神經網絡在模式識別中的應用研究

林翠平 劉焱煜

摘 要：現階段人工智能領域研究十分側重于智能識別方法的融合，鑒于模糊神經網絡技術具有知識儲存、不確定信息處理等多項優秀能力，將神經網絡應用于模式識別中可以彌補原有技術領域的缺陷與不足，因此，關于神經網絡在模式識別中的應用已成為一項研究重點。本文就神經網絡在模式識別中的具體應用進行詳細闡述。

關鍵詞：神經網絡;模糊邏輯;模式識別;具體應用

現階段人工智能領域正在開展關于多種智能識別方法的融合應用來改善識別效果，基于模糊邏輯與神經網絡而成的模糊神經網絡對于真正智能模擬的實現有著極為重要的作用。

1.模式識別概述

模式在本質上是一個內涵十分豐富的概念，其主要是指人類可以利用感官直接或間接接受的外界信息，Watanabe等人在研究中將模式定義為：凡是可以給出一個名字的便可以稱為“模式”，并且其在定義過程中將某些具有共同特性的模式集合統稱為“模式類”。“模式識別”在本質上是識別特定事物或模式相同點與相似點的過程，所以在研究過程中主要是利用自動技術來實現這一過程，在該類技術的支撐下計算機可以自動地將待識別模式分配到各自的模式類中，在這個過程中用到的技術統稱為模式識別技術，尤其是在計算機技術的支撐下使其發展形成一種模擬人的識別方法，所以對于模式識別的概念應該定義為自動判別和分類的過程。模式識別的過程為研究對象、數據采集、數據預處理、測量空間、特征選擇與提出、特征空間比對、模式分類、儲存至類型空間等，對于整個模式識別過程來說數據采集、數據預處理、特征提取以及特征選擇是其重點。在模式識別中，數據預處理后所獲取的原始數據所在空間則被稱為測量空間，將模式進行分類的空間則稱為特征空間。模式識別系統在設計過程中主要由學習模塊與測試模塊兩個核心模塊組成，并且整個系統在運行過程中具備訓練模式樣本特征數據輸入、制定分類判決規則、錯誤率檢測、模式樣本特征選擇和正特提取方法調整等多項功能。

2.模式識別系統分析

模式識別系統在運行中的學習模塊與測試模塊中都設計了數據預處理的功能，其可以根據用戶需求將感興趣的模式從背景中進行分離處理，并且可以避免噪聲信號對整個系統的運行產生影響，還可以根據用戶的實際需求來建立標準化模式樣本等。學習模塊在運行中會將已知的樣本模式進行數值化處理后輸入計算機，這個過程被稱為訓練模式樣本特征數據的輸入，系統可以對輸入的樣本進行分析并排除無效或容易出現混淆的特征，對于一些對分類判別有效的數據特征則可以進行界定并保留，這個過程被稱為模式識別系統在運行階段的特征選擇。

模式識別系統在運行過程中還需要將一些變換技術作為支撐，這是因為通過變換技術的應用可以得出比原來數目少的綜合性特征作為分類用，這一過程被稱為特征維數壓縮或特征提取，系統會按照設想的分類判決數學模型對樣本模式進行訓練來得出分類的判決規則。模式識別系統在獲取判決規則后便可以開始整個識別過程，其需要將未知模式特征數據進行采集、選擇與提取，然后根據已有的判決規則對輸入的模式進行分類，最后便可以根據用戶需求來輸入整個模式識別的結果。系統還可以將已識別的分類結果與已知分類輸入模式進行對比，以便于對判決規則與特征選擇、提取方法進行不斷的優化，系統只有在該種模式下才能制定出錯誤率最小的判決規則與特征選擇、提取策略，對于模式識別系統來說，這一過程被稱為再學習的過程。

3.神經網絡在模式識別中的具體應用

國內在較早階段便開始了神經網絡在模式識別中應用的相關研究，但是學者所提出的研究成果并沒有得到廣泛應用。在20世紀80年代末期，我國一些專家對模式識別在地震特征提取等方面的應用進行了優化與改進，并結合不同地區不同地質條件開展了一系列試驗研究，先后取得了很多效果十分顯著的成果，并且在這個基礎上為整個系統增加了人機交互功能，改進后的模式識別系統開始在國內相關領域中得到了廣泛應用。我國部分領域所使用的模式識別系統在最初以統計識別策略為主，在最近幾年才將神經網絡識別策略應用于模式識別系統中。20世紀80年代后期，世界上關于人工神經網絡的研究開始進入一個熱潮，這是因為在該階段由Rumelhart等人在研究中提出了反向傳播學習算法，對于神經網絡來說其可以有效解決前饋反向神經網絡學習訓練的問題，所以對于整個神經網絡研究領域來說開辟了一條新的途徑。前饋反向神經網絡學習問題的有效解決使神經網絡的各項優勢充分彰顯出來，而前饋反向神經網絡模式識別則成為模式識別中的一個核心發展方向，并且開始被廣泛應用于生物、醫學、地質以及化工等產品檢測領域中，本文認為關于神經網絡在模式識別中的應用將會給社會帶來巨大變革，同時也意味著基于神經網絡的模式識別技術將成為網絡數字化時代的一項核心技術。

4.結語

現階段前饋反向神經網絡模式識別已經開始在社會各領域進行實踐應用，雖然在該技術體系中還存在一些不足與缺陷，但是在現代科技的支持下其勢必會迎來一個新的發展時期，對于我國社會各生產領域來說有著極為重要的推動作用。

參考文獻：

[1]汪烈軍.一種改進的結構自適應自組織神經網絡算法[J].微電子學與計算機，2007（01）.

[2]趙菊敏，程海青，張立毅.基于動量項前饋神經網絡盲均衡算法[J].太原理工大學學報，2007（03）.

[3]褚 輝，賴惠成.一種改進的BP神經網絡算法及其應用[J].計算機仿真，2007（04）.

（作者單位：中國計量學院）