前言：中文期刊网精心挑选了模式识别范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
模式识别范文1
关键词：模式识别原理 课程体系 模块化教学
中图分类号：TP 273 文献标识码：A 文章编号：1673-9795（2014）04（a）-0037-02
随着研究生教育规模的不断扩大使得生源更加多样化，学生的学习背景不同，工作经历不同。应届毕业生理论知识扎实，但缺乏实践经验和动手操作能力，而具有实践工作经验的学生可能理论知识欠缺，从而导致他们求学目的不同，对知识的理解和要求不同[1～2]。
如何构造适应具有不同基础研究生的课程体系，如何满足研究生对知识的不同需求，采用什么样的教学方法和方式，如何安排教学内容，这些问题都亟待解决。为此，课题组以模式识别原理这门课程为基础，采取模块化、分级教学理念构建课程体系，验证教学效果和对研究生素质培养的积极推动作用。教学实践证明，这一教学思想极大地激发了学生的学习兴趣，提高了学生的学习能力。
1 课程体系的构建
模式识别原理是我校“控制理论与控制工程、检测技术与自动装置、系统工程、模式识别与智能系统、导航、制导与控制”等学科的专业主干课程，通过该课程的学习可以使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。
根据我校的定位及生源的具体情况，构建该课程的课程体系。将该课程整个教学活动分为理论教学、实践教学和考核三个部分。这三个部分相互作用、相互影响，经过合理的整合，既体现了课程的理论性，又强调了课程的应用性和实践性的特点。
1.1 理论教学部分
理论教学部分包含两个模块，即基本理论模块和前沿热点模块。前者体现课程的基础性和系统性，是教学的核心内容；而后者则反映该课程与学科前沿性和发展性的关联，是开阔研究生眼界和培养研究生创新能力的基础。针对不同的模块采用不同的教学方法，基本理论模块以讲授与自学模式组织教学，其思想是把课程所要讲授的主要内容划分成若干个学习模块，在一定的理论和工程背景下，主讲教师传授课程要点，启发研究生自学。而针对前沿热点模块则由教师结合学科前沿热点提出科学问题，研究生组成3～5人不等的学习研究小组，利用课余时间查阅文献资料、讨论研究并根据课程内容提出解决问题的思路和方法。
1.2 实践教学部分
实践教学部分结合手写数字识别这个实例展开教学，鼓励学生采用不同方法解决该问题、鼓励研究生组建学习研究小组，设计实现算法，从而不断地提高研究生的编程能力和解决实际问题的能力，以激发学生的学习兴趣，提高学生的创新能力。
1.3 考核部分
考核形式与内容要与教学过程相适应，重点检查研究生掌握基础理论及系统专门知识的程度，把握本学科理论发展方向，提高应用所学理论、方法解决实际问题的能力。为此，将考核分为基本理论考核、实践能力考核和创新能力考核。这几种考核分别与基本理论教学、实践教学和前沿性热点教学内容相对应。基本理论考核：侧重考查研究生对所学课程基本概念、基本原理、基本方法的掌握程度，采用开卷或闭卷形式，安排在课程结束时进行。实践教学考核：侧重于考核研究生应用基本理论、解决实际问题的能力，其贯穿于课程的始终。根据不同阶段，教师给出相应的题目，明确具体要求，由研究生利用课余时间完成，通过网络提交设计结果。创新能力考核：结合学生自身的兴趣及导师的研究方向，利用所学的基本理论知识，独立或组成研究小组完成一项题目自拟的研究课题并撰写阶段性学术报告或小论文，要求在课程结束后两个月内通过网络提交。
2 教学手段的优化
在完善课程体系的基础上，不断地改进教学手段和教学方法，不断地提高学生自主学能力、编程能力、解决实际问题的能力。
2.1 以模块化教学为主线，师生互动，培养学生的综合能力
综合考虑模式识别原理课程的教学大纲和知识结构，将该课程的主要知识点分解为九个模块，针对不同模块采用不同的教学方法，具体的教学模块与教学方法如表1所示。其中，基本理论教学以教师讲授、引导为主，强化学生对重要理论知识点的掌握与沉淀；前沿热点研究内容以学生分组讨论为主，强化学生对理论知识的拓展能力；实践教学以学生自主设计为主，强化学生运用知识解决实际问题的能力，激发学生的创新意识。
2.2 分层次教学贯穿课程始终
模式识别原理课程的授课对象涉及学术型硕士、专业型硕士以及工程硕士三个层次，这三个层次的学生基础不同，对课程的要求不同，针对学生的能力和特点安排不同的研究模块供他们选择，充分体现学以致用的思想，激发学生学习兴趣。针对学术型硕士要求他们在九个知识模块中，至少选择四个模块进行深入研究，对每个模块至少采用两种方法实现，在仿真的基础上，通过理论分析指出每种方法的特点；针对专业型硕士要求他们在九个知识模块中，至少选择三个模块进行仿真研究，给出仿真结果并分析影响结果的因素；而针对工程硕士仅要求他们在能够理解模式识别原理的基础上，编程实现九个知识模块中两个。
3 结语
在模式识别原理课程的教学过程中，通过不断的完善课程体系，结合模式识别原理的教学大纲建立了九个知识模块，这九个知识模块分别对应九种重要的模式识别方法，并利用这九种方法解决手写字体识别这同一问题。这样不但有利于学生比较各种方法的特点、加深对每种方法优缺点的理解，而且也可以使学生明白解决问题方法的多样性，激发学生的学习热情。
参考文献
[1] 马跃良.研究生创新教育培养的管理机制措施剖析[J].中国科教创新导刊， 2009，8：33-36.
模式识别范文2
关键词：模式识别卷积神经网络 google earth 应用
中图分类号：TP39 文献标识码：A 文章编号：1007—3973（2012）009—087—02
随着科技的进步，许多发明、电子产品使人们的生活更加方便。生活经常见到的有：笔记本电脑的指纹锁、数码相机的人像识别功能、电脑手写板、语音录入设备、门禁中的虹膜识别技术等等，这些设备与技术中都包含了模式识别技术。这些看似抽象的技术与算法正与其他技术一起悄然的改变人们的生活。
1 什么是模式识别
人们的许多感官功能看似简单，但用人工的办法实现却比较困难。人与人见面相互打招呼。在看见对方的面部后，人能够很快的认定这张脸是个人脸，而且我认识他，应该和他打招呼。这个看似简单的过程其实并不简单，我们不仅仅要识别五官，还要扫描轮廓，而且还要判断是否认识等等。可见，很多看似简单的认知过程，如果试图用某一方法描述确实不宜。对人脸进行模式识别就可以解决这个看似简单的问题。
模式识别（Pattern Recognition）是指通过用计算机对事物或现象的各种形式的（光信息，声信息，生物信息）信息进行处理和和判读，以对事物或现象进行描述、辨认、分类和解释的过程，是人工智能的和信息捕获的重要组成部分。现在被广泛应用于计算机视觉，自然语言处理，生物特征识别，互联网搜索等领域。
2 模式识别与google earth卫星照片
在卫星图片中识别特定的目标，如道路，湖泊，森林等等，往往要运用模式识别技术，现在较为主流的是神经网络识别。上一代的技术室根据RGB提取的，在提取森林或湖泊的时候，有很多干扰颜色，对卫星照片精度有很高要求。根据RGB提取效果不是十分理想，而且计算量大，对硬件有一定要求。
随着神经网络识别技术的发展，现在计算机可自动识别目标。不必使用特殊的卫星波段影像，小型机计算，只要从GOOGLE EARTH获取的普通卫星影像就可以自动识别了。
Google Earth是Google公司开发推出的一款虚拟地球仪软件，它把卫星照片、航空照相布置在一个地球的三维模型上，是一款全球地图集成软件。Google Earth与模式识别技术的综合运用，使其卫星图片在道路规划，通信线路管理，土地勘察，遥感探测等等行业有着很大的运用。
在实际情况下对卫星图片进行模式识别，实现起来有许多困难，光线条件、大地背景、大气云层情况影响以及由于拍摄角度或空气密度等原因导致照片的被照物体的几何变形等都会对识别效果有直接影响。这些都对识别算法要求很高。本文选用的神经网络识别方法，具有识别率高、对不规则物体识别效果好等优点，被广泛运用在许多领域。本文使用改进的卷积神经网络对google earth 卫星图片进行处理，几乎不用对照片进行预处理。这大大节省了运算时间，而且避免了二次处理后对原始文件的污染，大量原始信号被最大程度地保留。
3 模式识别与卷积神经网络
卷积神经网络CNN（Convolutional Neural Networks）是近年发展起来并引起广泛重视的一种高效识别方法。神经网络是受动物神经系统启发，利用大量简单处理单元互联而构成的复杂系统，以解决复杂模式识别与行为控制问题。目前，CNN已经成为国内外科学家研究的重点方向，特别是在模式识别领域。它的优点是不需要对图像进行复杂的预处理，成为大家广为使用的方法。CNN的基本结构一般包括两层：（1）特征提取层。每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，与其他特征间的位置关系也随之确定下来。（2）特征映射层。网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
4 卷积神经网络在卫星图片识别中的应用
为提高google earth卫星照片中目标的识别率，创造性使用卷积神经网络进行模式识别，其主要部分基本设计结构如图1所示。
图1中，整个结构模仿动物的神经结构，大量的单一识别单元被关联成一个网路。 C层则是由复杂（complex）神经元组成的神经层，它的输入连接是固定的，不可修改，显示接收信心被激励位置的近似变化。网络中C层的最后一层为识别层，显示模式识别的结果。S层为简单（simple）神经元组成的神经层，完成主要信息提取，其输入连接是不是固定的，可在训练的过程中不断修改。这个系统进过不断的训练，输入照片的格式和大小会自动地被识别，大大节省了前期的工作时间，提高了识别速度。
在训练集中同时需要常规积极样本和消极样本，样本包括卫星图片中房屋和道路的1000个图像目标积极训练集。大多数基于学习方法的目标物体识别使用一个大约为10？0的最小输入窗口，好处是可以做到不遗漏任何重要信息。为了达到稳定的效果，对所有原有的训练样进行色彩转换和对比还原转换，得到的积极样本训练集有2400个目标样本。
5 实验结果
分两个步骤进行试验，第一步对卫星图片进行定位和裁剪等预处理，第二步选取合格卫星图片200个样本图片训练卷积神经网络，训练后得到各层3个主要数据：阈值、权值及神经元细胞平面数，然后使用优化后的神经网络识别机对200个测试样本进行检查，其正确的识别率达到97%。实验要注意训练的时间，系统过度训练后，识别率会不断提高，但训练时间的不断增加，测试失败率到最小值后出现及其微细震荡，造成识别率的小幅波动。（见图2）
实验表明，卷积神经网络应用于卫星图片目标识别是完全可行的，训练样本越丰富则则识别率越高。与传统模式识别方法相比有更高的识别率和抗干扰性。本文采用一种改进的基于卷积神经网络的识别机制对卫星照片中的目标物体进行识别。该识别方法通过对目标物体图片的学习，优化了系统中的关键参数的权值。大大提高了目标物体的识别率。
参考文献：
[1] 高隽.智能信息处理方法导论[M].北京：机械工业出版社，2004.
[2] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[3] 边肇祺.模式识别[M].北京：清华大学出版社，1987.
模式识别范文3
关键词：模式识别；Bp神经网络
中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)07-1543-03
On BP Neural Network in Pattern Recognition Application
LIN Jia-xiang, GE Yuan
(Information Engineering College, Shanghai Maritime University, Shanghai 200135, China)
Abstract: Pattern recognition technology, widely used in all works. Automatic detection of industrial and medical equipment on the inspection of samples, military satellites detect Police, intelligence has a pivotal role. This article describes the pattern recognition based on BP neural network method. Based on the use of BP Improved neural network algorithm, will be based learning is introduced into pattern recognition, data on the sample study and training, to form a good network Contact, and finally with the already trained network to test the whole process, because to a certain accuracy, to avoid the traditional method of calculating property Weight problems.
Key words: pattern recognition; BP neural network
模式识别作为一门新的学科，从1960年代开始逐渐应用于各科技及工业领域。尤其，人脸识别、声音识别、指纹识别、医学诊断领域的研究应用，使模式识别成为一门热门的学科。模式识别，研究的内容是让机器通过学习自动识别事物。但传统的模式识别方法，很难完成人脸识别、声音识别等需要直接感知外界信息领域的识别任务。因此，近些年来结合神经网络来研究模式识别成为一个新的课题。
神经科学作为一门科学起始于19世纪末。近几十年来，神经科学和脑功能研究的发展极为迅速。人工神经网络由于其自组织和非算法特性，在模式识别应用方面有很大的发展潜力。在神经网络模式识别系统中，用得最广泛的要算是BP神经网络。1986年，Rumelhart等人在多层神经网络模型的基础上，提出了多层神经网络模型的反向传播学习算法，它是基于误差前向传播(Error Back Propagation，简称BP)算法的一种具有非线性连续转移函数的多层前馈网络。BP算法，解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力，它可以完成许多学习任务，解决了许多实际的问题。
本文主要介绍BP神经网络在模式识别中的应用，并结合实例予以说明。
1 模式识别概述
1.1 模式识别研究内容
人类在长期的生活实践和科学研究中，逐渐积累起来了通过感觉器官辨别不同事物的能力。例如，人们可以根据物体的形状、颜色、质地、组成以及各部分的结构关系把不同物体区别开来；可以根据人的高矮、胖瘦、性别、年龄、肤色、脸型把不同的人区分开来。人们之所以能进行这样的辨别，重要的原因在于不同事物具有不同的特征，包括物理特征及结构特征。由此使人们想到，如果能把事物的关键特征抽取出来，以不同的特征组合代表不同的事物，并且用适当的让计算机能接受的形式表示出来，这样就有可能使计算机具有识别能力，使它能区分不同的事物。像这样用事物的特征所构成的数据结构就成为相应事物的模式，或者说模式是对事物定量的或结构的描述。由具有共同属性的模式所构成的集合称为模式类，它是一个抽象出各有关模式的共同属性而废弃各具体模式不同属性的分类概念。识别能力原本是人类和其他生物的一种基本属性，人们通过模式感知外部世界的各种事物，这是获取知识、概念和作出反应的基础，是一种思维和抽象过程。而在人工智能或信息科学范畴内，模式识别是指用数学、物理方法和技术实现对模式的自动处理、描述、分类和解释，目的在于用机器部分实现人的这种智能活动，所以在目前模式识别所研究的内容可以分为两类：一是对人类和其他生物识别能力及其机理的研究。二是对满足某些应用需要的识别装置的理论和技术的研究。
前者研究的内容主要涉及神经机理和认知心理等方面，往往是它的研究为后者提供理论基础和模仿的依据。而第二个课题主要是通过工程、计算机和其他信息科学等方面的技术和知识，达到以机器模拟或局部超过人的识别能力的目的。它在技术上的提高不但验证了前者的结论，而且为其进一步的研究提供了手段。可以看出在人工智能或信息科学范畴内，所谓的模式识别（Patten Recognition)是研究一种自动技术，依靠这种技术，机器将自动地把待识别模式根据其特征分到各自的模式类中去。
1.2 模式识别系统的结构
计算机对识别对象进行识别的过程实际上是一个决策过程，它根据一定的识别规则对识别模式的特征进行判定，从而决定它所属的模式类。一个典型的模式识别系统，分别由数据获取、预处理、特征提取、分类决策、和分类器设计五步骤组成。通常一个完整的系统分为两个部分，第一部分是用来完成未知类别的模式分类。第二部分是训练分类器设计，确定分类器各项参数。模式识别系统结构如图1所示。
以下简要说明模式识别系统各组成部分功能：
1）数据提取： 计算机提取的数据通常有三种类型。第一种是一维波型信息，如心电图、气象信息图等。第二种是二维图像信息，如图片、指纹、文字等。每三种是物理参数，如气温参数、水文参数等。
2）数据预处理：计算机对初步提取的数据信息进行去除噪声、复原、提取相关参数信息。
3）数据特征提取：对预处理提取的数据信息，进行变换处理，获取反映分类本质的特征。对原始数据的高维数测量空间，进行转换，形成反映分类识别的低维数特征空间。
4）分类器设计：对特征空间的识别对象进行分类。训练样本，确定分类器判别函数，并不断改进判别函数和误差检验。
2 BP神经网络的模型
2.1 BP神经网络的结构
BP神经网络 (Back-Propagation) ，又称误差反向传递神经网络。它是人工神经网络(ANN)中的一种模型，是利用率很高的一种神经网络，约有80%的神经网络属于BP神经网络。BP神经网络是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。图2显示了一个3层BP神经网络的体系结构，它分为输入层、隐含层和输出层，其中隐含层根据具体情况的需要，可以是一层结构也可以为多层结构。
设输入层有n个神经元节点，隐含层有q个神经元节点，输出层有m个神经元节点。利用该网络可实现n维输入向量Xn=(X1,…,Xn)T到m维输出向量Ym=(Y1,…,Ym)T的非线性映射。输入层和输出层的单元数n、m根据具体问题确定，而隐含层单元数q的确定尚无成熟的方法，一般可设定不同的q值根据训练结果来进行选择。
BP神经网络结构(n、q、m)确定后，神经网络还包括的参数有：
wij：输入层第i单元到隐含层第i单元的权重，其中i=1,…,n;j=1,…,q。
wjk：隐含层第j单元到输出层第k单元的权重，其中j=1,…,n;k=1,…,m。
θj：隐含层第j单元的激活阈值，j=1,…,q。
θk：输出层第k单元的激活阈值，k=1,…,m。
以上权重和阈值的初值在网络训练之前随机生成。
f(x)：激活函数一般采用Sigmoid型函数，即f(x)1/[1+exp(-x)]。
2.2 BP神经网络的学习算法
2.2.1 BP神经网络的学习过程
1）输入模式正向传播：输入模式由输入层经中间层向输出层的模式正向传播过程。
2）输出误差反向传播：网络的期望输出与网络实际输出之间的误差,由输出层经中间层传向输入层的误差反向传播过程。
3）循环记忆训练：模式正向传播与误差反向传播的计算过程反复交替循环进行。
4）学习结果判别：判定网络的全局误差是否趋向极小值的学习收敛过程。
2.2.2 BP算法
3层BP神经网络，输入节点xi，隐层节点yj，输出节点zk。输入节点与隐层节点间的网络权值为wij，隐层节点与输出节点间的网络权值为wjk，如图3所示。
当输出节点的期望值为dk时，BP算法如下：
1）隐含层节点的计算输出：
2）输出层节点的计算输出：
输出节点误差为：
3）输出单元的权值对误差的影响：
4）隐含层节点对误差函数的影响：
5）由于权值的修正Δwij，Δwij正比于误差函数沿梯度下降，则有:
6）阈值的修正。阈值θ也是变化值，在修正权值的同时也需要修正，原理同权值修正一样。
输出层阈值修正：θk(t+1)= θk(t)+ ηδk
隐含层阈值修正：θj(t+1)= θj(t)+ η'δj
传递函数f(x)的导数：采用S型函数f(x)=1/(1+e-x)
f'(netk)=zk(1-zk),f'(netj)=yj(1-yj)
以上式子中出现的η（η>0）为学习参数。
3 应用BP神经网络进行字符特征识别的仿真实验
运用matlab7.0建立BP神经网络，并通过样本训练，完成对26个英文字母的识别仿真实验。
3.1 建立BP网络
通过5*7像素的二值数字图像来表示英文字母的对应图像。以字符的35个布尔数值作为BP网络输入。以26个字符的所在位置作为输出向量。现实中的字符图像不一定很精确，所以要求BP网络要有一定的容错能力。
利用newff函数设计一个两层的BP神经网络。以logsig传递函数，建立第一、第二层的神经元。
3.2 训练BP神经网络
设定训练函数和训练样本。先使用无噪声的信号对BP网络进行训练，一直到1000个时间单位和误差小于0.1时，完成BP网络训练。BP网络训练的误差变化情况如图4所示。
再对BP网络进行含噪声的样本训练，重复训练10次。使含噪声样本训练后的BP网络可以准确识别无噪声或含噪声的输入样本。
3.3 进行仿真实验并测试输出
利用输入样本，对BP网络进行仿真。仿真实验测试结果如图5所示。
图5中，虚线表示无噪声样本训练的网络，实线表示含噪声样本训练的网络。从图可以看到，输入噪声指标低于0.1情况时，两个网络对字符识别的能力都很高。当输入噪声指标大于0.1的情况下，经过含噪声样本训练的网络，容错能力比较高。因此，网络训练中增加噪声样本的比重可以提高网络的容错能力。
4 小结
BP(Back Propagation)神经网络,是能实现映射变换的前馈网络中最常用的一类网络，它是一种典型的误差修正方法，具有理论上能逼近任意非线性连续函数的能力，且结构简单，易于编程，在众多的领域得到了广泛的应用。本文应用matlab建立BP神经网络,并通过样本训练，仿真对字符的识别。从中可知，相对于传统模式识别方法，BP神经网络对字符识别准确度高，容错能力强。BP神经网络在模式识别中应用十分广泛，但也存在一些问题有待解决：1）局部极小点问题。BP神经网络不能保证使权值收敛于全局最小点；2）收敛速度问题。对于复杂的问题，网络训练时间较长；3）稳定性问题。增加训练样本，网络对训练好的权值和阈值无记忆能力，要重新开始训练。
参考文献：
[1] Theodoridis S,Koutrourmbas K.模式识别[M].北京:机械工业出版社,2009.
[2] 边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000.
[3] 丁永生.计算智能－理论、技术与应用[M].北京:科学出版社,2004.
[4] 褚蕾蕾,陈绥阳,周梦.计算智能的数学基础[M].北京:科学出版社,2002
模式识别范文4
关键词：模式识别；神经网络；感知器；权值
中图分类号： TP183 文献标志码： A 文章编码：2095-2163（2015）03-
Perceptron Network Weights Calculation and MATLAB Simulation in Pattern Recognition
ZHANG Guangjian
（1 Department of Information Engineering， Sichuan College of Architectural Technology，Deyang Sichuan 618000， China；2 Institute of Intelligent Computing， Sichuan College of Architectural Technology， Deyang Sichuan 618000， China）
Abstract：As the perceptron neural network pattern recognition， constructing the network model takes a very important parameters， which can be used by manual calculation， and can also carry out the training simulation obtained by MATLAB neural network toolbox. The paper uses two weights for building the classifier network model， and compares test results of the pattern recognition model.It is known that for the recognition rate of the samples tested， the weights are different，and in order to improve the generalization of the model， the construction of the network model need to test selects the optimal weights.
Keywords：Pattern Recognition； Neural Network； Perceptron； Weights
0 引 言
人工神经网络[1]（artificial neural network，ANN），简称神经网络（neural network，NN），是一种对人脑功能实行模拟的简化模型结构，是一种功能型的数学模型（计算模型），可完成科学计算，并具有强大的处理问题能力。神经网络是由大量的人工神经元相互连接而成的信息处理系统，能够基于外界信息的引发改变内部结构，因而属于一种自适应系统。现代神经网络则是一种非线性统计性数据建模工具，常用来对输入和输出间的复杂关系进行建模，或用来探索数据的关联模式。
1943年，美国神经生理学家McCulloch和Pitts提出的第一个神经网络模型M-P模型，开创了人工智能的研究工作，奠定了神经网络的发展基础。其中的感知器（Perceptron）则是由美国计算机科学家罗森布拉特（Frank Rosenblatt）于1957年提出的。
具体来说，神经网络是一种运算模型[2]，是由大量的节点（或称“神经元”，或“单元”）及其间的相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接均表示对于通过该连接信号的加权值，称之为权重（weight），也就相当于人工神经网络的记忆。此外的网络输出则是依据网络的连接方式、权重值（权值）和激励函数的不同而各不相同。综合论述可得，网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。因此，为解决模式识别问题创建的网络模型，若选用最优权值，就会极大地提高模式识别率。
1 感知器及学习算法
神经网络中，感知器神经网络[3]是一种典型的分层结构，信息从输入层进入网络后，将逐层向前传递至输出层。单层感知器是一个具有一层神经元、采用阈值激活函数的前向网络。通过对网络权值的训练，可以使感知器对一组输入矢量的响应完成结果为0或1的目标输出，从而实现对输入矢量分类的目的。没有反馈或竞争的简单神经元感知器模型如图1 所示。
图1 一个单一神经元的感知器模型
Fig.1 A single neuron perceptron model
在感知器学习算法[4]中，设输入向量 ，相应的权值向量 ，对一个输入模式 的网络输入 为
（1）
根据阈值函数产生一个输出 为：
（2）
感知器学习中，设t为目标输出，使用Hebbian学习，其误差公式为：
（3）
对任何新权值，具体计算公式为：
（4）
对于误差E的三种可能情况，新权值的调整公式为：
（5）
在公式（5）中， 是新的调整权值， 是前次或者初始权值； 是输入向量； 是学习率，且是一个常数， 。精准快捷地确定 值，将直接影响对后期的网络学习训练时间。
2 手工计算权值
样本集如表1所示。其中 x1，x2为两个输入，t为期望目标输出。感知器分类器的任务是将表1所示的二维模式进行分类。
表1 分类数据
Tab.1 Classification of samples
0.3，0.7 1
-0.6，0.3 0
-0.1，-0.8 0
0.1，-0.45 1
样本点如图2所示。
图2 输入向量与期望响应样本图
Fig.2 Input vector and the desired response sample figure
根据文献[2]的推理，假定 ，其中， 是学习率， 为网络初始权值。权值调整过程具体如下。
（0.3）=0.95
=-0.15
调整后的权值，继续计算第二组样本数据 。
如果分类正确，继续使用该组权值计算下一组数据；分类错误，即需应用公式（5）的规则进行权值调整，直到最终获得一组权值w=[1.05 0.025]，完成对全部样本进行的正确分类。为此，根据权值和样本对感知器网络进行分类训练，其相应的分类结果如图3所示。
图3样本分类图
Fig.3 Sample classification map
3 MATLAB训练仿真
MATLAB神经网络工具箱（Neural Network Tool）[5]，为神经网络提供了一种高效、集成的仿真手段，通过该工具箱，可以对神经网络进行设计、训练、可视化以及仿真。
使用MATLAB R2013a 的神经网络工具箱函数，设置p为输入向量，t为期望目标向量。
p= [0.3 -0.6 -0.1 0.1；
0.7 0.3 -0.8 -0.45]；
t= [1 0 0 1]；
net =newp（minmax（p），1）；
网络传递函数指定为硬限值函数HARDLIM，学习函数指定为LEARNP。创建如图4所示的感知器神经网络模型。
图4 生成的感知器网络模型
Fig.4 Perceptron network model generation
使用命令net=train（net，p，t）进行网络训练，使用sim（net，p）进行仿真，得到输出向量为[1 0 0 1]，完全匹配期望目标向量t ，训练结果达到零误差，网络权值w=[1.8 0]，偏值为b=0。使用plotpc（net.iw{1，1}，net.b{1}） 命令在样本中绘制分类线，如图5所示，从图中可以看出分类线能对输入样本完全分类。
图5 训练后的网络对输入样本的分类
Fig.5 Classification of the input sample after network training
4 网络测试[6]
通过样本训练得到的网络，但是测试样本的准确率却未必会高。一个性能良好的网络应该具有优秀的泛化能力。首先输入样本数据进行训练，通过修正权值来减小误差得到拟合程度很高的网络模型，而后的网络测试则是用另外的样本数据去测试网络的性能。
对于两种权值建立的网络模型，通过加入测试样本数据进行分类测试，测试样本为：
p1=[ 0.4 -0.5 0 0.2 ； 0.8 0.4 -0.7 -0.35 ]
使用MATLAB的sim（net，P1） 函数完成对输入样本的测试。
对于手工计算获得的权值W=[1.05，0.025]，加入测试样本集后，分类结果如图6所示。
图6测试样本分类（手工计算）
Fig.6 Test sample classification （manual calculation）
对于使用MATLAB计算机仿真训练获得的权值W=[1.8 0] ，加入测试样本集，分类结果如图7所示。
图7测试样本分类（MATLAB）
Fig.7 The test sample classification （MATLAB）
对比图6和图7，可以清楚看到根据两种方式获得的权值，建立两种感知器神经网络模型，均能对样本进行分类，但却同时可知图6的网络模型可对测试样本集进行更见成效的分类。
5 结束语
感知器神经网络只能解决线性可分的模式分类问题，在应用上有一定的局限性，但对于线性可分问题建立的模型，总能通过训练，在有限的循环次数内找到网络权值，使网络达到期望的输出，进而完成模式分类。通过对同一模型的手工计算和MATLAB训练，得出的网络权值并不相同，但都可以对网络进行分类，只是对于使用MATLAB进行的计算机训练仿真，所获取的权值与计算精度、连同使用的学习函数及传递函数方面将会有一定的影响。而且，选取不同权值建立的模型，在泛化能力上也将存在一定差异。作为感知器分类器的模型建立，需要反复比对找到最优的权值，这样建立的模型在泛化能力上才会具有更好的适应性。
参考文献：
[1] （美）Martin T. Hagan等，著.神经网络设计[M]. 戴葵等，译.北京：机械工业出版社，2002.
[2] Domany， Eytan. Models of Neural Networks III：Association， Generalization， and Representation[M].New York： USA Springer press，2013.
[3] 张昭昭，乔俊飞，著.模块化神经网络结构分析与设计[M].沈阳：辽宁科学技术出版社.2014.
[4] Samarasinghe， Sandhya. Neural Networks for Applied Sciences and Engineering[M]. Boca Raton，Florida： The Chemical Rubber Company Press，2006
模式识别范文5
关键词：模式识别技术;刑事科学技术;生物识别
存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式（pattern）。而针对现代信息科技的狭义领域内，模式可以说是为了能让计算机执行和完成分类识别任务，通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息。从这些大量的信息及数据出发，模式识别（Pattern Recognition）便是用计算机实现人对各种事物或现象的分析，描述，判断，识别的过程。模式识别技术的发展是从1929年G. Tauschek发明数字阅读机开始的，直到20世纪70年代，一些发达国家开始将模式识别应用到刑事侦查部门。随着科技的不断进步，模式识别在刑事科学技术方面的应用越来越广泛，发挥的作用也越来越大，从某种意义上说模式识别促进了侦查和刑事技术手段的发展。
一、模式识别系统
模式识别是解决如何利用计算机对样本进行模式识别，并对这些样本进行分类。执行模式识别的计算机系统被称为模式识别系统。一个完整的模式识别系统，由数据获取、预处理、特征提取、分类决策和分类器设计5部分组成。可以分为上下两部分：上半部分完成未知类别模式的分类;下半部分完成分类器的设计训练过程。
1.数据获取及预处理
数据获取是通过传感器，将光或声音等信息转化为计算机能够识别的电信息的过程。为了更准确有效的读取信息，对由于信息获取装置或其他因素所造成的信息退化现象进行复原、去噪，从而加强信息的利用率，这个过程就是预处理。
2.特征提取
由于数据获取部分所获得的原始信息数据量相当庞大，为了将这种维数较高的模式空间转换为维数较低的特征空间，从而实现分类识别，得到最能反映分类本质特征的向量，这个对特征进行抽取和选择的过程即为特征提取。
3.分类器设计和分类决策
分类器设计的主要功能是通过训练来确定判决规则，它属于训练过程的一部分，其主要目的就是针对训练样本来按其判决的规则进行分类，以建立错误率最低的标准库。分类决策便是以分类器设计所建立的标准库为标准对特征空间的待识别对象进行分类，这样不仅能够使错误识别率降到最低，还能极大的提高数据利用率，最大程度的减少客观的信息损失。
二、模式识别在刑事科学技术中的应用
近几年，作为新生现代科技手段，模式识别技术被广泛应用于生活中的各个领域，如：字符识别、医疗诊断、遥感控图、环境监测、语音识别和产品检测等。模式识别技术极大的提高了人们的工作和生活质量，不断推动着社会的发展。在刑事科学技术方面，模式识别已经处于举足轻重的地位，特别是在指纹识别、人脸识别、虹膜识别等生物识别技术方面极大的提高了刑事侦查水平，为寻找犯罪证据和破获案件提供了强有力的技术手段支持，促进了刑事科学技术现代化建设。
1.指纹识别
由于指纹具有唯一性、方便性和终身不变性，我国早在两千年前就曾使用指纹来破案。替代了传统的人工识别指纹的方法，指纹识别技术已成为目前刑事侦查部门进行认定识别工作的主流技术，同时也是证据鉴定和侦查破案的有力保障。
如在20年前漳州商业大厦电梯杀人一案中，现场的线索少之又少，唯一有价值的线索是民警通过仔细勘查所提取到的一枚残缺指纹。在当时指纹识别技术还未完全成熟的年代，仅仅通过这枚残缺指纹找到凶手是相当困难的。然而，随着指纹识别技术的成熟，这件在当时看来无法破解的谜案，却在2011年全国公安系统的“清网行动”中发现08年嫌疑人于上海斗殴的指纹与95年杀人案的残缺指纹认定同一。20年前的谜案被轻松告破，嫌疑人蔡某伟终被缉拿归案。
指纹识别系统是一个典型的模式识别系统，其主要分为指纹数据获取、指纹区域分割、指纹图像预处理、特征提取和匹配五个过程。凭借着可靠性强、速度快、操作简便等优点，指纹识别技术将继续作为刑事科学技术里进行生物识别的主要技术手段不断成熟发展。但是，小几率的错误识别和模糊难成像等问题仍是指纹识别技术进行改进需要考虑的首要问题。
2.人脸识别
人脸识别是目前模式识别领域中被广泛研究的热门课题，相比传统的身份识别方式，人脸识别凭借着其身具有的安全性、保密性和方便性等优势，在近几年来得到了飞速发展并广泛应用于社会中的安全和经济领域。目前，人脸识别技术已经成为刑事科学技术工作中较为成熟的鉴定技术之一，在刑事侦查实际工作中，人脸识别技术落实到身份认证、视频监控、视频资料分析等具体工作上，使得在进行布控排查、人像识别、犯罪嫌疑人认定以及门禁等方面都得到了良好的应用效果。
模式识别范文6
以激光器支架为例，运用Moldflow软件进行模流分析，并设置了正交试验，以得到各因素水平的最佳组合，从而减小翘曲变形量，提高塑件质量，使其达到装配要求。然后根据所得数据建立了BP神经网络预测模型，再利用测试样本验证模型的准确性，结果发现仿真值与预测值的误差均在±3%以内。
关键词：
激光器支架；模流分析；正交试验；BP神经网络
1激光器支架3D模型
激光器支架塑件的3D模型如图1所示。该塑件的尺寸为39.5mm×30mm×42mm，外表美观；另外，对成型塑件有一定力学性能要求，而且要求底面的翘曲变形量较小。根据实际生产经验以及该塑件的使用特点，选择材料为ABS(丙烯腈-丁二烯-苯乙烯共聚物)；采用一模两腔，主流道和分流道为圆形截面，浇口为梯形截面，最佳浇口位置在塑件的中间部位，但由于模具制作及生产效率的原因将其定于图1所示位置。采用中面模型对塑件进行网格划分：三角形单元数42672，节点数21320，最大纵横比为5.8，平均纵横比为1.62，匹配率为85.3%。
2正交试验
运用MoldflowMPI软件对塑件的注塑成型过程进行模拟，以翘曲变形为优化目标，通过正交试验获得最佳工艺参数，从而为实际生产提供指导。影响翘曲变形的主要工艺参数有模具温度、熔体温度、注射时间、保压压力、保压时间、冷却时间等，其中模具温度、熔体温度、保压压力、注射时间、保压时间对塑件的翘曲变形和收缩变形有较大的影响[1-2]。根据生产经验和成型窗口分析的结果，所设计的因素水平表如表1所示。本实验考察的主要指标是塑件的翘曲量，其值越小越好。由表2的正交试验结果可知，4号实验组合A1B4C4D4E4的翘曲量最小(0.276mm)。图2为翘曲变形量与体积收缩率的极差折线图。由图2可以直观地看出，对翘曲变形最佳的因素水平组合为A2B4C4D4E2，对体积收缩最佳的因素水平组合为A1B1C4D4E4。对这两个组合进行进一步研究。模拟结果显示，A2B4C4D4E2组合的体积收缩率为9.189%，翘曲量为0.2758mm。组合的体积收缩率为9.188%，翘曲量为0.2760mm。A2B4C4D4E2组合比A1B1C4D4E4组合的翘曲量小，确定其为最优组合。本实验中，对塑件翘曲变形的影响因素由主到次依次为C、B、D、A、E，说明保压压力在翘曲变形中起主要作用，其次为熔体温度和注射时间；对塑件体积收缩率的影响因素由主到次依次为B、C、A、D、E，说明熔体温度在体积收缩中起主要作用。选择参数时要权衡利弊，从而给出最优的实验组合。
3单因素分析
图3为各因素对塑件翘曲变形的影响。从图3可以看出，当模具温度由50℃升至80℃时，塑件的翘曲变形量逐渐下降，但降幅不大。在一定范围内，模具温度越高，塑件的冷却速率越低，即冷凝层的厚度较薄，内部的残余应力相对较小，因此塑件的变形量也较小。但是过高的模具温度不利于塑件的顶出，并导致成型周期延长，同时还会使结晶型塑件的体积收缩率增大。当熔体温度过低时，由于其流动性能较差，因此为充满型腔需要较大的注射速度或注射压力，这会导致剪切应力增大，使其在熔体凝固前来不及得到释放，进而造成塑件翘曲变形。而当熔体温度较高时，熔体的流动性能较好、剪切应力较小、冷凝层较薄，故此时塑件的变形量也相对较小。但是过高的熔体温度容易造成材料降解，导致塑件收缩率及翘曲变形量增大。另外，保压压力对塑件的翘曲变形影响较大，若没有保压压力，塑件的体积收缩率最高可达25%[3]。当保压压力过小时，由于补缩能力较差，会造成较大的体积收缩率，且易在浇口处形成回流，进而产生残余应力，这些因素均会造成塑件翘曲变形量的增大。当保压压力过高时，会使塑件产生较高的残余应力和压应力，导致塑件翘曲变形量增大，同时还可能出现胀模现象，产生飞边等缺陷，从而影响塑件质量。由图3还可看出，当注射时间较短时，由于熔体的填充速率过快，会使塑件产生表面应力和残余应力，进而导致塑件的变形量较大。但注射时间较短时产生的冷凝层厚度较小，使塑件的收缩趋于一致，这反而有利于减小塑件的变形量。而过长的注射时间则会使冷凝层厚度增加，当先锋熔体首先凝固时，其后部还是温度较高的熔体，进而导致塑件收缩不均，翘曲变形量增大。此外当保压时间较短时，其对塑件的变形量影响较大，这是因为此时塑件的补缩量较大。随着保压时间的延长，补缩量基本不发生变化，从而使塑件的变形量也基本不变。但是过长的保压时间不但不会使变形量进一步减小，而且会造成脱模困难，从而延长了注射周期，降低生产效率。
4神经网络预测
随着科技的不断发展，人们对生产提出越来越高的要求，高质、高效、节能、低碳、低成本成为工厂追求的目标。然而，采用传统的CAE方法处理大量原始数据时，需经多次试验才可能得出最佳的工艺方案，这显然不符合高效生产的要求。BP网络是一个前向多层网络，按误差反向传播算法对网络进行训练。其学习规则为最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差最小。它可以建立工艺参数到翘曲变形量和体积收缩率的映射关系模型，得到其内在关系，从而预测结果，而无需事前揭示描述这种映射关系的数学方程。由文献[4]可知，3层神经网络可以模拟任意非线性问题。本研究根据正交试验的数据，建立了一个5输入2输出的3层网络模型，如图4所示。
4.1样本数据处理由于本次网络训练的样本数值大小不一、单位各异，故首先将样本做归一化处理。
4.2隐含层神经元数目的确定隐含层神经元数决定了神经网络的准确性，它与问题的要求、输入层和输出层的神经元数都有关系。一般隐含层神经元数越多，其误差越小，但运算时间越长。目前，隐含层神经元数目选取的经验公式为：m=2n+1(其中，m为隐含层神经元数；n为输入层神经元数)。本网络根据经验公式，再加上一个区域范围，初选隐含层神经元数为1、6、12、18、24，结果如图5所示。从图5可以看出，中间隐层神经元数为12时相对比较合适，因此本研究将中间隐层的神经元数定为12。
4.3学习速率较大的学习速率可以快速地逼近期望值，但是容易发生修正过量而导致误差振荡而不收敛。而较小的学习速率可以避免出现误差振荡现象，但是收敛速度较慢。一般学习速率在0.01~0.1之间选取，本网络的学习速率选为0.02。
4.4网络训练图6为网络训练的误差曲线图。由Train(训练)曲线可以看出，误差(MeanSquaredError)在逐渐降低，在第三步时达到设定的误差目标值10-5。另外，图6中Test(测试)曲线是测试误差变化，Validation(验证)曲线表示验证误差变化，圆圈表示最佳的训练误差点，可以看出，Validation和Test的误差在最佳点后基本变化不大。
4.5网络测试再随机选取5组试验利用Moldflow软件进行模拟仿真，然后与网络测试的结果进行对比，以判定网络的可靠性。网络预测值与仿真值之间的误差如表3所示。从表3可以看出，网络预测的结果和仿真结果基本吻合(误差均在±3%之内)，这表明该网络已达到较高的预测精度，能够为以后的生产提供指导。
5结论
