模式识别在人工智能方面的应用

-1-人工智能在模式识别中的应用研究080303124-孙益兵摘要：信息技术的飞速发展使得人工智能的应用范围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。关键词：模式识别；数字识别；人脸识别中图分类号；区间值直觉模糊集，带参数区间值直觉模糊集，0引言随着计算机应用范围不断的拓宽，我们对于计算机具有更加有效的感知“能力”，诸如对声音、文字、图像、温度以及震动等外界信息，这样就可以依靠计算机来对人类的生存环境进行数字化改造。但是从一般的意义上来讲，当前的计算机都无法直接感知这些信息，而只能通过人在键盘、鼠标等外设上的操作才能感知外部信息。虽然摄像仪、图文扫描仪和话筒等相关设备已经部分的解决了非电信号的转换问题，但是仍然存在着识别技术不高，不能确保计算机真正的感知所采录的究竟是什么信息。这直接使得计算机对外部世界的感知能力低下，成为计算机应用发展的瓶颈。这时，能够提高计算机外部感知能力的学科——模式识别应运而生，并得到了快速的发展。人工智能中所提到的模式识别是指采用计算机来代替人类或者是帮助人类来感知外部信息，可以说是一种对人类感知能力的一种仿真模拟。它探讨的是计算机模式识别系统的建立，通过计算机系统来模拟人类感官对外界信息的识别和感知1模式识别相关理论人工智能。人工智能(ArtificialIntelligence)，是相对与人的自然智能而言的，它是指采用人工的方法及技术，对人工智能进行模仿、延伸及扩展，进而实现“机器思维”式的人工智能。简而言之，人工智能是一门研究具有智能行为的计算模型，其最终的目的在于建立一个具有感知、推理、学习和联想，甚至是决策能力的计算机系统，快速的解决一些需要专业人才能解决的问题。从本质上来讲，人工智能是一种对人类思维及信息处理过程的模拟和仿真。模式识别。模式识别，即通过计算机采用数学的知识和方法来研究模式的自动处理及U-2-读，实现人工智能。在这里，我们将周围的环境及客体统统都称之为“模式”，即计算机需要对其周围所有的相关信息进行识别和感知，进而进行信息的处理。在人工智能开发，即智能机器开发过程中的一个关键环节，就是采用计算机来实现模式(包括文字、声音、人物和物体等)的自动识别，其在实现智能的过程中也给人类对自身智能的认识提供了一个途径。在模式识别的过程中，信息处理实际上是机器对周围环境及客体的识别过程，是对人参与智能识别的一个仿真。相对于人而言，光学信息及声学信息是两个重要的信息识别来源和方式，它同时也是人工智能机器在模式识别过程中的两个重要途径。在市场上具有代表性的产品有：光学字符识别系统以及语音识别系统等。在这里的模式识别，我们可以将之理解成为：根据识别对象具有特征的观察值来将其进行分类的一个过程。采用计算机来进行模式识别，是在上世纪6O年代初发展起来的一门新兴学科2带参数区间值直接模糊集定义１设Ｕ是论域，ｘ∈Ｕ，Ｕ上的直觉模糊集Ａ是指一对隶属度函数ｔＡ（ｘ）、ｆＡ（ｘ）满足：ｔＡ（ｘ）：Ｕ→［０，１］，ｘ→ｔＡ（ｘ），ｆＡ（ｘ）：Ｕ→［０，１］，ｘ→ｆＡ（ｘ）且ｔＡ（ｘ）＋ｆＡ（ｘ）∈［０，１］式中，ｔＡ（ｘ）称为Ａ的真隶属函数，表示支持ｘ∈Ａ的隶属度下界；ｆＡ（ｘ）称为Ａ的假隶属函数，表示反对ｘ∈Ａ的隶属度下界，相应地，πＡ（ｘ）＝１－ｔＡ（ｘ）－ｆＡ（ｘ）表示ｘ∈Ａ的犹豫度，也称为不确定程度。定义２对于论域Ｕ，称满足下述条件的集合Ａ＝｛〈ｘ，ＭＡ（ｘ），ＮＡ（ｘ）〉｜ｘ∈Ｕ｝为区间值直觉模糊集：（１）ＭＡ（ｘ）＝［ｔＡ－（ｘ），ｔＡ＋（ｘ）］，ＮＡ（ｘ）＝［ｆＡ－（ｘ），ｆＡ＋（ｘ）］，ＰＡ（ｘ）＝［πＡ－（ｘ），πＡ＋（ｘ）］，其中ＭＡ（ｘ）、ＮＡ（ｘ）、ＰＡ（ｘ）分别表示真隶属度、假隶属度、不确定度范围；（２）ＭＡ（ｘ）（３）πＡ－（ｘ）＝１－ｔＡ＋（ｘ）－ｆＡ＋（ｘ），πＡ＋（ｘ）＝１－ｔＡ－（ｘ）－ｆＡ－（ｘ）；（４）ＳｕｐＭＡ（ｘ）＋ＳｕｐＮＡ（ｘ）＝ｔ＋Ａ（ｘ）＋ｆＡ＋（ｘ）≤１。-3-定理１（必要条件）区间值直觉模糊集满足：ｔ＋Ａ（ｘ）－ｔＡ－（ｘ）＋ｆＡ＋（ｘ）－ｆＡ－（ｘ）＝πＡ＋（ｘ）－πＡ－（ｘ）证明：根据定义２（３），两式相减，显然可证。定义３对于论域Ｕ，称满足下述条件的集合Ａ＝｛〈ｘ，ＭＡ（ｘ），ＮＡ（ｘ）〉｜ｘ∈Ｕ｝为双参数区间值直觉模糊集：（１）ＭＡ（ｘ）＝［ｔＡ－（ｘ），ｔＡ＋（ｘ）］，ＮＡ（ｘ）＝［ｆＡ－（ｘ），ｆＡ＋（ｘ）］，ＰＡ（ｘ）＝［πＡ－（ｘ），πＡ＋（ｘ）］；ＭＡ（ｘ）［０，１］，ＰＡ（ｘ）（２）ｔＡ＋（ｘ）＝ｔＡ－（ｘ）＋αＡ（ｘ），ｆＡ＋（ｘ）＝ｆＡ－（ｘ）＋βＡ（ｘ），π＋Ａ（ｘ）＝１－ｔＡ－（ｘ）－ｆＡ－（ｘ），πＡ－（ｘ）＝１－ｔＡ＋（ｘ）－ｆＡ＋（ｘ）。式中，αＡ（ｘ）≥０，βＡ（ｘ）≥０，αＡ（ｘ）＋βＡ（ｘ）＝π＋Ａ（ｘ）－πＡ－（ｘ）。根据定义，易证双参数区间值直觉模糊集是区间值直觉模糊集。若令αＡ（ｘ）＝λＡ（ｘ）（πＡ＋（ｘ）－πＡ－（ｘ）），βＡ（ｘ）＝（１－λＡ（ｘ））（πＡ＋（ｘ）－πＡ－（ｘ）），则有以下单参数模型。定义４对于论域Ｕ，称满足下述条件的集合Ａ＝｛〈ｘ，ＭＡ（ｘ），ＮＡ（ｘ）〉｜ｘ∈Ｕ｝为单参数区间值直觉模糊集：（１）ＭＡ（ｘ）＝［ｔＡ－（ｘ），ｔＡ＋（ｘ）］，ＮＡ（ｘ）＝［ｆＡ－（ｘ），ｆＡ＋（ｘ）］，ＰＡ（ｘ）＝［πＡ－（ｘ），πＡ＋（ｘ）］；ＭＡ（ｘ）［０，１］，ＰＡ（ｘ），１］；（２）βＡ（ｘ）＝（１－λＡ（ｘ））（πＡ＋（ｘ）－πＡ－（ｘ）），ｔＡ＋（ｘ）＝ｔＡ－（ｘ）＋αＡ（ｘ），ｆＡ＋（ｘ）＝ｆＡ－（ｘ）＋βＡ（ｘ），π＋Ａ（ｘ）＝１－ｔＡ－（ｘ）－ｆＡ－（ｘ），π－Ａ（ｘ）＝１－ｔＡ＋（ｘ）－ｆＡ＋（ｘ）。显然定义４也满足区间值直觉模糊集定义。若ｔＡ－（ｘ）＝ｔＡ（ｘ），ｆＡ－（ｘ）＝ｆＡ（ｘ），πＡ－（ｘ）＝０，πＡ＋（ｘ）＝πＡ（ｘ），则由定义３和定义４可得到基于直觉模糊集拓展的带参数区间值直觉模糊集模型如下。定义５对于论域Ｕ，称满足下述条件的集合Ａ＝｛〈ｘ，-4-ＭＡ（ｘ），ＮＡ（ｘ）〉｜ｘ∈Ｕ｝为基于直觉模糊集拓展的双参数区间值直觉模糊集：αＡ（ｘ）＋βＡ（ｘ）＝πＡ（ｘ），ＰＡ（ｘ）＝［０，πＡ（ｘ）］，ＭＡ（ｘ）＝［ｔＡ（ｘ），ｔＡ（ｘ）＋αＡ（ｘ）］，ＮＡ（ｘ）＝［ｆＡ（ｘ），ｆＡ（ｘ）＋βＡ（ｘ）］，且０≤λ≤１，其中，ＭＡ（ｘ）、ＮＡ（ｘ）、ＰＡ（ｘ）分别表示真隶属度、假隶属度、不确定度范围。定义６对于论域Ｕ，称满足下述条件的集合Ａ＝｛〈ｘ，ＭＡ（ｘ），ＮＡ（ｘ）〉｜ｘ∈Ｕ｝为基于直觉模糊集拓展的单参数区间值直觉模糊集：ＰＡ（ｘ）＝［０，πＡ（ｘ）］，ＭＡ（ｘ）＝［ｔＡ（ｘ），ｔ（ｘ）＋λＡ（ｘ）πＡ（ｘ）］，ＮＡ（ｘ）＝［ｆＡ（ｘ），ｆＡ（ｘ）＋（１－λＡ（ｘ））πＡ（ｘ）］，且０≤λＡ（ｘ）≤１，其中，ＭＡ（ｘ）、ＮＡ（ｘ）、ＰＡ（ｘ）分别表示真隶属度、假隶属度、不确定度范围。当αＡ（ｘ）＝α，βＡ（ｘ）＝β，λＡ（ｘ）＝λ时，上述模型为为固定参数区间值直觉模糊集；当αＡ（ｘ），βＡ（ｘ），λＡ（ｘ）随着ｘ变化而变化时，模型为变参数区间值直觉模糊集。3带参数区间直觉模糊集模型的统计解释下面从其物理意义角度阐述带参数区间值直觉模糊集。由定义２，设将所有样本数据分为３部分，第１部分ｔＡ－（ｘ）为对某事件Ａ的坚定的支持派，第２部分ｆＡ－（ｘ）表示对事件Ａ的坚定的反对派，πＡ＋（ｘ）表示全部弃权派，πＡ－（ｘ）是其中坚决弃权的弃权派，πＡ（ｘ）－πＡ－（ｘ）为其中可转化的弃权派，只有这部分可能变成支持派或反对派之一。若最终有αＡ（ｘ）的样本支持事件Ａ，βＡ（ｘ）的样本反对事件Ａ，则可以得到基于定义３的双参数区间值直觉模糊集，即：ＰＡ（ｘ）＝［πＡ－（ｘ），πＡ＋（ｘ）］αＡ（ｘ）＋βＡ（ｘ（ｘ）－πＡ－（ｘ）ＭＡ（ｘ）＝［ｔＡ－（ｘ），ｔＡ＋（ｘ）］＝［ｔＡ－（ｘ），ｔＡ－（ｘ）＋αＡ（ｘ）］ＮＡ（ｘ）＝［ｆＡ－（ｘ），ｆＡ＋（ｘ）］＝［ｆＡ－（ｘ），ｆＡ－（ｘ）＋βＡ（ｘ）］若其中转化为支持的比例为λＡ（ｘ），反对的比例为１－λＡ（ｘ），则为单参数区间-5-值模型。若其中坚定的弃权派πＡ－（ｘ）＝０，则表示弃权派中每个样本都有可能成为支持派或反对派之一，此时得到基于直觉模糊集拓展的带参数区间值直觉模糊集。4人工智能在模式识别中的应用实例4.1数字识别与语言识别在数字识别的过程中，对于手一83一写体的识别一直是一个难题，而其又在邮政编码的识别、银行业务等方面具有较为广泛的应用，但是其字体形式变化较大，导致提高对其的识别率成为了一个难题，精准的识别存在着较大的困难。而采用人工智能中的神经网络技术后，系统可以利用神经网络的学习及快速并行功能来实现对手写数字的快速识别，有力的提高相关运用领域的工作效率。而语音识别，简单的将就是能使得计算机能听懂人所说的话，一个典型的例子就是七国语言(中、日、英、意、韩、法、德)口语自动翻译系统，它可以将人说的话翻译成为机器所设定的目的语言，在整个过程中不需要翻译人员的参与。其中的中文部分实验平台设置在中科院自动化所的模式识别国家重点实验室中，这标志着我国的机器口语翻译研究已经跨入世界先进行列。在这个系统的功能实现之后，出国旅行需要预定旅馆、购买机票、就餐等需要和外国人进行对话时，只需要利用电话网络或者是国际互联网就能够III~I的和对方进行通话，进行语言交流。4.2人脸识别的应用人脸立体识别模式。人脸识别的过程主要包括这样三个主要的部分：其一，人脸模式库，即与所采集的实时图像进行对比，判断其是否存在于人脸模式库当中，若存在，则给出每个人脸的位置和大小等相关的脸部信息；其二，对面部特征进行定位，即对每一个人脸的主要器官进行检测，包括对其的具体位置和形状等特征进行具体的信息收集，然后将之进行归一-6-化的处理；其三，比对，即根据所采集到得人脸面部特征来和人脸模式库中的图像进行对比，之后对该人脸的身份进行核实。常见的人脸识别技术大部分可以归为这样三个类型：采用基于几何特征的方法，基于模板的方法以及基于模型的方法。其中，基于几何特征的方法最为常见，它通常需要与其他的算法进行结合之后才能形成比较好的识别效果；而基于模板的方法又能够分为基于匹配的方法、脸部特征的方法、线性判别分析的方法、神经网络方法以及奇异值分解方法等；再次，基于模型的方法主要包括基于隐马尔可夫模型、主动外观模型和主动形状模型方法等。采用人脸识别模式来进行身份验证具有明显的有点，诸如：易用性好、准确度高、隐私性能好、稳定性好，且能被大部分的用户容所接受。人脸二维图像的识别已经基本实现，但是基于三维的立体图像人脸识别技术却处于研发阶段。人脸的二维及三维模型所反映的脸部外部信息是不同的，二维图像中的灰度值反映的是人脸表面亮度的差异，而三维图像中添加了深度信息，它能够表达脸形的信息数据，使得脸部的信息量更加丰富，能提高脸部的识别概率4.3在医疗诊断中的应用以下主要讨论满足πＡ－（ｘ）＝０的数据，建立其上基于直觉模糊集拓展的固定单参数区间值直觉模糊集模型，并利用其上贴近度公式进行诊断。基于文献［５，６］的医疗诊断案例，表１是基于直觉模糊集的诊断结果症状描述，表２是基于直觉模糊集的待诊病人症状描述。其中疾病诊断集（决策属性）症状集（条件属性）ｐａｉｎ，ｃｏｕｇｈ，ｃｈｅｓｔｐａｉｎ｝，上述为已有模式。待诊断病人集｛ＡＩ，Ｂｏｂ，Ｊｏｅ，Ｔｅｄ｝，与已有模式条件属性相同。表中每一格两个数据，前者表示隶属度，后者为非隶属度。例如，对于Ｖｉｒａｌｆｅｖｅｒ病症患者，症状为ｔｅｍｐｅｒｔｕｒｅ，隶属度ｔＡ（ｘ）＝０．４，假隶属度ｆＡ（ｘ）＝０，πＡ（ｘ）＝１－ｔＡ（ｘ）－ｆＡ（ｘ）＝０-7-以下分别取λ＝０，０．１，０．２，０．４，０．５，０．６，０．８，０．９，１来构造固定单参数区间值直觉模糊集，采用经典的标准化海明距离构造贴近度公式，进行模式识别结果对比。贴近度越高，说明