模式识别1045K-L变换的BP神经网络分类器.docVIP

摘 要 模式识别研究的目的是利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量和客观物体相符合。机器辨别事物最基本的方法是计算，原则上讲是对计算机要分析的事物和标准模板的相似程度进行计算。 本文的第二章和第三章分别介绍了模式识别系统的整个结构和有关概念。第四章就有关基于K-L变换的BP神经网络分类器的设计进行了探讨，从K-L变换原理和BP神经网络基本原理两个方面展开，最后给出运行的结果。 关键词: 特征提取；分类器；BP神经网络；K-L变换； 第1章 绪论 模式识别成为当代高科技研究重要领域之一，发展成为一门独立的新学科。模式识别技术迅速扩展，已经使用在人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，几乎遍及各个学科领域，在国民经济、国防建设、社会发展各个方面得到广泛使用，产生深远的影响。 模式识别就是机器识别、计算机识别或机器自动识别，目的在于让机器自动识别事物。例如，手写数字的识别，结果就是将手写的数字分到具体的数字类别中；智能交通管理系统的识别，就是判断是否有汽车闯红灯，闯红灯的汽车车牌号码；还有文字识别、语音识别、图像中物体识别，等等。该学科研究的内容是使机器能做以前只能由人类才能做的事，具备人所具有的对各种事物和现象进行分析、描述和判断的部分能力。模式识别是直观的、无所不在的，实际上人类在日常生活的每个环节，都从事着模式识别的活动。人和动物较容易做到模式识别，但对计算机来说却是非常困难的。让机器能识别、分类，就需要研究识别的方法，这就是这门学科的任务。 第2章 模式识别系统的组成 一个典型的模式识别系统由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分：上半部分完成未知类别模式的分类；下半部分属于分类器设计的训练过程，利用样品进行训练，确定分类器的具体参数，完成分类器的设计。而分类决策在识别过程中起作用，对待识别的样品进行分类决策。 模式识别系统组成单元功能如下: (1) 数据获取 用计算机可以运算的符号来表示所研究的对象，如二维图像、一维波形、物理参量和逻辑值。 (2) 预处理 对输入测量仪器或其他因素所造成的退化现象进行复原、去噪声，提取有用信息。 (3) 特征提取和选择 对原始数据进行变换，得到最能反映分类本质的特征。将维数较高的测量空问转变为维数较低的特征空间。 (4) 分类决策 在特征空间中用模式识别方法把被识别对象归为某一类别。 (5) 分类器设计 基本做法是在样品训练集基础上确定判别函数，改进判别函数和误差检验。研究模式识别的主要目的是利用计算机进行模式识别，并对样本进行分类。 第3章 模式识别的有关理论 3.1 特征选择和提取 特征选择和特征提取的任务是求出一组对分类最有效的特征。有效是指在特征维数减少到同等水平时，其分类性能最佳。 3.1.1 特征选择 在模式识别中特征选择是一个重要问题，直接从样品得到的数据量往往是相当大的。对一个具体问题来说，有以下两个不同的层次。 物理量的获取和转换 这是指用什么样的传感器获取电信号，对从传感器中得到的信号，可以称之为原始信息，因为它要经过加工、处理才能得到对模式分类更加有用的信号，为计算机分析打下基础。 (2)描述事物方法的选择和设计 在得到了原始信息之后，必须对原始信息进行加工，以获取对分类最有效的信息。设计所要信息的形式是十分关键的。 3.1.2 特征提取 假设已有D维特征向量空问，Y={y1，y2，…，yD}，特征的组合优化问题涉及到特征选择和特征提取两部分。特征选择是指从原有的D维特征空问，删去一些特征描述量，从而得到精简后的特征空问。在这个特征空间中，样本由卵维的特征向量描述：X={xl，x2，…，xn}，nD。由于X只是Y，的一个子集，因此每个分量xi必然能在原特征集中找到其对应的描述量xi=yj。 特征提取则是找到一个映射关系： A：Y—X 使样本新特征描述维数比原维数低。其中每个分量z，是原特征向量各分量的函数，即 xi=A(yl，y2，…，yD) 因此这两种降维的基本方法是不同的。在实际使用中可将两者结合起来使用，例如，先进行特征选择，指从原有的D维特征空间，删去一些特征描述量，从而得到精简后的特征空间，然后再进一步进行特征提取，或反过来操作。 3.2 分类器设计 模式识别分类问题是指根据待识别对象所呈现的观察值，将其分到某个类别中去。具体步骤是建立特征空间中的训练集，已知训练集里每个点所属的类别，从这些条件出发，寻求某种判别函数或判别准则，设计判决函数模型，然后根据训练集中的样品确定模型中的参数，便可将这模型用于判别，利用判别函数或判别准则去判别每个未知类别的点应该属于哪一个类。 在行维特征空间已经确定的前提下，