神经网络在模式识别中的简单分析及应用_精品文档.doc

神经网络在模式识别中的简单分析及应用_精品文档.doc

《神经网络在模式识别中的简单分析及应用_精品文档.doc》由会员分享，可在线阅读，更多相关《神经网络在模式识别中的简单分析及应用_精品文档.doc（47页珍藏版）》请在冰豆网上搜索。

摘要

模式识别就是机器识别、计算机识别或者机器自动化识别，目的在于让机器自动识别事物，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与现象进行分析、描述与判断的部分能力。

它研究的目的就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，使识别的结果尽量与客观事物相符合。

随着人们对人工神经网络的不断地认识，神经网络是指用大量的简单计算单元构成的非线性系统,它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。

这样人们利用人工神经网络具有高度的并行性，高度的非线性全局作用以及良好的容错性与联想记忆功能，并且具有良好的自适应、自学习功能等突出特点，可运用MATLAB神经网络工具箱中的神经网络模型，对经过训练的神经网络可以有效地提取信号、语音、图像等感知模式的特征，并能解决现有启发式模式识别系统不能很好解决的不变量探测、抽象和概括等问题。

这样神经网络可应用于模式识别的特征提取、聚类分析、边缘检测、信号增强以及噪声抑制、数据压缩等各个环节。

使用机器来进行模式的识别是一项非常有用的工作，能够辨别符号等系列的机器是很有价值的。

目前，模式识别技术可以应用指纹识别、IC卡技术应用、字符识别等实例。

模式识别成为人工神经网络特别适宜求解的一类问题。

因此，神经网络技术在模式识别中也得到广泛应用与发展。

关键词：

模式识别；人工神经网络；神经网络模型；神经网络技术

-44-

Abstract

PatternRecognitionisthemachineidentification,computeridentificationoridentificationofmachineautomation,machineaimedatautomaticidentificationofthingstodobeforethemachinecanonlybemadebymancando,withpeoplewithallkindsofthingsandonananalysisofthephenomenon,describedwiththeabilitytodeterminethepart.Itisthepurposeofthestudyofthephysicalobjecttousethecomputerforclassification,theprobabilityofthesmallestinthewrongconditions,sothattheresultsofrecognitionasfaraspossibleinlinewithobjectivethings.

Asartificialneuralnetworktorecognizethecontinuing,neuralnetworkreferstoalargenumberofsimplecalculationunitconsistingofnon-linearsystem,whichtosomeextentandlevelsystemtoimitatethehumanbrain'sinformationprocessing,storageandretrievalfunctions,whichhaslearning,memoryandcomputingfunctionssuchasintelligentprocessing.Suchpeopletouseartificialneuralnetworkwithahighdegreeofparallelism,theoverallroleofahighdegreeofnon-linearandgoodfaulttoleranceandassociativememoryfunction,andhavegoodself-adaptive,self-learningfunction,suchasprominentfeatures,theavailabilityofMATLABneuralnetworktoolboxTheneuralnetworkmodeltrainedneuralnetworkcaneffectivelyextractthesignal,voice,videoandotherfeaturesofperceptualpatternsandheuristicstosolvetheexistingpatternrecognitionsystemsarenotwellresolvedinvariantdetection,suchasabstractandsummaryissues.Thisneuralnetworkpatternrecognitioncanbeappliedtofeatureextraction,clusteringanalysis,edgedetection,signalenhancementandnoisesuppression,datacompression,suchasvariouslinks.Theuseofmachinesforpatternrecognitionisaveryusefulwork,suchasseriesofsymbolstoidentifythemachinesareofgreatvalue.Atpresent,thepatternrecognitiontechnologycanbeappliedtofingerprintidentification,ICcardtechnologyapplications,suchasexamplesofcharacterrecognition.Artificialneuralnetworkpatternrecognitionhasbecomeespeciallysuitableforsolvingaclassofproblem.Therefore,theneuralnetworkpatternrecognitiontechnologyisalsowidelyusedanddevelopment.

Keywords：

patternrecognition；artificialneuralnetwork；neuralnetworkmodel；neuralnetworktechnology

目录

引言 -1-

1模式识别概述 -1-

1.1模式识别基本概念 -1-

1.2模式识别系统 -2-

1.3模式识别的主要方法 -2-

1.4模式识别应用 -3-

2人工神经网络概述 -4-

2.1人工神经元模型 -4-

2.1.1阀值函数、Sigmoid函数和分线段性函数 -5-

2.2人工神经网络模型 -5-

2.3神经网络学习特点 -6-

2.4人工神经网络在模式识别问题中应用优势 -6-

3神经网络模式识别 -7-

3.1基于BP神经网络的模式识别 -7-

3.1.1BP神经网络模型简述 -7-

3.1.2BP学习算法 -8-

3.1.3BP神经网络应用于字符识别 -9-

3.2基于径向基函数神经网络的模式识别 -16-

3.2.1径向基函数神经网络模型简述 -17-

3.2.2径向基函数神经网络应用特征模式的分类 -18-

3.3基于自组织竞争神经网络的模式识别 -19-

3.3.1自组织竞争神经网络基本思想 -20-

3.3.2自组织竞争神经网络设计模式分类器的应用 -20-

3.4基于反馈型神经网络的模式识别 -24-

3.4.1反馈型神经网络模型简述 -24-

3.4.2反馈型神经网络在工程领域的应用 -24-

4实验分析与总结 -31-

参考文献 -32-

附录 -33-

引言

模式识别的具体过程大致是对研究对象进行数据采集，数据预处理，特征提取和选择以及模式分类四步骤。

在此，运用MATLAB神经网络工具箱中的神经网络模型，利用人工神经网络技术解决有关模式识别的简单问题。

1模式识别概述

1.1模式识别基本概念

模式识别就是机器识别、计算机识别或者机器自动化识别，目的在于让机器自动识别事物，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与现象进行分析、描述与判断的部分能力。

它研究的目的就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，使识别的结果尽量与客观事物相符合。

机器辨别事物最基本的方法是计算，原则上说是对计算机要分析的事物与标准模板的相似程度进行比较计算。

对于一些比较简单的模式识别问题，可以认为模式识别就是模式分类。

如对于识别“0”到“9”这10个阿拉伯数字的课题研究，可以将其转化为把待识别的字符分为从“0”到“9”这十类中某一类的问题。

但是，对于比较复杂的识别问题，仅用简单的模式分类就很难实现模式识别，因此还需要对待识别模式进行有关特征描述。

在模式识别技术中，被待观测的每个对象称为样品。

对于一个样品来说，必须确定一些与识别有关的因素作为研究的依据，每一个因素称为一个特征。

模式就是样品所具有特征的描述。

模式特征集又可用处于同一个特征空间的特征向量表示。

如果一个样品有个特征，则可以把看作一个维列向量，该向量称为特征向量。

这样，模式识别问题就是根据的个特征来判断模式属于哪一类。

待识别的不同模式都在同一特征空间中考察，不同模式类由于性质上的不同，它们在各特征取值范围内有所不同，因而会在不同的特征空间的不同区域中出现，因此，模式识别系统的目标是在特征空间和解释空间之间找到一种映射关系。

特征空间由从模式得到的对分类有用的度量、属性以及基元构成的空间。

解释空间是由所有不同所属类别的集合构成。

正因如此，在模式识别过程中，要对许多具体对象进行观测，以获得许多观测，其中有均值、方差、协方差和协方差矩阵等。

1.2模式识别系统

对于一个具体的模式识别问题，一般要进行数据采集、数据预处理、特征提取与选择以及模式分类四步骤。

研究模式识别过程实际上就是实现由数据空间经特征空间到类别空间的映射。

在模式识别中，通常将经数据预处理后的原始数据所在的空间称为测量空间，把分类进行的空间叫做特征空间。

一个模式识别系统是由学习模块和测试模块两个模块组成，如图1-2所示。

模式分类决策

未知模式特征提取和选择

未知模式数据获取

识别结果

数据预处理

改进判别规则

确定判别规则

训练样本特征提取和选择

数据预处理

训练样品特征数据输入

误差检测

调整特征提取与选择

图1-2　模式识别系统示意

在两个模块中都需要数据的预处理，而数据预处理功能是多方面的，如除去噪声信号的边缘影响；将研究有关的模式分离；对模式样品标准化等。

训练模式样本的特征数据输入过程，就是将已知的模式样品进行数值化后载入计