仿生模式识别应用研究

论文摘要

模式识别是人工智能的一个重要的研究应用领域。随着人工智能的飞速发展,模式识别也相应地在许多领域得到了广泛的重视和应用。然而,由于传统的统计模式识别以“最佳划分”为目标,存在着许多局限性,因而其应变能力差,实际效果远不能令人满意。近年来提出了一种仿生模式识别方法。这种新的模式识别方法是基于“认识”事物而不是基于“区分”为目的,更接近于人类“认识”事物的特性。以同源同类样本间的连续性为先验概率,利用多权值高阶神经元网络,建立高维空间封闭超曲面完成对“事物”的最佳覆盖,从而达到识别的目的。本文主要针对仿生模式识别方法及其应用进行了研究,在国家自然科学基金项目的支持下,初步完成了对同一藻类细胞不同形态的识别。本文主要工作:1.阐述了模式识别的发展现状、系统构成和基本方法,并在此基础上总结了传统的模式识别的局限性。与传统的模式识别进行比较,从人类认知的角度介绍了仿生模式识别理论及其同源连续性原理,从理论上突出了仿生模式识别的优越性。2.对仿生模式识别的数学工具进行了研究:引入了高维空间几何的一些基本概念及公理,分析了高维空间中点分布的相关性质及点覆盖的方法。高维空间与几何方法相结合为信息科学发展尤其是模式识别问题的探索提供了思路,因此可以实现对高维空间复杂几何体的构造。3.重点研究了仿生模式识别的应用问题:仿生模式识别中建立的多权值神经元在高维空间里表现为一个封闭的超曲面,可以同时涵盖BP算法神经网络和RBF神经网络的功能,能够较好地完成网络覆盖。通过选取一种超香肠形式的神经元进行神经网络集成,表征高维空间中一点与两点之间的距离关系,构建目标的几何形体覆盖,从而对目标进行识别。由大量实验结果表明,超香肠神经元网络较好地完成对藻类细胞的识别,而且少量训练样本也可以达到期望的识别效果,同时随着样本数量的增加,其正确识别率越高。

论文目录

• 摘要
• Abstract
• 0 前言
• 1 传统模式识别
• 1.1 模式识别发展史
• 1.2 模式识别基本概念
• 1.3 模式识别系统构成
• 1.4 模式识别的基本方法
• 1.5 传统模式识别的局限性
• 1.6 本章小结
• 2 仿生模式识别理论概述
• 2.1 仿生模式识别基本概念
• 2.2 仿生模式识别与传统模式识别的区别
• 2.2.1 认知理论的差别
• 2.2.2 数学模型的差异
• 2.3 仿生模式识别的基点——同源连续性原理
• 2.4 本章小结
• 3 仿生模式识别的数学工具
• 3.1 高维空间几何学基本理论
• 3.1.1 高维空间几何学基本概念
• 3.1.2 点、线、超平面的相互关系
• 3.1.3 高维空间中的体积问题
• 3.2 高维空间中几何覆盖相关理论研究
• 3.2.1 高维空间中的点分布
• 3.2.2 点覆盖
• 3.2.2.1 覆盖
• 3.2.2.2 覆盖比
• 3.2.2.3 局部顶点覆盖
• 3.2.2.4 覆盖积
• 3.3 本章小结
• 4 仿生模式识别的神经网络实现及其应用
• 4.1 仿生模式识别与神经网络
• 4.2 人工神经网络高维空间几何分析
• 4.2.1 人工神经元模型及其功能
• 4.2.2 神经元高维空间几何理解
• 4.3 基于仿生模式识别的不同形态物体图像的识别
• 4.3.1 PCA 特征提取
• 4.3.2 多权值神经元网络构建、样本训练及识别
• 4.3.3 实验及分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 现阶段工作总结
• 5.2 展望
• 参考文献
• 致谢
• 个人简历
• 作者攻读硕士学位期间发表论文