模式识别方法及其比较分析(3)

模式识别方法及其比较分析

第3期 赵喜林,等:模式识别方法及其比较分析识别问题,因此适用于分类识别对象本身或要求的识

[2]

别结果具有模糊性的场合。这类方法的有效性主要

#39#

114 神经网络法

人工神经网络是由大量简单的基本单元)))神经元(neuron)相互联接而成的非线性动态系统,每个神经元结构和功能比较简单,而由其组成的系统却可

以非常复杂,具有人脑的某些特性,在自学习、自组织、联想及容错方面具有较强的能力,能用于联想、识别和决策。在模式识别方面,与前述方法显著不同的特定之一是训练后的神经网络对待识模式特征提取与分类识别在该网络可以一同完成[3]。神经网络模型有几十种,其中BP(误差反传播算法)网络模型是模式识别应用最广泛的网络之一。它利用给定的样本,在学习过程中不断修正内部连接权重和阈值,使实际输出与期望输出在一定误差范围内相等。115 逻辑推理法

逻辑推理法是对待识客体运用统计(或结构、模糊)识别技术,或人工智能技术,获得客体的符号性表达即知识性事实后,运用人工智能技术对知识的获取、表达、组织、推理方法,确定该客体所归属的模式类(进而使用)的方法[5]。它是一种与统计模式识别、

在于隶属函数是否良好。目前,模糊识别方法有很

多,大致可以分为两种,即根据最大隶属原则进行识别的直接法和根据择近原则进行归类的间接法,分别简介如下:

11311 根据最大隶属原则进行识别的直接法 若已知个类型在被识别的全体对象U上的隶属函数,则可按隶属原则进行归类。此处介绍的是针对正态型模糊集的情形。对于正态型模糊变量x,其隶属度为2

A(x)=e

其中a为均值,b2=2R2,R2为相应的方差。按泰勒级数展开,取近似值得

21-() x-a<b

bA(x)=

0 x-a>b

若有n种类型m个指标的情形,则第i种类型在第j种指标上的隶属函数是

01-Aij(x)=

11-(2)bij

2

[-()]

x[a(ij1)-bij

x-bij

a(ij1)

2

aij-bij<x<aij

(1)(2)

aij[x[aij

(2)aij<

(1)(1)

句法模式识别相并列(又相结合)的基于逻辑推理的智能模式识别方法。它主要包括知识表示、知识推理和知识获取三个环节。

x<

(2)

aij+

bij

2 五种基本方法的比较

上述的五类方法各有特点及应用范围,它们不能相互取代,只能共存,相互促进、借鉴、渗透。一个较完善的识别系统很可能是综合利用上述各类识别方法的观点、概念和技术而形成的。我们可以以表格的方式,对它们做一比较,见表1。

在这五种基本方法中,模式识别主要用两类方法来进行,即统计模式识别和句法模式识别。当然,这两种识别方法是并行不悖的,是可以取长补短,互相补充的。统计方法发展较早,取得了不少应用成果,但是它对模式本身的结构关系很少利用,而很多识别问题,并不是用简单的分类就能解决的,往往更重要的是要弄清楚这些模式的结构关系。另一方面,单纯的句法模式识别方法没有考虑到模式所受到的环境、噪声的干扰等不稳定因素的影响。因此,把这两种方法结合起来,是研究模式识别问题的一个方向[6]。在这方面,提出了随机文法、属性文法等一些新的研究方向,并取得了一定的成果。

bij<x 0

(1)(2)

其中aij和aij分别是第i类元素第j种指标的

2

最小值和最大值,b(ij2)=2R2ij,而Rij是第i类元素第j种

a(ij2)+

指标的方差。

11312 根据择近原则进行归类的间接法 若有n种类型(A1,A2,,,An),每类都有m个指标,且均为正态型模糊变量,相应的参数分别为,a(ij1),a(ij2),bij(i=1,2,,,n;j=1,2,,,m)。其中,

(1)aij=

min(xij),

2

a(ij2)=max(xij),b(ij2)=2R2ij,而Rij是xij的方差。待判别

对象B的m个指标分别具有参数aj,bj(j=1,2,,,m),且为正态型模糊变量,则B与各个类型的贴近度为:

01-(Aij,B)=

11- 0

2

aj-bj+bij

(2)aij

2

aj[

2

aj-bj+bij

(1)aij

2

(1)

(1)aij-

(bj-bij)

(1)

aij-(bj-bij)<aj<aij aij

(2)(1)

[aj[aij

(2)

(2)

aij<aj<aij+(bj+bij) aij+(bj+bij)[aj

(2)

3 结语

目前,模式识别理论和技术已成功地应用于工记Sj=1min(Aij,B),又有Si0=1max(Si),按贴近[j[m[j[n