人工智能教案06章神经网络6.5 神经网络在模式识别中的应用.pdfVIP

6.5 神经网络在模式识别中的应用 模式识别是神经网络最有应用前景的领域之一。模式识别是 六十年代兴起的新兴科学分支，其主要研究内容是用计算机模拟 生物、人的感知 （感觉），对模式信息，如图像、文字、语音等， 进行识别和分类。模式识别是个跨领域的科学研究分支，不仅仅 涉及计算机科学的信息处理技术，而且涉及数学、心理学及人类 的感觉与思维规律的探索。 传统人工智能的研究部分地显示了人脑的归纳、推理等智 能。但是，对于人类底层的智能，如视觉、听觉、触觉等方面， 现代计算机系统的信息处理能力还不如一个幼儿园的孩子。神经 元网络的研究填补了该方面的不足，以崭新的思路，奇特的性质 引起了人们的极大兴趣。 神经网络模型模拟了人脑神经系统的特点：处理单元的广泛连 接；并行分布式信息储存、处理；自适应学习能力等。模式识别 的神经网络方法与传统方法相比有如下特点： ① 具有较强的容错能力。 容错能力主要是由于信息分布式存储所决定的。由于信息的 广泛、分散地存储，匹配时噪声、畸变引起的局部误差的影响大 大减小。同时，从理论上分析，神经网络的容错能力是向量空间 映射的结果。以前向神经网络为例，输入空间的低维特征向量经 过神经网络的输入层的映射后转换成为隐含层神经网络处理单 元代表的新向量，即，进行了一次向量空间映射。从隐含层到输 出层又是一次向量空间的映射。一开始有交叉混杂的向量经过几 次映射后渐渐被分离开来实现了分类的目的。神经网络分类不是 机械式的匹配，因此有较高的容错能力。 ② 具有较强的自适应学习能力 从本章的前几节我们可以看到，神经网络的学习大致可以分 为构造型和训练型两种。其中训练型网络又包括有教师训练型和 无教师训练型。自适应学习能力主要是指无教师信号的学习能 力。具有这样学习方法的网络可以根据大量样本自身的特性进行 自动分类，即，自动进行学习，使系统自适应于样本空间，具有 相应的分类能力。 ③ 并行信息处理结构，速度快 无论是哪种神经网络模型都具有这个特性，这是由神经网络 研究的基本原理决定的。即，大量的处理单元 神经元；处理 单元间的相互连接 多输入单输出。只有这样才能构成神经网 络。 本节主要介绍神经元网络在文字识别中的应用。 文字识别实质上是模式 （样本）分类，即对于一个输入样本 根据其某些特征进行判断，最终将其归于一个最相似的类中。 文字识别是模式识别的重要应用领域，文字识别技术涉及到 模式识别、图像处理、人工智能、模糊数学、组合论、信息论、 计算机科学等多个学科，也涉及到语言文字学、心理学等学科， 是一门综合性学科。 字符识别系统工作过程如右图所示： 图6-16 字符识别流程 t6-16_swf.htm 建立字符识别系统的主要步骤： ① 样本筛选、校对 ② 待识别文字所在文本的版面分析，文字切分 ③ 文字的图像预处理 ④ 文字特征提取 ⑤ 分类识别 ⑥ 识别结果后处理 ① 样本筛选、校对 为建立一个良好的识别系统，学习 （训练）样本是必不可少 的。样本筛选的主要目的是选取合理的学习样本。理论上讲，训 练样本只有覆盖整个样本空间才能保证分类器设计的鲁棒性性 能，即，系统进行识别时分类器能够正确判定所有类型的输入样 本。但是实际上，由于待识别样本集合是开放的、不可穷举的， 因此要求覆盖整个样本空间是不可能的。我们只能尽可能的挑选 样本，使其覆盖面广一些。样本的校对是为了保证训练样本的正 确性。首先，要保证样本是切分正确的，比较干净的（噪声较少）。 此外，如果采用的是有教师监督学习方法，必须保证样本的标注， 即每一个样本的正确答案，也就是教师信号是正确的。 本节对该部分内容不进行详细论述 ② 待识别文字所在文本的版面分析，文字切分 字符识别是在待识别文字得到正确的分离的前提下进行的。 因此，文字识别系统的很大一部分工作是文本的版面分析与字符 的切分。只有将含有字符、图像等复杂内容的文本版面进行正确 的分析，分离出字符区域，应用相应算法将该区域内的字符一个 个的