第九章模糊识别技术.pdfVIP

模糊信息处理——理论与应用 第九章 模糊识别技术 模式识别（Pattern Recognition ）是本世纪六十年代初迅速发展起来的、与高技术的研究开 发有着密切联系的一门新兴学科，是人工智能的重要组成部分。从本质上讲，模式识别所讨 论的的核心问题便是如何使机器模拟人脑的思维方法，来对客观事物进行有效地识别和分类， 因此，模式识别又经常被称作模式分类（Pattern Classification ）。 模式识别的过程大致如图 9.1 的框图所示，包括两个主要的阶段——学习过程和识别过 程。学习过程的主要目的是形成识别所需要的判决规则和标准模式，或者构造出分类器。识 别过程则是应用已得到的分类器或者识别准则对未知样本进行分类。在学习过程和识别过程 中，都首先需要将由“传感器”得到的表征样本的特性（往往表现为物理量和化学量）进行 “数值化”后输入计算机，形成样本数据。一般来说得到的样本数据的数据量大，它对应的 特征空间的维数很高。而一般的分类任务最后形成的类别数是比较少的，它对应的是一个低 维的空间中的划分。因此，模式识别可以理解成一个对高维空间不断变换，不断选取和保留 重要的特征维，不断压缩维数，最后在合适的低维特征空间中的确定对该空间的划分过程。 而学习的目的就是要寻找出从高维数据空间到低维空间的映射关系（维数压缩方法）或映射 规则，以及在对应的低维空间的划分形式。识别的过程是用上述得到的知识来，确定待识的 未知样本在已划分的特征空间中的位置。学习过程是获得类模式原型、分类判决规则，设计 分类器；识别过程，则主要是利用学习阶段训练好的分类器来对未知模式进行归类。因此， 在模式识别过程中，特征的选择、提取和分类规则的获取（分类器的构造）是关键。 识别 待识样本 特征描述 特征选择 模式分类 结果 数据采集 特征提取 维数压缩 输出 识别 学习 形成分类 训练样本 特征描述 特征选择 器或分类 数据输入 特征提取 维数压缩 判决规则 图9.1 模式识别的过程 设计模式识别系统，首先要用各种可能的手段对识别对象的性质作各种测量，并将这些 测量值作为分类用的特征。在实际应用中，能得到的性质测量值的数目可能很多，如果将这 数目庞大的测量值不作分析，全部直接供作分类特征，这不仅耗费机时，而且分类效果也不 一定好，往往出现所谓的“特征维数灾难”现象。因此，要设计出效果良好的分类器，就必 须对测量值集合进行分析，经过选择或变换，组织成识别特征，在保证一定分类精度的前提 下，减少特征维数，使分类器的工作既快又准确。选择和提取有效的特征后，通过对所给的 训练样本的特征矢量集的训练和学习，获得类模式原型，构造出合适的分类器。 根据对训练和识别样本集合先验知识的掌握情况，学习过程可分为有监督（有导师）学 习和无监督（无导师）学习两大类。如果训练样本有类别标记，则可以用监督学习的方法训 练最近邻分类器、神经网络分类器或者基于 IF-THEN 规则的模糊分类器等；如果训练样本无 类别信息，则可以利用聚类分析的方法获得类模式原型，然后构造最近邻原型分类器，或者