددي
• قائمة المكتبات العددية
• نيوكوجنيترون – نوع من الشبكات العصبية الاصطناعية 
• الإدراك – تفسير المعلومات الحسية 
• التعلم الإدراكي – عملية اكتساب مهارات إدراكية أفضل 
• التحليلات التنبؤية – تقنيات إحصائية لتحليل الحقائق بهدف التنبؤ بالأحداث غير المعروفة 
• المعرفة المسبقة للتعرف على الأنماط
• استخراج التسلسل – تقنية استخراج البيانات. صفحات تعرض أوصافًا مختصرة لأهداف إعادة التوجيه. 
• مطابقة القوالب – تقنية في معالجة الصور الرقمية 

• فوكوناغا، كينوسوكي (1990). مقدمة في التعرف الإحصائي على الأنماط (  الطبعة الثانية). بوسطن: دار النشر الأكاديمية. ISBN 978-0-12-269851-4.
• هورنيغر، يواكيم؛ باولوس، ديتريش دبليو آر (1999). التعرف التطبيقي على الأنماط: مقدمة عملية لمعالجة الصور والكلام بلغة سي++ (  الطبعة الثانية). سان فرانسيسكو: دار مورغان كوفمان للنشر. ISBN 978-3-528-15558-2.
• شويرمان، يورغن (1996). تصنيف الأنماط: نظرة موحدة للمناهج الإحصائية والعصبية . نيويورك: وايلي. ISBN 978-0-471-13534-0.
• غودفريد ت. توسان، محرر (1988). علم التشكل الحاسوبي . أمستردام: دار نشر نورث هولاند. ISBN 978-1-4832-9672-2.
• كوليكوفسكي، كازيمير أ.؛ فايس، شولوم م. (1991). أنظمة الحاسوب التي تتعلم: أساليب التصنيف والتنبؤ من الإحصاء، والشبكات العصبية، والتعلم الآلي، وأنظمة الخبراء . سان فرانسيسكو: دار مورغان كوفمان للنشر. ISBN 978-1-55860-065-2.
• دودا، ريتشارد أو.؛ ​​هارت، بيتر إي.؛ ستورك، ديفيد جي. (2000). تصنيف الأنماط (  الطبعة الثانية). وايلي-إنترساينس. ISBN 978-0-471-05669-0.
• جاين، أنيل ك.؛ دوين، روبرت ب. و.؛ ماو، جيان تشانغ (2000). "التعرف الإحصائي على الأنماط: مراجعة". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 22 (1): 4-37 . Bibcode : 2000ITPAM..22....4J . CiteSeerX 10.1.1.123.8151 . doi : 10.1109/34.824819 . S2CID 192934 .  
• مقدمة تعليمية عن المصنفات (تقديم المصطلحات الأساسية، مع مثال عددي)
• كوفاليفسكي، ف. أ. (1980). التعرف على أنماط الصور . نيويورك، نيويورك: سبرينغر نيويورك. ISBN 978-1-4612-6033-2. OCLC 852790446 . 

• الرابطة الدولية للتعرف على الأنماط
• قائمة مواقع الويب الخاصة بالتعرف على الأنماط
• مجلة أبحاث التعرف على الأنماط، مؤرشفة بتاريخ 8 سبتمبر 2008 على موقع Wayback Machine
• معلومات التعرف على الأنماط
• التعرف على الأنماط (مجلة جمعية التعرف على الأنماط)
• المجلة الدولية للتعرف على الأنماط والذكاء الاصطناعي، مؤرشفة بتاريخ 11 ديسمبر 2004 على موقع Wayback Machine
• المجلة الدولية للتعرف على الأنماط التطبيقية
• مشروع التعرف على الأنماط المفتوح ، وهو عبارة عن منصة مفتوحة المصدر لمشاركة خوارزميات التعرف على الأنماط
• تحسين مطابقة الأنماط السريعة