《人工智能简介》知识拓展.DOCVIP

《人工智能简介》知识拓展 4．模式识别 在日常生活中，我们经常都在进行着模式识别。例如当我们在阅读报纸时，首先看到的是一个个汉字，唯有先识别个别的汉字，才能进一步识别句子，最后再理解句子的含义，其中汉字的识别就是一种模式识别；当我们在家中，对周围的各种物体都进行着模式识别，如果想喝水，首先需要识别出水杯在哪儿，然后进行倒水和喝水。那么，计算机又是怎样来模仿人类的模式识别本领的？除人工神经网络外，计算机进行模式识别的方法大体上可以分为两大类：即决策方法和句法结构分析法。 决策识别方法就是对模式的统计分类方法，即采用概率统计理论中的贝叶斯方法进行决策的模式识别技术，识别方法如图1.33所示。 预 预 处 理 输入 模式 特征 抽取 分 类器 X1 X2 … Xn 决策 模块 输出 结果 一组特征向量 图1.33 模式识别的决策论方法 图1.33 模式识别的决策论方法 识别过程是首先通过输入装置将外部信息输入到电脑的预处理模块，经过排除干扰、处理之后，进入特征抽取模块。电脑依靠被识别对象的不同特征表现来识别不同模式。特征度量（在图1.33中用xi[i=1,2,…,n]来表示)的多少取决于识别对象。例如，对汉字的识别，方块的上、下、左、右4个部位上笔画的式样、字的笔划总数等都可以作为特征度量。提取出来的特征度量，再送到分类器去进行分析、综合，按特征的不同把输入模式纳入某一具有相似特征的对象类。最后由决策模块作出判断、输出识别结果。 样本匹配法是决策论方法的一个特例，下面介绍一个大为简化的样本匹配法来识别汉字的例子（如图1.34所示）。假设输入的是完全规范化的印刷体汉字，并且用一个8x8的方阵来表示汉字“大”的笔划：有笔划覆盖的地方用黑色小方点拼凑而成，在计算机中可以用二进制码“1”来代表黑点，“0”来代表空白点。这样汉字的“特征”就可以用8个字节的编码形式来表示，在计算机中，还需要有一个汉字的样本库，存储着每个不同汉字的特征向量集。当计算机“读进”一个汉字并经过特征抽取而得到相应的特征向量集后，就从样本库中查找出与输入向量集恰好相匹配的样本特征向量集。这个样本向量集代表的汉字“大”就是所识别的结果了。 图1.34 对汉字“大”的识别过程 对于复杂的图像或景物，往往将它分解为若干个较小的部分；每个部分又可分解为若干个基本图素，例如：圆、椭圆、矩形、方形、三角形、梯形等；每个图素又可分解为线段、左直角、右直角、锐角、钝角、圆弧等更小的图素。这样就把一个大对象的模式识别问题转化为由粗到细的多层次特征识别问题。 结构模式识别或句法模式识别是另一种不同于决策论方法的模式识别方法，基本思想是把最基本的图素，也就是最底层的图素看作是类似于语言中“单词”或“字母”；一个图像或图形模式就像是一个“句子”；从图像或图形模式分解出来的子模式，可能还有子模式的子模式，就是“短语”或“子句”等，怎样由“单词”一步一步地构成合法“句子”的规则，就是这种语言的语法。这样就可以把模式识别问题转化为句法分析问题，如图1.35所示。 预 预 处 理 输入 模式 模式 表达 句法 分析 输出 模式 句法 规则库 模式 样本 图1.35 模式识别的句法分析方法 实现这种方法的关键在于怎样分解和表达一个模式。例如假设识别对象是一种完全由垂直或水平线段构成的图案，这样可以用4个不同方向的单位矢量作为基本图素来表示一个图案模式。一种代表阿拉伯数字6的图案模式，就可以用类似于语法分析树的形式来表示，如图1.36所示。 图1.36 用语法分析法时，图案模式表示方法举例 [节选自《十万个为什么》（人工智能） 清华大学出版社]