智能信息处理中模式识别.docVIP

智能信息处理中模式识别 　　摘要：自20世纪60年代以来，模式识别的理论与方法的研究及相关理论在实际项目应用中取得了长足的发展。该文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 　　关键词：模式识别；概率密度估计；特征选择和变换；分类器 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）30-6879-02 　　模式识别（Pattern Recognition）是对外界采集的信号如：图像信号、声音信号、视频信号、文本等进行分析和处理，这种对处理对象数据中蕴含的行为或规律进行判别、识别、解释的过程就构成了模式识别技术的基本元素。自然界中有生命的人和动物普遍都具有模式识别能力，这种识别的能力是具有此种模式能力的对象与外界进行交互的重要接口和基石。现阶段学术界和工业界所倡导的模式识别是指用人造计算机或其他设备实现模拟识别的过程，因此模式识别成为了人工智能领域的一个重要分支。早在Rosenblatt 的感知机和 Nilsson的学习机理论中就解释了机器学习、模式识别以及阐述了机器学习与模式识别相关领域的关系[1]。随着时间的推移，人类的需求不断的变化，原来专注于识别的过程现阶段转移到对事物的内在关系和未来的推理上来了。 　　本文首先叙述了关于模式识别领域的发展历史以及模式识别在此过程中使用的主要方法的演变过程，文章后阶段介绍了模式识别理论方法研究的最新进展并分析未来的发展趋势。由于 Jain 等人的综述[3]已经全面介绍了 2000 年以前模式分类方面的进展，该文侧重于 2000 年以后的研究进展。 　　1 历史回顾 　　早在20 世纪 40 年代，随着电子计算机的逐渐兴盛，人们对于计算机的不断探索研究，发现需要用一些科学的方法来解决计算机识别和处理等问题。在已有的模式识别在其他领域的应用范例，如：机械领域和光领域。其中在光领域最具代表性的是现代模式识别例子是德国人Gustav Tauschek与1929年关于光学字符识别的专利。 　　20 世纪 80 年代 BP（Back-propagation）神经网络算法的兴起以及成功的在工程和学术上的应用燃起了人们对人工神经网络技术的研究和探索的激情，仿佛人工神经网络即将会实现，用以取代人类智能。国际性的模式识别大会也不断的召开，直至2012年国际模式识别大会已经成功举办的21届。 　　纵观模式识别的发展历程，该文将模式识别研究的过程归纳为以下几个方面：首先，针对模式识别的原始处理识别以及模型的选择问题，人们做了大量的研究，其中最具有代表性的是 Bayes 学习理论，其产生对分类方法的研究提供了新的方法[2]。其次，一些在传统领域应用的比较多的问题，如：概率估算、可代表莫一类事物的特征向量的选择问题、针对未知问题的类别聚合问题等等，人们都期望用新的方法加以实验。第三方面，随着机器学习领域的不断发展，如粒子群优化算法、C4.5、支持向量机等技术的发展，这些都极大的促进了模式识别的进步，机器学习和模式识别领域相互交融、相互补充和融合的趋势进一步加强。第四个方面，模式识别与数据挖掘技术进一步结合，随着模式识别技术的不断发展，产生了新的问题，事物潜在的内部规律有待进一步发掘，故模式识别与数据挖掘的相关技术有进一步结合的趋势。第五，模式识别的理论和方法等不断的进步、计算机性能的不断提升人们迫切的需要将理论转化为现实的生产力，故模式识别在现实中的应用研究占据主要地位。第七，随着云计算与物联网的兴起和发展，这些技术为模式识别领域带来了新的机遇，模式识别中的大数据处理以及物物相联问题将是一种研究的趋势。 　　2 模式识别的研究现状 　　2.1 模式识别系统和方法概述 　　模式识别从其加工处理的过程来看，总的可以分为：前期处理、中期计算、后期融合三个阶段。其中前期处理有可以分为：数据初处理、归一化、模式分隔与计算、特征提取等，中期计算包括模式识别、模式匹配，后期融合包括数据合并、数据计算等[3]。 　　2.2 概率密度估计 　　在非监督学习技术中，其最具代表性的发的当属概率密度估计和聚类，二者都属于非监督学习方法。概率密度估计技术主要应用在诸如聚类、特征选择、分类奇异点检测等多方面。基于Bayes 决策规则理论的分类问题就应用了概率密度估计方法，通过概率密度估计方法对未知的事物进行分类。此外在支持向量机的应用基础上，利用距离向量函数与核函数等技术将为分类的数据依据最小分类间隔进行分类，这种方法有其自身的优越性，但是在算法的性能上有待提高，尤其是对于特征向量较多地情况，虽然引入了核函数，但是在运