模式识别在神经网络中的研究

摘要：基于视觉理论的神经网络模式识别理论的研究一直是非常活跃的学科，被认为是神经网络应用最成功的一个方面，它的发展与神经网络理论可以说是同步的。

几乎所有现有的神经网络物理模型都在模式识别领域得到了成功的应用，神经网络理论取得进步会给模式识别理论的发展带来鼓舞；相反，模式识别理论的进步又会大大推动神经网络理论的长足发展。

它们的关系是相互渗透的。

关键词：神经网络；模式识别Abstract: The research of pattern recognition theories according to the neural network mode of sense of vision theories has been very active in academics, neural network has been thought one of the most successful applications , its development can been seen as the same step with the neural network theories.Almost all existing physics model of the neural network all identified realm to get success in the mode of application, neural network theories' progress will give the development of the pattern recognition theories much encourage;Contrary, the pattern recognition theories of progress again consumedly push neural network theories of substantial development.Their relations permeate mutually.Key word: neural network; pattern recognition模式识别在神经网络中的研究一、人工神经网络模式识别系统的意义人工神经网络是近年来的研究热点,其应用于建模、时间序列分析、模式识别和控制等领域。

它的理论与实践有引人注目的进展, 再一次拓展了计算概念的内涵, 使神经计算、进化计算成为新的学科。

在此同时, 神经网络的软件模拟得到了广泛的应用使用机器来进行模式识别是一项有价值的工作。

比如用机器来辨别银行的签字和邮政编码, 那么它就能在相同的时间里做比人多得多的工作。

模式识别不仅省时, 而且经济, 同时还能将劳动者从繁杂的重复劳动中解脱出来二、模式识别的基本原理模式识别系统的结构如图一所示，下面对各部分进行简要说明。

图一模式识别系统的构成（1）信息获取：为了使计算机能够对各种现象进行分类识别，要用计算机可以运算的符号来表示所研究的对象。

通常输入对象的信息有二维图像、一维波形、物理参量和逻辑值三种类型。

通过测量采样和量化，可以用矩阵或向量表示二维图像或一维波形。

这就是数据获取的过程。

（2）预处理：去噪声，提取有用信息，并对输入测量仪器或其它因素所造成的退化现象进行复原（3）特征值提取与选择：由图像或波形所获得的数据量是相当大的。

例如，一个文字图像可以有几千个数据，一个卫星遥感图像的数据量就更大。

为了有效的实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。

三、神经网络模式识别的特点（1）它具有自组织和自学习能力，能够直接输入数据并进行学习。

神经网络对多要处理的对象在样本空间的分布状态无须作任何假设，而是直接从数据中学习样本之间的关系，因而他们还可以解决那些因为不知道本分部而无法解决的识别问题。

（2）神经网络具有推广能力。

它可以根据样本间的相似性，对那些与原始训练样本相似的数据进行正确处理。

（3）网络是非线性的，即它可以找到系统输入变量之间复杂的相互作用。

在一个线性系统中，改变输入往往产生一个成比例的输出。

但在一个非线性系统中，这种影响关系是一个高阶函数，这一特点很适合于实时系统，因为实时系统通常是非线性的。

神经网络则为这种复杂系统提供了一种实用的解决办法。

四、基于神经网络的几种控制图表的模式识别对控制图表模式的分析，已经成为当今工业生产制造的一个热点话题。

通过对控制图表的研究更为快捷的找出生产过程中的异常状况，通过对控制图异常的分析，对控制图表进行自动识别，可以大大的提高企业的生产、检测、质量保证等各部门的自动化程度。

通过建立人工神经网络来对控制图表进行识别，可以有效的减少变量间的非线性关系造成的大量影响，是辨识过程更加准确，而且通过训练可以让网络适用于更多不同的具体情况。

4.1网络结构网络分为两大部分，第一层为判断层，用于判断输入图表的种类；第二层为再分类层，用于对第一层所判断的种类进行一次再划分，把分类错误图表划入它应属于的种类。

第一层采用的是3层的前向BP网来构建输入层个数为10，隐层为3，输出层个数为6，第二层利用第一层所得到的输出参数，进行比较再分类。

将0个连续的观测点的数据经过数据处理作为神经网络的输入量。

输出层包括6个神经元，每个神经元代表一种模式类型，若为该模式，对应神经元输出1，否则为-1，如正常模式为【1，-1，-1，-1，-1，-1】，逐渐上升趋势模式为【-1,1，-1，-1，-1，-1】第一层结构通过分析输入数据对数据的模式进行分类，然后根据图表模式对应的类别将数据输入到第二层网络中训练。

第二层中的网络和第一层所使用的结构相同，即分类层、阶跃模块、趋势模块、周期模块均有相同的结构。

三个子网构成一个复合型的神经网络，每个网络处理对应网络，通过处理，分别可以得到：阶跃模式的幅度的大小、趋势模式的斜率、周期模式的周期以及振幅，；例如：周期模块的输出为【-1,1,1,0.23，3,-1】,其中0.23为输入控制图的振幅，周期为3。

这样构建网络的好处是，提高同一网络模块的利用率，将图表模式分类和图表参数估计统一到一个复合网络中，降低程序的复杂度。

图二网络结构4.2 控制图表基本模式控制图表的基本模式有（a）正常模式；（b）阶跃模式；（c）趋势模式；（d）周期模式（如图三）。

图三控制图表基本模式五、常用的模式识别神经网络模型5.1 感知机及BP网络BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入层传入。

经各层逐层处理后，传向输出层。

若输出层的实际输出与期望的输出（教师信号）不符，则转入误差的反向传播阶段。

误差反传是将输出误差以某种形式通过隐层向输入层逐层反传、并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。

这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始的进行的。

权值不断调整的过程，也就是网络的学习训练过程。

此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

5.2竞争学习和侧抑制上述前馈网络属于监督学习，需要同时提供输入样本和相应的理想输出。

引进竞争机制的前馈网络可以实现无监督学习，完成类聚的任务。

竞争学习网络的结构与二层前馈网络类似，只是在输出层加上了侧抑制。

侧抑制是将输出层各单元之间相互作用较大的负权值输入对方的输出，这种互连构成正反馈，类似于双稳态或多稳态触发器。

5.3 自组织特征映射人脑是由大量的神经元组成的，大脑中分布着大量的只有协同作用的神经元群体，同时大脑网络又是一个复杂的反馈系统，即包括局部反馈，也包括整体反馈及化学交互作用，聚类现象对于大脑的信息处理起着重要作用。

自组织映射网络的学习算法也是一种竞争学习算法，区别只是输出层具有几何分布，由交互作用函数取代了简单的侧抑制，因此其学习算法也是类似的。

参考文献[1] 傅京孙. 模式识别应用[M]. 北京: 北京大学出版社, 1990.[2] 张天序. 模式识别与智能系统研究展望和对策. 自动化学报2002 ,28: 92-94.[3] 江铭虎,袁保宗等. 神经网络语音识别的研究及进展. 电信科学 1997,13 (7):1-5.[4] 严红平,潘春洪. 模式识别简述. 自动化博览. 2006:22-26.[5] 边肇祺,张学工等. 模式识别[M]. 北京: 清华大学出版, 2000.[6] 王碧泉,陈祖荫. 模式识别理论方法和应用[M]. 北京: 地震出版社, 1989.[7] 曾庆鹏,吴水秀等. 模式识别中的特征提取研究. 中文核心期刊《微计算机信息》(测控自动化)2008,24(1-1):220-221.[8] 熊承义,李玉海. 统计模式识别及其发展现状综述. 武汉: 科技进步与对策. 2003.[9] 熊超. 模式识别理论及其应用综述. 中国科技信. 2006,6:171-172.[10] 温星. 浅谈人类模式识别的特点. 山西经济管理干部学院学报. 2008,16(1):57-58[11] 张涛,洪文学等. 模式识别中的表示问题. 燕山大学学报. 2005,32 (5):382-388.[12] 耿冠宏,孙伟. 神经网络模式识别. 软件导刊. 2008,7(10):81-83.clear all;close all;Data=[0 1 0 1 2 1 2 3 6 7 8 6 7 8 9 7 8 9 8 90 0 1 1 1 2 2 2 6 6 6 7 7 7 7 8 8 8 9 9;];[DataRow,DataColumn]=size(Data);Step=10;NumKind=2;Center=Data(:,1:NumKind);[KindData,KindNum]=Clustering(Center,Data);NewCenter=CaculateCenter(KindData,KindNum,DataRow);while (sum(sum(NewCenter~=Center))) & StepCenter=NewCenter;[KindData,KindNum]=Clustering(Center,Data);NewCenter=CaculateCenter(KindData,KindNum,DataRow);Step=Step-1;endfor i=1:NumKindKindData(:,1:KindNum(i),i)endif DataRow~=2disp('The result can not display on the two-dimensional figure ') elseXMin=min(Data(1,:));YMin=min(Data(2,:));YMax=max(Data(2,:));XMax=max(Data(1,:));KindDisplay(KindData,KindNum,XMin,XMax,YMin,YMax) Endfunction [KindData,KindNum]=Clustering(Center,Data) [DataRow,DataColumn]=size(Data);[CenterRow,CenterColumn]=size(Center);KindData=zeros(DataRow,DataColumn,CenterColumn); KindNum=linspace(0,0,CenterColumn);for i=1:DataColumnDistance=linspace(0,0,CenterColumn);for j=1:CenterColumnfor k=1:DataRowDistance(j)=Distance(j)+(Data(k,i)-Center(k,j)).^2;endendDistance=sqrt(Distance);[X,Y]=min(Distance);KindData(:,KindNum(Y)+1,Y)=Data(:,i);KindNum(Y)=KindNum(Y)+1;Endfunction NewCenter=CaculateCenter(KindData,KindNum,DataRow) TotalKindNum=length(KindNum);NewCenter=zeros(DataRow,TotalKindNum);for i=1:TotalKindNumTemp=KindData(:,1:KindNum(i),i);NewCenter(:,i)=sum(Temp')'/KindNum(i);Endfunction Display(KindData,KindNum)[DataRow,DataColumn]=size(Data);if DataRow~=2function KindDisplay(KindData,KindNum,XMin,XMax,YMin,YMax) figureTotalKindNum=length(KindNum);for i=1:TotalKindNumTemp=KindData(:,1:KindNum(i),i);plot(Temp(1,:),Temp(2,:),'*')axis([XMin,XMax,YMin,YMax])hold onpauseend#include<stdio.h>#include<math.h>//a=bvoid copy(double a[],double b[]){int i=2;for(i=0;i<2;i++){a[i]=b[i];}}//a=a+bvoid add(double a[],double b[]){a[0]=a[0]+b[0];a[1]=a[1]+b[1];}//a=b返回1，否则返回0int compare(double a[],double b[]){if(a[0]==b[0]&&a[1]==b[1])return 1;elsereturn 0;}//返回a和b的距离double distance(double a[],double b[]){return (sqrt((a[0]-b[0])*(a[0]-b[0])+(a[1]-b[1])*(a[1]-b[1])));}//k均值子程序void Kaverage(double x[20][2],int label[])//label[i]表示x[i]标签(1或2){double centre1[2]={0,0},centre2[2]={0,0};copy(centre1,x[0]);copy(centre2,x[9]);//初始聚类中心为x1和x10，将x[9]代之以x[1]，运行结果和教科书上例题一致int j=1;while(j>0){int i;int N1=0,N2=0;for(i=0;i<20;i++){if(distance(x[i],centre1)>=distance(x[i],centre2)){label[i]=2;N2=N2+1;}else{label[i]=1;N1=N1+1;}}double new1[2]={0,0},new2[2]={0,0};for(i=0;i<20;i++){if(label[i]==1)add(new1,x[i]);elseadd(new2,x[i]);}new1[0]=new1[0]/N1;new1[1]=new1[1]/N1;new2[0]=new2[0]/N2;new2[1]=new2[1]/N2;if(compare(new1,centre1)==1&&compare(new2,centre2)==1) break;else{copy(centre1,new1);copy(centre2,new2);}j++;}printf("centre1=%f,%f\n",centre1[0],centre1[1]);printf("centre2=%f,%f\n",centre2[0],centre2[1]);int i;printf("聚类中心为centre1=%f,%f的有\n",centre1[0],centre1[1]);for(i=0;i<20;i++)if(label[i]==1)printf("x[%d]\n",i);printf("聚类中心为centre2=%f,%f的有\n",centre2[0],centre2[1]);for(i=0;i<20;i++)if(label[i]==2)printf("x[%d]\n",i);}//主程序void main(){doublex[20][2]={{0,0},{1,0},{0,1},{1,1},{2,1},{1,2},{2,2},{3,2},{6,6},{7,6},{8,6},{6,7},{7,7},{8,7},{ 9,7},{7,8},{8,8},{9,8},{8,9},{9,9}};int label[20];Kaverage(x,label);}。