【文章內(nèi)容簡介】 式識別結(jié)構(gòu)模式識別是利用模式的結(jié)構(gòu)描述與句法描述之間的相似性對模式進行分類。每個模式由它的各個子部分(稱為子模式或模式基元)的組合來表示。對模式的識別常以句法分析的方式進行, 即依據(jù)給定的一組句法規(guī)則來剖析模式的結(jié)構(gòu)。當模式中每一個基元被辨認后, 識別過程就可通過執(zhí)行語法分析來實現(xiàn)。選擇合適的基元是結(jié)構(gòu)模式識別的關(guān)鍵?；獞哂小敖Y(jié)構(gòu)簡單、含義明確、能方便地描述數(shù)據(jù)、易于抽取、結(jié)構(gòu)信息少” 等特點。 由于基元選擇的不確定性以及基元特征的多樣性, 實際應用中有時很難同時滿足以上特點 , 所以有必要在基元的復雜性和易識別性之間取一個恰當?shù)恼壑?。結(jié)構(gòu)模式識別主要用于文字識別、遙感圖形的識別與分析、紋理圖像的分析中。該方法的特點是識別方便, 能夠反映模式的結(jié)構(gòu)特征 , 能描述模式的性質(zhì), 對圖像畸變的抗干擾能力較強。 如何選擇基元是本方法的一個關(guān)鍵問題, 尤其是當存在干擾及噪聲時, 抽取基元更困難, 且易失誤?；诮y(tǒng)計決策和結(jié)構(gòu)模式識別在早期的模式識別中應用比較多, 隨著人們對模式識別要求的提高, 在解決一些復雜的模式識別問題時 , 上述方法的局限性越來越明顯。模糊邏輯思想和神經(jīng)網(wǎng)絡(luò)的提出, 為人們解決模式識別問題提供了新的思路。 模糊模式識別1965 年Zadeh 提出了他著名的模糊集理論, 使人們認識事物的傳統(tǒng)二值 0, 1 邏輯轉(zhuǎn)化為[ 0 , 1] 區(qū)間上的邏輯, 這種刻畫事物的方法改變了人們以往單純地通過事物內(nèi)涵來描述其特征的片面方式, 并提供了能綜合事物內(nèi)涵與外延性態(tài)的合理數(shù)學模型———隸屬度函數(shù)。對于 A 、B 兩類問題, 傳統(tǒng)二值邏輯認為樣本 C 要么屬于 A , 要么屬于 B, 但是模糊邏輯認為 C 既屬于 A , 又屬于 B, 二者的區(qū)別在于 C 在這兩類中的隸屬度不同。所謂模糊模式識別就是解決模式識別問題時引入模糊邏輯的方法或思想。同一般的模式識別方法相比較, 模糊模式識別具有客體信息表達更加合理, 信息利用充分, 各種算法簡單靈巧, 識別穩(wěn)定性好, 推理能力強的特點。模糊模式識別在圖像處理中也被廣泛應用, 文獻[ 15] 還將模糊 K 近鄰(FKNN)方法用于盲圖像的反卷積, 實驗結(jié)果證明了這種方法的有效性。文獻[ 16] 將模糊技術(shù)同 K 均值聚類結(jié)合用于矢量量化編碼中, 這種方法消除了聚類初始化對結(jié)果碼書的依賴性，提高了聚類結(jié)果的魯棒性，文獻[17]將模糊方法同K近鄰(KNN)結(jié)合, 對圖像進行分類, 取得比傳統(tǒng) KNN方法更好的效果。 文獻[ 18] 將模糊邏輯同 BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合對手寫字符識別, 取得接近 100 %的效果。文獻以上方法在獲得比較好的效果的同時, 往往增加一定的計算量, 但是有些算法本身比較簡單, 在同其他算法的結(jié)合中, 模糊思想運用引入的計算開銷有時同整個算法的計算量相比并不大, 計算速度通常是可以接受的。模糊模式識別的關(guān)鍵在隸屬度函數(shù)的建立, 目前主要的方法有模糊統(tǒng)計法、模糊分布法、二元對比排序法、相對比較法和專家評分法等。雖然這些方法具有一定的客觀規(guī)律性與科學性, 但同時也包含一定的主觀因素, 準確合理的隸屬度函數(shù)很難得到, 如何在模糊模式識別方法中建立比較合理的隸屬度函數(shù)是需要進一步解決的問題。 人工神經(jīng)網(wǎng)絡(luò)模式識別早在 20 世紀 50 年代, 研究人員就開始模擬動物神經(jīng)系統(tǒng)的某些功能, 他們采用軟件或硬件的辦法, 建立了許多以大量處理單元為結(jié)點, 處理單元間實現(xiàn)(加權(quán)值的)互聯(lián)的拓撲網(wǎng)絡(luò), 進行模擬。 稱之為人工神經(jīng)網(wǎng)絡(luò)。這種方法可以看作是對原始特征空間進行非線性變換, 產(chǎn)生一個新的樣本空間, 使得變換后的特征線性可分。同傳統(tǒng)統(tǒng)計方法相比, 其分類器是與概率分布無關(guān)的。人工神經(jīng)網(wǎng)絡(luò)的主要特點在于其具有信息處理的并行性、自組織和自適應性、具有很強的學習能力和聯(lián)想功能以及容錯性能等, 在解決一些復雜的模式識別問題中顯示出其獨特的優(yōu)勢。近年來, 在圖像處理中應用也很多。有的采用自組織網(wǎng)絡(luò)對醫(yī)學圖像進行分割, 并能夠?qū)?CT 圖像中的病灶分割出來。 有的利用各種神經(jīng)網(wǎng)絡(luò)方法識別圖像的情況, 取得一些令人滿意的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)是一種復雜的非線性映射方法, 其物理意義比較難解釋, 在理論上還存在一系列亟待解決的問題。例如在設(shè)計上, 網(wǎng)絡(luò)層數(shù)的確定和節(jié)點個數(shù)的選取帶有很大的經(jīng)驗性和盲目性, 缺乏理論指導, 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計仍是一個尚未解決的問題。在算法復雜度方面, 神經(jīng)網(wǎng)絡(luò)計算復雜度大, 在特征維數(shù)比較高時, 樣本訓練時間比較長。在算法穩(wěn)定性方面 , 學習過程中容易陷入局部極小, 并且存在欠學習與過學習的現(xiàn)象, 范化能力不容易控制。這些也是制約人工神經(jīng)網(wǎng)絡(luò)進一步發(fā)展的關(guān)鍵問題。近些年來基于統(tǒng)計學習理論的支撐向量機在模式識別方法表現(xiàn)出出色的學習性能和范化能力, 同神經(jīng)網(wǎng)絡(luò)相比, 其可有效地克服局部極小、維數(shù)災難等問題, 因而成為目前模式識別領(lǐng)域中又一個研究熱點。4 模式識別的新進展及其在圖像處理中的應用4 .1 支撐向量機前面提到, 在有限樣本尤其是小樣本的情況下, 采用統(tǒng)計決策法中的很多方法都難以取得理想的效果。Vapnik 早在 20 世紀 60 年代開始研究有限樣本情況下的機器學習問題, 直至 90年代才形成一個較完善的理論體系——統(tǒng)計學習理論。該理論定義了衡量函數(shù)集性能的指標——VC 維 , V C 維越大, 函數(shù)的推廣能力越差, VC 維越小, 函數(shù)的推廣能力越強。在該理論的框架下, 經(jīng)驗風險最小化原則下學習機器的實際風險由兩部分組成nhR(w)≤ Remp(w)+216。( )式中第一項為訓練樣本的經(jīng)驗風險。第二項為置信范圍 , 在訓練樣本數(shù)目n一定的情況下, 函數(shù)集的 VC 維越大, 其置信范圍越大。因此, 在設(shè)計分類器時, 不但要使經(jīng)驗風險最小, 同時也要使 VC 維盡量小, 縮小置信范圍, 從而提高分類器的預測能力。統(tǒng)計學習理論提出了結(jié)構(gòu)風險最小化的原則:即把函數(shù)集分解為一個函數(shù)集序列, 使各個子集能夠根據(jù) VC 維的大小排列, 在每個子集中尋找最小經(jīng)驗風險。選擇最小經(jīng)驗風險和置信范圍之和最小的子集, 即達到期望風險最小, 這個子集中使期望風險最小的函數(shù)也即所求的最優(yōu)函數(shù)。 這種思想稱為結(jié)構(gòu)風險最小化 SRM