霍桂利

（山西建筑職業(yè)技術(shù)學院，山西 太原 030006）

一、模式識別的基本概念

所謂模式識別就是指對所表征事物或現(xiàn)象的各種形式的數(shù)據(jù)信息進行分類分析和機器處理，以及對現(xiàn)象或者事物進行描述、分類、辨認和解釋的過程。主要組成是信息科學及人工智能科學，應用于圖像分析與處理、語音識別、聲音分類、通信、計算機輔助診斷、數(shù)據(jù)挖掘等學科領(lǐng)域。分析和研究的方向集中在兩個重要方面：一是分析各類生物體如何去進行感知，為認識科學的范疇；二是在確定的任務情況下，如何利用計算機來實現(xiàn)用模式去識別事物。感知是屬于生理學、生物學、心理學和神經(jīng)生理學的研究內(nèi)容，識別則是利用信息學專家、數(shù)學家和計算機科學工作者的共同努力和研究；而模式識別還可分解為抽象和具體的兩種狀態(tài)，抽象如人腦的意識、思想等，為概念識別研究范疇，即人工智能的研究方向。該研究方向指的模式識別是對地震波、語音波形、腦電圖、文字、心電圖、符號、照片、圖片、生物傳感器等內(nèi)容及對象的模式進行識辨和分類。利用計算機對一些事件和過程進行識別和分類，識別的事物及過程可以是聲音、文字、圖像等具體的研究對象，當然也可以是一些程度抽象的對象。把這些對象與數(shù)字的形式信息加以對比和區(qū)別，稱之為模式信息。模式識別理論及技術(shù)現(xiàn)在已能成功地應用于諸多領(lǐng)域，如指紋的識別、信件的分檢、生物醫(yī)學的細胞、故障的診斷、可以有視覺的機器人、汽車自動駕馭系統(tǒng)和語言的識別等。

二、模式識別系統(tǒng)

模式識別方法是利用模糊數(shù)學的概念、原理和方法解決分類識別的問題。對于一個完整的模式識別系統(tǒng)，在其進行模式識別之前，所應用目的不同，則分類識別方法也不盡相同，首先是特征提取，特征提取與選擇的基本任務及研究如何從許多的特征中尋找出有效的特征，壓縮特征空間的維數(shù)。從直觀上可知，在特征空間中，如果同類模式分布比較密集，不同類模式分布比較疏散，模式識別就比較容易正確，因此，為了給后續(xù)識別工作帶來方便，就要求在對實際對象提取特征或?qū)δ繕说南嚓P(guān)信息等進行預處理時，同類對象差別較小，而不同類對象差別較大。但是，通常描述的對象諸元素很多，提取的特征也沒有明顯的上述分布，或者得到的特征太多。這時我們就需要節(jié)約資源，節(jié)省計算機的存儲空間和特征提取的各項費用，并且提高識別的正確率，即希望用最少的特征達到盡可能高的識別正確率。這就是特征的選擇。同時在實現(xiàn)目標時，需要制定特征的提取和選擇的準則，由此構(gòu)造函數(shù)和判別的概率。為使機器具有分類的識別功能，對機器學習的分類就需要有學習策略和知識表示，學習策略是學習中使用的推理方法，把環(huán)境提供的信息通過識別轉(zhuǎn)變成新的形式，從而產(chǎn)生分類識別的分析程序和規(guī)則。這種變換的性質(zhì)確定了學習策略的類型。如記憶學習、傳授學習、類比學習、歸納學習等。而機器進行學習這個過程一般情況下要反復多次進行，多種方法不斷地進行錯誤的修正和改進，包括修正之后的特征提取方法，修正之后的特征方案的選擇，判斷規(guī)則方法和參數(shù)的選擇等，結(jié)果將使系統(tǒng)的正確識別率的設(shè)計要求達到標準。

三、模式識別的基本方法

人類的識別活動是一項基本的活動，我們總是希望機器能夠代替人類的活動來進行識別等工作，從而模式識別理論及方法將引起人們的極大興趣，因此進行長期的探討和研究，目前的發(fā)展是一門多學科的并且是一門交叉學科。該學科的理論與實際技術(shù)的應用相當廣泛，而且也涉及多種學科，如數(shù)學理論、心理學、計算機科學、信號處理學等。從根本上講，該學科是數(shù)學處理和信息分析，從性能上講，也可以認為該學科是人工智能的一個子集。當前的主流技術(shù)是：統(tǒng)計模式識別法、句法模式識別法、神經(jīng)網(wǎng)絡法、人工智能方法等，他們之間也存在一定的聯(lián)系。

統(tǒng)計模式識別：在統(tǒng)計學中，隨機性試驗是指對隨機現(xiàn)象的觀察。隨機試驗在完全相同的條件下，可能會出現(xiàn)不同的結(jié)果，但結(jié)果是可以估計的，即隨機試驗的結(jié)果具有不確定性和可預計性，依據(jù)是否具有可預計性可以分為兩類：一類是確定性的，此類事物在一定條件下必然要發(fā)生或不發(fā)生；另一類是隨機性的，此類事物有很多可能的結(jié)果，在實驗或?qū)崿F(xiàn)前不能預知會出現(xiàn)哪種結(jié)果，但是其有統(tǒng)計規(guī)律，這種統(tǒng)計規(guī)律可用概率分布（密度）函數(shù)或數(shù)字特征來刻畫。實際上對于許多必然性事物，當我們對其發(fā)生、發(fā)展的一些條件不確知時，或影響它們的條件是隨機的，其也表現(xiàn)具有隨機性。

句法模式識別：句法分析要求識別構(gòu)成句子成分以及它們之間的相互關(guān)系，確定每個動詞的主語和賓語，以及每個修飾性的詞或短語所修飾的成分。如果能把大量可能的輸入結(jié)構(gòu)映射為數(shù)量較少的結(jié)構(gòu)，那么后續(xù)的處理語義分析就會簡化。除此之外，如果在句法分析中選擇的結(jié)構(gòu)是恰當?shù)脑?，主謂、述賓一類的關(guān)系都可以在這個分析階段的結(jié)果中搞清楚。理論語言傾向由句法分析模塊來完成關(guān)系類型，而計算機語言則完全放棄了句法結(jié)構(gòu)的規(guī)范化，讓語義分析模塊直接去處理各式各樣的句子結(jié)構(gòu)。在這一類系統(tǒng)中，句法結(jié)構(gòu)的規(guī)范化實際上被包含在語義分析過程中了。那么這樣需要更復雜的語義規(guī)則，因此在自然語言處理系統(tǒng)中一般的做法仍然包含這樣一種結(jié)構(gòu)規(guī)范化的模塊。在現(xiàn)有的系統(tǒng)中，首先是先句法后語義：即強調(diào)在語言分析過程中存在一個相對獨立的句法分析階段，它的輸出結(jié)果是輸入句子的句法結(jié)構(gòu)。其次是句法和語義一體化：即這種分析策略的系統(tǒng)中不再單獨設(shè)置一個句法分析模塊，也不出現(xiàn)句法結(jié)構(gòu)這樣一種中間的分析結(jié)果。把這兩種觀點結(jié)合起來會得到一個更理想的分析系統(tǒng)，這個分析系統(tǒng)既可以從句法入手也可以從語義入手來進行分析，它們在分析過程中都需要得到對方的幫助。然而要實現(xiàn)這樣一種設(shè)想的前提就是對句法分析和語義分析兩方面都必需有一個扎實的認識。

人工神經(jīng)網(wǎng)絡法：神經(jīng)模型途徑是發(fā)展初期知識很少的通用的學習系統(tǒng)，這類系統(tǒng)通常稱為神經(jīng)網(wǎng)絡，系統(tǒng)包括一個由互連的元件組成的網(wǎng)絡。這些元件類似于神經(jīng)元，它們實現(xiàn)簡單的邏輯功能，這種系統(tǒng)的學習過程是逐步修改元件間的連接強度，一般是連續(xù)改變賦給這些連接的權(quán)值。系統(tǒng)的初始知識是選定輸入元件、網(wǎng)絡結(jié)構(gòu)和初始連接強度。現(xiàn)代模式識別對復雜的信息處理方面，已經(jīng)初步顯示出了識別系統(tǒng)具有一定的智能，但與人腦還不能相比。目前在計算能力上計算機大大超過人類，而關(guān)于人類基本的智能，如視覺、聽覺，計算機的處理能力還很差。那么作為另一種技術(shù)新途徑，人工神經(jīng)網(wǎng)絡的技術(shù)將以嶄新的思路，優(yōu)秀的特性引起人們極大的研究與開發(fā)興趣。對人工神經(jīng)網(wǎng)絡將采用可實現(xiàn)的器件或計算機通過硬件或軟件的方式，解決機器學習、識別、控制、決策等機器智能的問題。當神經(jīng)網(wǎng)絡元模型確定之后，神經(jīng)網(wǎng)絡的特征和能力主要取決于網(wǎng)絡拓撲結(jié)構(gòu)及學習方法，如前向網(wǎng)絡、輸出向輸入反饋的前向網(wǎng)絡、層內(nèi)互連前向網(wǎng)絡、全互連反饋網(wǎng)絡、局部互連反饋網(wǎng)絡。在學習階段，外界將把輸入和輸出信息提供給神經(jīng)網(wǎng)絡，并使網(wǎng)絡的輸入和輸出神經(jīng)元狀態(tài)與外界信息一致，在網(wǎng)絡運行達到穩(wěn)定后，對所有的連接權(quán)進行了調(diào)整。在工作階段，外界將把輸入信息提供給神經(jīng)網(wǎng)絡，要求網(wǎng)絡給出相應的輸出信息，外界提供部分信息，網(wǎng)絡輸出全部信息。

人工智能方法：人工智能是研究怎樣使計算機來模仿人腦所從事的學習、思考、推理和規(guī)劃等邏輯思維活動，以便解決人類專家才能處理的一些復雜問題。主要包括計算機實現(xiàn)智能的原理、制造類似于人腦的智能計算機。它涉及到醫(yī)療診斷、石油測井解釋、氣象預報、運輸調(diào)度和管理決策等課題。從實用觀點看，人工智能是一門知識工程學；以知識為對象，研究知識的獲取、知識的表示方法和知識的使用。從認知觀點看，人工智能僅限于邏輯思維范圍是不夠的，須考慮形象思維、靈感思維才能促進人工智能的發(fā)展。數(shù)學常被認為是多種學科的基礎(chǔ)科學，它在機械運動中，復雜的無組織的如分子運動中都有重要的貢獻。數(shù)學還應進入語言、思維領(lǐng)域，人工智能學科不借用數(shù)學工具是不可想象的。人工智能的研究集中在抽象的、簡單的現(xiàn)實世界的積木塊上，而數(shù)學在人工智能中遠沒有發(fā)揮作用，僅限于標準的邏輯、模糊數(shù)學的使用。人工智能研究的目標就是使計算機及其系統(tǒng)實現(xiàn)人類智能，為人類的工作、學習和生活帶來方便。利用知識以及知識表示就成了人工智能研究的核心。如知識工程、自然語言理解、計算機視覺等都是人工智能的主要研究方面。而專家系統(tǒng)及其開發(fā)工具、自動推理、機器學習已成為研究的熱點。人工智能學科要有理論也要有實踐，思維科學是人工智能的理論基礎(chǔ)；可把人工智能列入認知科學內(nèi)的一種工程技術(shù)學科。計算機是以程序來執(zhí)行一些任務的，衡量一個程序是否是一個智能程序，常常從其自然語言的理解能力，或者是自動推理能力以及機器學習能力來分辨。如此來看，多數(shù)程序不是智能程序，少數(shù)程序可視作智能程序的雛形，根本原因是對機器學習以及自然語言理解的機理的認識還是很不夠的。

［1］程民德.圖像識別論［M］.上海：上?？茖W技術(shù)出版社，1983.

［2］王紹霖.數(shù)字模式識別［M］.長沙：國防科技大學出版社，1985.

［3］戴遺山，汪浩.概率論［M］.哈爾濱：哈爾濱軍事工程學院，1983.

［4］周概容.概率論與數(shù)理統(tǒng)計［M］.北京：高等教育出版社，1984.

［5］趙慶建，陳森發(fā).基于紋理分析的多源信息融合方法研究［J］.信息與控制，2007，（2）.

［6］陳艷琴，羅大庸.多信息融合技術(shù)及在無損檢測中的應用［J］.電子科技大學學報，2003，（6）.

［7］韓崇昭，朱洪艷，段戰(zhàn)勝，等.多源信息融合［M］.北京：清華大學出版社，2006.

［8］楊露菁，余華.多源信息融合理論與應用［M］.北京：北京郵電大學出版社，2006.

［9］馬洪超，郭麗艷.人工神經(jīng)網(wǎng)絡信息融合及其在機場識別中的應用研究［J］.武漢大學學報（信息科學版），2005，（8）.