前言：中文期刊網精心挑選了模式識別范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
模式識別范文1
關鍵詞：模式識別原理 課程體系 模塊化教學
中圖分類號：TP 273 文獻標識碼：A 文章編號：1673-9795（2014）04（a）-0037-02
隨著研究生教育規模的不斷擴大使得生源更加多樣化，學生的學習背景不同，工作經歷不同。應屆畢業生理論知識扎實，但缺乏實踐經驗和動手操作能力，而具有實踐工作經驗的學生可能理論知識欠缺，從而導致他們求學目的不同，對知識的理解和要求不同[1～2]。
如何構造適應具有不同基礎研究生的課程體系，如何滿足研究生對知識的不同需求，采用什么樣的教學方法和方式，如何安排教學內容，這些問題都亟待解決。為此，課題組以模式識別原理這門課程為基礎，采取模塊化、分級教學理念構建課程體系，驗證教學效果和對研究生素質培養的積極推動作用。教學實踐證明，這一教學思想極大地激發了學生的學習興趣，提高了學生的學習能力。
1 課程體系的構建
模式識別原理是我?！翱刂评碚撆c控制工程、檢測技術與自動裝置、系統工程、模式識別與智能系統、導航、制導與控制”等學科的專業主干課程，通過該課程的學習可以使學生掌握模式識別的基本理論與方法，培養學生利用模式識別方法、運用技能解決本專業及相關領域實際問題的能力，為將來繼續深入學習或進行科學研究打下堅實的基礎。
根據我校的定位及生源的具體情況，構建該課程的課程體系。將該課程整個教學活動分為理論教學、實踐教學和考核三個部分。這三個部分相互作用、相互影響，經過合理的整合，既體現了課程的理論性，又強調了課程的應用性和實踐性的特點。
1.1 理論教學部分
理論教學部分包含兩個模塊，即基本理論模塊和前沿熱點模塊。前者體現課程的基礎性和系統性，是教學的核心內容；而后者則反映該課程與學科前沿性和發展性的關聯，是開闊研究生眼界和培養研究生創新能力的基礎。針對不同的模塊采用不同的教學方法，基本理論模塊以講授與自學模式組織教學，其思想是把課程所要講授的主要內容劃分成若干個學習模塊，在一定的理論和工程背景下，主講教師傳授課程要點，啟發研究生自學。而針對前沿熱點模塊則由教師結合學科前沿熱點提出科學問題，研究生組成3～5人不等的學習研究小組，利用課余時間查閱文獻資料、討論研究并根據課程內容提出解決問題的思路和方法。
1.2 實踐教學部分
實踐教學部分結合手寫數字識別這個實例展開教學，鼓勵學生采用不同方法解決該問題、鼓勵研究生組建學習研究小組，設計實現算法，從而不斷地提高研究生的編程能力和解決實際問題的能力，以激發學生的學習興趣，提高學生的創新能力。
1.3 考核部分
考核形式與內容要與教學過程相適應，重點檢查研究生掌握基礎理論及系統專門知識的程度，把握本學科理論發展方向，提高應用所學理論、方法解決實際問題的能力。為此，將考核分為基本理論考核、實踐能力考核和創新能力考核。這幾種考核分別與基本理論教學、實踐教學和前沿性熱點教學內容相對應?；纠碚摽己耍簜戎乜疾檠芯可鷮λ鶎W課程基本概念、基本原理、基本方法的掌握程度，采用開卷或閉卷形式，安排在課程結束時進行。實踐教學考核：側重于考核研究生應用基本理論、解決實際問題的能力，其貫穿于課程的始終。根據不同階段，教師給出相應的題目，明確具體要求，由研究生利用課余時間完成，通過網絡提交設計結果。創新能力考核：結合學生自身的興趣及導師的研究方向，利用所學的基本理論知識，獨立或組成研究小組完成一項題目自擬的研究課題并撰寫階段性學術報告或小論文，要求在課程結束后兩個月內通過網絡提交。
2 教學手段的優化
在完善課程體系的基礎上，不斷地改進教學手段和教學方法，不斷地提高學生自主學能力、編程能力、解決實際問題的能力。
2.1 以模塊化教學為主線，師生互動，培養學生的綜合能力
綜合考慮模式識別原理課程的教學大綱和知識結構，將該課程的主要知識點分解為九個模塊，針對不同模塊采用不同的教學方法，具體的教學模塊與教學方法如表1所示。其中，基本理論教學以教師講授、引導為主，強化學生對重要理論知識點的掌握與沉淀；前沿熱點研究內容以學生分組討論為主，強化學生對理論知識的拓展能力；實踐教學以學生自主設計為主，強化學生運用知識解決實際問題的能力，激發學生的創新意識。
2.2 分層次教學貫穿課程始終
模式識別原理課程的授課對象涉及學術型碩士、專業型碩士以及工程碩士三個層次，這三個層次的學生基礎不同，對課程的要求不同，針對學生的能力和特點安排不同的研究模塊供他們選擇，充分體現學以致用的思想，激發學生學習興趣。針對學術型碩士要求他們在九個知識模塊中，至少選擇四個模塊進行深入研究，對每個模塊至少采用兩種方法實現，在仿真的基礎上，通過理論分析指出每種方法的特點；針對專業型碩士要求他們在九個知識模塊中，至少選擇三個模塊進行仿真研究，給出仿真結果并分析影響結果的因素；而針對工程碩士僅要求他們在能夠理解模式識別原理的基礎上，編程實現九個知識模塊中兩個。
3 結語
在模式識別原理課程的教學過程中，通過不斷的完善課程體系，結合模式識別原理的教學大綱建立了九個知識模塊，這九個知識模塊分別對應九種重要的模式識別方法，并利用這九種方法解決手寫字體識別這同一問題。這樣不但有利于學生比較各種方法的特點、加深對每種方法優缺點的理解，而且也可以使學生明白解決問題方法的多樣性，激發學生的學習熱情。
參考文獻
[1] 馬躍良.研究生創新教育培養的管理機制措施剖析[J].中國科教創新導刊， 2009，8：33-36.
模式識別范文2
關鍵詞：模式識別卷積神經網絡 google earth 應用
中圖分類號：TP39 文獻標識碼：A 文章編號：1007—3973（2012）009—087—02
隨著科技的進步，許多發明、電子產品使人們的生活更加方便。生活經常見到的有：筆記本電腦的指紋鎖、數碼相機的人像識別功能、電腦手寫板、語音錄入設備、門禁中的虹膜識別技術等等，這些設備與技術中都包含了模式識別技術。這些看似抽象的技術與算法正與其他技術一起悄然的改變人們的生活。
1 什么是模式識別
人們的許多感官功能看似簡單，但用人工的辦法實現卻比較困難。人與人見面相互打招呼。在看見對方的面部后，人能夠很快的認定這張臉是個人臉，而且我認識他，應該和他打招呼。這個看似簡單的過程其實并不簡單，我們不僅僅要識別五官，還要掃描輪廓，而且還要判斷是否認識等等?？梢姡芏嗫此坪唵蔚恼J知過程，如果試圖用某一方法描述確實不宜。對人臉進行模式識別就可以解決這個看似簡單的問題。
模式識別（Pattern Recognition）是指通過用計算機對事物或現象的各種形式的（光信息，聲信息，生物信息）信息進行處理和和判讀，以對事物或現象進行描述、辨認、分類和解釋的過程，是人工智能的和信息捕獲的重要組成部分。現在被廣泛應用于計算機視覺，自然語言處理，生物特征識別，互聯網搜索等領域。
2 模式識別與google earth衛星照片
在衛星圖片中識別特定的目標，如道路，湖泊，森林等等，往往要運用模式識別技術，現在較為主流的是神經網絡識別。上一代的技術室根據RGB提取的，在提取森林或湖泊的時候，有很多干擾顏色，對衛星照片精度有很高要求。根據RGB提取效果不是十分理想，而且計算量大，對硬件有一定要求。
隨著神經網絡識別技術的發展，現在計算機可自動識別目標。不必使用特殊的衛星波段影像，小型機計算，只要從GOOGLE EARTH獲取的普通衛星影像就可以自動識別了。
Google Earth是Google公司開發推出的一款虛擬地球儀軟件，它把衛星照片、航空照相布置在一個地球的三維模型上，是一款全球地圖集成軟件。Google Earth與模式識別技術的綜合運用，使其衛星圖片在道路規劃，通信線路管理，土地勘察，遙感探測等等行業有著很大的運用。
在實際情況下對衛星圖片進行模式識別，實現起來有許多困難，光線條件、大地背景、大氣云層情況影響以及由于拍攝角度或空氣密度等原因導致照片的被照物體的幾何變形等都會對識別效果有直接影響。這些都對識別算法要求很高。本文選用的神經網絡識別方法，具有識別率高、對不規則物體識別效果好等優點，被廣泛運用在許多領域。本文使用改進的卷積神經網絡對google earth 衛星圖片進行處理，幾乎不用對照片進行預處理。這大大節省了運算時間，而且避免了二次處理后對原始文件的污染，大量原始信號被最大程度地保留。
3 模式識別與卷積神經網絡
卷積神經網絡CNN（Convolutional Neural Networks）是近年發展起來并引起廣泛重視的一種高效識別方法。神經網絡是受動物神經系統啟發，利用大量簡單處理單元互聯而構成的復雜系統，以解決復雜模式識別與行為控制問題。目前，CNN已經成為國內外科學家研究的重點方向，特別是在模式識別領域。它的優點是不需要對圖像進行復雜的預處理，成為大家廣為使用的方法。CNN的基本結構一般包括兩層：（1）特征提取層。每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，與其他特征間的位置關系也隨之確定下來。（2）特征映射層。網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。
4 卷積神經網絡在衛星圖片識別中的應用
為提高google earth衛星照片中目標的識別率，創造性使用卷積神經網絡進行模式識別，其主要部分基本設計結構如圖1所示。
圖1中，整個結構模仿動物的神經結構，大量的單一識別單元被關聯成一個網路。 C層則是由復雜（complex）神經元組成的神經層，它的輸入連接是固定的，不可修改，顯示接收信心被激勵位置的近似變化。網絡中C層的最后一層為識別層，顯示模式識別的結果。S層為簡單（simple）神經元組成的神經層，完成主要信息提取，其輸入連接是不是固定的，可在訓練的過程中不斷修改。這個系統進過不斷的訓練，輸入照片的格式和大小會自動地被識別，大大節省了前期的工作時間，提高了識別速度。
在訓練集中同時需要常規積極樣本和消極樣本，樣本包括衛星圖片中房屋和道路的1000個圖像目標積極訓練集。大多數基于學習方法的目標物體識別使用一個大約為10？0的最小輸入窗口，好處是可以做到不遺漏任何重要信息。為了達到穩定的效果，對所有原有的訓練樣進行色彩轉換和對比還原轉換，得到的積極樣本訓練集有2400個目標樣本。
5 實驗結果
分兩個步驟進行試驗，第一步對衛星圖片進行定位和裁剪等預處理，第二步選取合格衛星圖片200個樣本圖片訓練卷積神經網絡，訓練后得到各層3個主要數據：閾值、權值及神經元細胞平面數，然后使用優化后的神經網絡識別機對200個測試樣本進行檢查，其正確的識別率達到97%。實驗要注意訓練的時間，系統過度訓練后，識別率會不斷提高，但訓練時間的不斷增加，測試失敗率到最小值后出現及其微細震蕩，造成識別率的小幅波動。（見圖2）
實驗表明，卷積神經網絡應用于衛星圖片目標識別是完全可行的，訓練樣本越豐富則則識別率越高。與傳統模式識別方法相比有更高的識別率和抗干擾性。本文采用一種改進的基于卷積神經網絡的識別機制對衛星照片中的目標物體進行識別。該識別方法通過對目標物體圖片的學習，優化了系統中的關鍵參數的權值。大大提高了目標物體的識別率。
參考文獻：
[1] 高雋.智能信息處理方法導論[M].北京：機械工業出版社，2004.
[2] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003.
[3] 邊肇祺.模式識別[M].北京：清華大學出版社，1987.
模式識別范文3
關鍵詞：模式識別；Bp神經網絡
中圖分類號：TP18 文獻標識碼：A文章編號：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
模式識別作為一門新的學科，從1960年代開始逐漸應用于各科技及工業領域。尤其，人臉識別、聲音識別、指紋識別、醫學診斷領域的研究應用，使模式識別成為一門熱門的學科。模式識別，研究的內容是讓機器通過學習自動識別事物。但傳統的模式識別方法，很難完成人臉識別、聲音識別等需要直接感知外界信息領域的識別任務。因此，近些年來結合神經網絡來研究模式識別成為一個新的課題。
神經科學作為一門科學起始于19世紀末。近幾十年來，神經科學和腦功能研究的發展極為迅速。人工神經網絡由于其自組織和非算法特性，在模式識別應用方面有很大的發展潛力。在神經網絡模式識別系統中，用得最廣泛的要算是BP神經網絡。1986年，Rumelhart等人在多層神經網絡模型的基礎上，提出了多層神經網絡模型的反向傳播學習算法，它是基于誤差前向傳播(Error Back Propagation，簡稱BP)算法的一種具有非線性連續轉移函數的多層前饋網絡。BP算法，解決了多層前向神經網絡的學習問題，證明了多層神經網絡具有很強的學習能力，它可以完成許多學習任務，解決了許多實際的問題。
本文主要介紹BP神經網絡在模式識別中的應用，并結合實例予以說明。
1 模式識別概述
1.1 模式識別研究內容
人類在長期的生活實踐和科學研究中，逐漸積累起來了通過感覺器官辨別不同事物的能力。例如，人們可以根據物體的形狀、顏色、質地、組成以及各部分的結構關系把不同物體區別開來；可以根據人的高矮、胖瘦、性別、年齡、膚色、臉型把不同的人區分開來。人們之所以能進行這樣的辨別，重要的原因在于不同事物具有不同的特征，包括物理特征及結構特征。由此使人們想到，如果能把事物的關鍵特征抽取出來，以不同的特征組合代表不同的事物，并且用適當的讓計算機能接受的形式表示出來，這樣就有可能使計算機具有識別能力，使它能區分不同的事物。像這樣用事物的特征所構成的數據結構就成為相應事物的模式，或者說模式是對事物定量的或結構的描述。由具有共同屬性的模式所構成的集合稱為模式類，它是一個抽象出各有關模式的共同屬性而廢棄各具體模式不同屬性的分類概念。識別能力原本是人類和其他生物的一種基本屬性，人們通過模式感知外部世界的各種事物，這是獲取知識、概念和作出反應的基礎，是一種思維和抽象過程。而在人工智能或信息科學范疇內，模式識別是指用數學、物理方法和技術實現對模式的自動處理、描述、分類和解釋，目的在于用機器部分實現人的這種智能活動，所以在目前模式識別所研究的內容可以分為兩類：一是對人類和其他生物識別能力及其機理的研究。二是對滿足某些應用需要的識別裝置的理論和技術的研究。
前者研究的內容主要涉及神經機理和認知心理等方面，往往是它的研究為后者提供理論基礎和模仿的依據。而第二個課題主要是通過工程、計算機和其他信息科學等方面的技術和知識，達到以機器模擬或局部超過人的識別能力的目的。它在技術上的提高不但驗證了前者的結論，而且為其進一步的研究提供了手段?？梢钥闯鲈谌斯ぶ悄芑蛐畔⒖茖W范疇內，所謂的模式識別（Patten Recognition)是研究一種自動技術，依靠這種技術，機器將自動地把待識別模式根據其特征分到各自的模式類中去。
1.2 模式識別系統的結構
計算機對識別對象進行識別的過程實際上是一個決策過程，它根據一定的識別規則對識別模式的特征進行判定，從而決定它所屬的模式類。一個典型的模式識別系統，分別由數據獲取、預處理、特征提取、分類決策、和分類器設計五步驟組成。通常一個完整的系統分為兩個部分，第一部分是用來完成未知類別的模式分類。第二部分是訓練分類器設計，確定分類器各項參數。模式識別系統結構如圖1所示。
以下簡要說明模式識別系統各組成部分功能：
1）數據提?。?計算機提取的數據通常有三種類型。第一種是一維波型信息，如心電圖、氣象信息圖等。第二種是二維圖像信息，如圖片、指紋、文字等。每三種是物理參數，如氣溫參數、水文參數等。
2）數據預處理：計算機對初步提取的數據信息進行去除噪聲、復原、提取相關參數信息。
3）數據特征提取：對預處理提取的數據信息，進行變換處理，獲取反映分類本質的特征。對原始數據的高維數測量空間，進行轉換，形成反映分類識別的低維數特征空間。
4）分類器設計：對特征空間的識別對象進行分類。訓練樣本，確定分類器判別函數，并不斷改進判別函數和誤差檢驗。
2 BP神經網絡的模型
2.1 BP神經網絡的結構
BP神經網絡 (Back-Propagation) ，又稱誤差反向傳遞神經網絡。它是人工神經網絡(ANN)中的一種模型，是利用率很高的一種神經網絡，約有80%的神經網絡屬于BP神經網絡。BP神經網絡是一種依靠反饋值來不斷調整節點之間的連接權值而構建的一種網絡模型。圖2顯示了一個3層BP神經網絡的體系結構，它分為輸入層、隱含層和輸出層，其中隱含層根據具體情況的需要，可以是一層結構也可以為多層結構。
設輸入層有n個神經元節點，隱含層有q個神經元節點，輸出層有m個神經元節點。利用該網絡可實現n維輸入向量Xn=(X1,…,Xn)T到m維輸出向量Ym=(Y1,…,Ym)T的非線性映射。輸入層和輸出層的單元數n、m根據具體問題確定，而隱含層單元數q的確定尚無成熟的方法，一般可設定不同的q值根據訓練結果來進行選擇。
BP神經網絡結構(n、q、m)確定后，神經網絡還包括的參數有：
wij：輸入層第i單元到隱含層第i單元的權重，其中i=1,…,n;j=1,…,q。
wjk：隱含層第j單元到輸出層第k單元的權重，其中j=1,…,n;k=1,…,m。
θj：隱含層第j單元的激活閾值，j=1,…,q。
θk：輸出層第k單元的激活閾值，k=1,…,m。
以上權重和閾值的初值在網絡訓練之前隨機生成。
f(x)：激活函數一般采用Sigmoid型函數，即f(x)1/[1+exp(-x)]。
2.2 BP神經網絡的學習算法
2.2.1 BP神經網絡的學習過程
1）輸入模式正向傳播：輸入模式由輸入層經中間層向輸出層的模式正向傳播過程。
2）輸出誤差反向傳播：網絡的期望輸出與網絡實際輸出之間的誤差,由輸出層經中間層傳向輸入層的誤差反向傳播過程。
3）循環記憶訓練：模式正向傳播與誤差反向傳播的計算過程反復交替循環進行。
4）學習結果判別：判定網絡的全局誤差是否趨向極小值的學習收斂過程。
2.2.2 BP算法
3層BP神經網絡，輸入節點xi，隱層節點yj，輸出節點zk。輸入節點與隱層節點間的網絡權值為wij，隱層節點與輸出節點間的網絡權值為wjk，如圖3所示。
當輸出節點的期望值為dk時，BP算法如下：
1）隱含層節點的計算輸出：
2）輸出層節點的計算輸出：
輸出節點誤差為：
3）輸出單元的權值對誤差的影響：
4）隱含層節點對誤差函數的影響：
5）由于權值的修正Δwij，Δwij正比于誤差函數沿梯度下降，則有:
6）閾值的修正。閾值θ也是變化值，在修正權值的同時也需要修正，原理同權值修正一樣。
輸出層閾值修正：θk(t+1)= θk(t)+ ηδk
隱含層閾值修正：θj(t+1)= θj(t)+ η'δj
傳遞函數f(x)的導數：采用S型函數f(x)=1/(1+e-x)
f'(netk)=zk(1-zk),f'(netj)=yj(1-yj)
以上式子中出現的η（η>0）為學習參數。
3 應用BP神經網絡進行字符特征識別的仿真實驗
運用matlab7.0建立BP神經網絡，并通過樣本訓練，完成對26個英文字母的識別仿真實驗。
3.1 建立BP網絡
通過5*7像素的二值數字圖像來表示英文字母的對應圖像。以字符的35個布爾數值作為BP網絡輸入。以26個字符的所在位置作為輸出向量?，F實中的字符圖像不一定很精確，所以要求BP網絡要有一定的容錯能力。
利用newff函數設計一個兩層的BP神經網絡。以logsig傳遞函數，建立第一、第二層的神經元。
3.2 訓練BP神經網絡
設定訓練函數和訓練樣本。先使用無噪聲的信號對BP網絡進行訓練，一直到1000個時間單位和誤差小于0.1時，完成BP網絡訓練。BP網絡訓練的誤差變化情況如圖4所示。
再對BP網絡進行含噪聲的樣本訓練，重復訓練10次。使含噪聲樣本訓練后的BP網絡可以準確識別無噪聲或含噪聲的輸入樣本。
3.3 進行仿真實驗并測試輸出
利用輸入樣本，對BP網絡進行仿真。仿真實驗測試結果如圖5所示。
圖5中，虛線表示無噪聲樣本訓練的網絡，實線表示含噪聲樣本訓練的網絡。從圖可以看到，輸入噪聲指標低于0.1情況時，兩個網絡對字符識別的能力都很高。當輸入噪聲指標大于0.1的情況下，經過含噪聲樣本訓練的網絡，容錯能力比較高。因此，網絡訓練中增加噪聲樣本的比重可以提高網絡的容錯能力。
4 小結
BP(Back Propagation)神經網絡,是能實現映射變換的前饋網絡中最常用的一類網絡，它是一種典型的誤差修正方法，具有理論上能逼近任意非線性連續函數的能力，且結構簡單，易于編程，在眾多的領域得到了廣泛的應用。本文應用matlab建立BP神經網絡,并通過樣本訓練，仿真對字符的識別。從中可知，相對于傳統模式識別方法，BP神經網絡對字符識別準確度高，容錯能力強。BP神經網絡在模式識別中應用十分廣泛，但也存在一些問題有待解決：1）局部極小點問題。BP神經網絡不能保證使權值收斂于全局最小點；2）收斂速度問題。對于復雜的問題，網絡訓練時間較長；3）穩定性問題。增加訓練樣本，網絡對訓練好的權值和閾值無記憶能力，要重新開始訓練。
參考文獻：
[1] Theodoridis S,Koutrourmbas K.模式識別[M].北京:機械工業出版社,2009.
[2] 邊肇祺,張學工.模式識別[M].北京:清華大學出版社,2000.
[3] 丁永生.計算智能－理論、技術與應用[M].北京:科學出版社,2004.
[4] 褚蕾蕾,陳綏陽,周夢.計算智能的數學基礎[M].北京:科學出版社,2002
模式識別范文4
關鍵詞：模式識別；神經網絡；感知器；權值
中圖分類號： TP183 文獻標志碼： A 文章編碼：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
人工神經網絡[1]（artificial neural network，ANN），簡稱神經網絡（neural network，NN），是一種對人腦功能實行模擬的簡化模型結構，是一種功能型的數學模型（計算模型），可完成科學計算，并具有強大的處理問題能力。神經網絡是由大量的人工神經元相互連接而成的信息處理系統，能夠基于外界信息的引發改變內部結構，因而屬于一種自適應系統?，F代神經網絡則是一種非線性統計性數據建模工具，常用來對輸入和輸出間的復雜關系進行建模，或用來探索數據的關聯模式。
1943年，美國神經生理學家McCulloch和Pitts提出的第一個神經網絡模型M-P模型，開創了人工智能的研究工作，奠定了神經網絡的發展基礎。其中的感知器（Perceptron）則是由美國計算機科學家羅森布拉特（Frank Rosenblatt）于1957年提出的。
具體來說，神經網絡是一種運算模型[2]，是由大量的節點（或稱“神經元”，或“單元”）及其間的相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接均表示對于通過該連接信號的加權值，稱之為權重（weight），也就相當于人工神經網絡的記憶。此外的網絡輸出則是依據網絡的連接方式、權重值（權值）和激勵函數的不同而各不相同。綜合論述可得，網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。因此，為解決模式識別問題創建的網絡模型，若選用最優權值，就會極大地提高模式識別率。
1 感知器及學習算法
神經網絡中，感知器神經網絡[3]是一種典型的分層結構，信息從輸入層進入網絡后，將逐層向前傳遞至輸出層。單層感知器是一個具有一層神經元、采用閾值激活函數的前向網絡。通過對網絡權值的訓練，可以使感知器對一組輸入矢量的響應完成結果為0或1的目標輸出，從而實現對輸入矢量分類的目的。沒有反饋或競爭的簡單神經元感知器模型如圖1 所示。
圖1 一個單一神經元的感知器模型
Fig.1 A single neuron perceptron model
在感知器學習算法[4]中，設輸入向量 ，相應的權值向量 ，對一個輸入模式 的網絡輸入 為
（1）
根據閾值函數產生一個輸出 為：
（2）
感知器學習中，設t為目標輸出，使用Hebbian學習，其誤差公式為：
（3）
對任何新權值，具體計算公式為：
（4）
對于誤差E的三種可能情況，新權值的調整公式為：
（5）
在公式（5）中， 是新的調整權值， 是前次或者初始權值； 是輸入向量； 是學習率，且是一個常數， 。精準快捷地確定 值，將直接影響對后期的網絡學習訓練時間。
2 手工計算權值
樣本集如表1所示。其中 x1，x2為兩個輸入，t為期望目標輸出。感知器分類器的任務是將表1所示的二維模式進行分類。
表1 分類數據
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
樣本點如圖2所示。
圖2 輸入向量與期望響應樣本圖
Fig.2 Input vector and the desired response sample figure
根據文獻[2]的推理，假定 ，其中， 是學習率， 為網絡初始權值。權值調整過程具體如下。
（0.3）=0.95
=-0.15
調整后的權值，繼續計算第二組樣本數據 。
如果分類正確，繼續使用該組權值計算下一組數據；分類錯誤，即需應用公式（5）的規則進行權值調整，直到最終獲得一組權值w=[1.05 0.025]，完成對全部樣本進行的正確分類。為此，根據權值和樣本對感知器網絡進行分類訓練，其相應的分類結果如圖3所示。
圖3樣本分類圖
Fig.3 Sample classification map
3 MATLAB訓練仿真
MATLAB神經網絡工具箱（Neural Network Tool）[5]，為神經網絡提供了一種高效、集成的仿真手段，通過該工具箱，可以對神經網絡進行設計、訓練、可視化以及仿真。
使用MATLAB R2013a 的神經網絡工具箱函數，設置p為輸入向量，t為期望目標向量。
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）；
網絡傳遞函數指定為硬限值函數HARDLIM，學習函數指定為LEARNP。創建如圖4所示的感知器神經網絡模型。
圖4 生成的感知器網絡模型
Fig.4 Perceptron network model generation
使用命令net=train（net，p，t）進行網絡訓練，使用sim（net，p）進行仿真，得到輸出向量為[1 0 0 1]，完全匹配期望目標向量t ，訓練結果達到零誤差，網絡權值w=[1.8 0]，偏值為b=0。使用plotpc（net.iw{1，1}，net.b{1}） 命令在樣本中繪制分類線，如圖5所示，從圖中可以看出分類線能對輸入樣本完全分類。
圖5 訓練后的網絡對輸入樣本的分類
Fig.5 Classification of the input sample after network training
4 網絡測試[6]
通過樣本訓練得到的網絡，但是測試樣本的準確率卻未必會高。一個性能良好的網絡應該具有優秀的泛化能力。首先輸入樣本數據進行訓練，通過修正權值來減小誤差得到擬合程度很高的網絡模型，而后的網絡測試則是用另外的樣本數據去測試網絡的性能。
對于兩種權值建立的網絡模型，通過加入測試樣本數據進行分類測試，測試樣本為：
p1=[ 0.4 -0.5 0 0.2 ； 0.8 0.4 -0.7 -0.35 ]
使用MATLAB的sim（net，P1） 函數完成對輸入樣本的測試。
對于手工計算獲得的權值W=[1.05，0.025]，加入測試樣本集后，分類結果如圖6所示。
圖6測試樣本分類（手工計算）
Fig.6 Test sample classification （manual calculation）
對于使用MATLAB計算機仿真訓練獲得的權值W=[1.8 0] ，加入測試樣本集，分類結果如圖7所示。
圖7測試樣本分類（MATLAB）
Fig.7 The test sample classification （MATLAB）
對比圖6和圖7，可以清楚看到根據兩種方式獲得的權值，建立兩種感知器神經網絡模型，均能對樣本進行分類，但卻同時可知圖6的網絡模型可對測試樣本集進行更見成效的分類。
5 結束語
感知器神經網絡只能解決線性可分的模式分類問題，在應用上有一定的局限性，但對于線性可分問題建立的模型，總能通過訓練，在有限的循環次數內找到網絡權值，使網絡達到期望的輸出，進而完成模式分類。通過對同一模型的手工計算和MATLAB訓練，得出的網絡權值并不相同，但都可以對網絡進行分類，只是對于使用MATLAB進行的計算機訓練仿真，所獲取的權值與計算精度、連同使用的學習函數及傳遞函數方面將會有一定的影響。而且，選取不同權值建立的模型，在泛化能力上也將存在一定差異。作為感知器分類器的模型建立，需要反復比對找到最優的權值，這樣建立的模型在泛化能力上才會具有更好的適應性。
參考文獻：
[1] （美）Martin T. Hagan等，著.神經網絡設計[M]. 戴葵等，譯.北京：機械工業出版社，2002.
[2] Domany， Eytan. Models of Neural Networks III：Association， Generalization， and Representation[M].New York： USA Springer press，2013.
[3] 張昭昭，喬俊飛，著.模塊化神經網絡結構分析與設計[M].沈陽：遼寧科學技術出版社.2014.
[4] Samarasinghe， Sandhya. Neural Networks for Applied Sciences and Engineering[M]. Boca Raton，Florida： The Chemical Rubber Company Press，2006
模式識別范文5
關鍵詞：模式識別技術;刑事科學技術;生物識別
存在于時間和空間中可觀察的事物，如果可以區別它們是否相同或相似，都可以稱之為模式（pattern）。而針對現代信息科技的狹義領域內，模式可以說是為了能讓計算機執行和完成分類識別任務，通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息。從這些大量的信息及數據出發，模式識別（Pattern Recognition）便是用計算機實現人對各種事物或現象的分析，描述，判斷，識別的過程。模式識別技術的發展是從1929年G. Tauschek發明數字閱讀機開始的，直到20世紀70年代，一些發達國家開始將模式識別應用到刑事偵查部門。隨著科技的不斷進步，模式識別在刑事科學技術方面的應用越來越廣泛，發揮的作用也越來越大，從某種意義上說模式識別促進了偵查和刑事技術手段的發展。
一、模式識別系統
模式識別是解決如何利用計算機對樣本進行模式識別，并對這些樣本進行分類。執行模式識別的計算機系統被稱為模式識別系統。一個完整的模式識別系統，由數據獲取、預處理、特征提取、分類決策和分類器設計5部分組成?？梢苑譃樯舷聝刹糠郑荷习氩糠滞瓿晌粗悇e模式的分類;下半部分完成分類器的設計訓練過程。
1.數據獲取及預處理
數據獲取是通過傳感器，將光或聲音等信息轉化為計算機能夠識別的電信息的過程。為了更準確有效的讀取信息，對由于信息獲取裝置或其他因素所造成的信息退化現象進行復原、去噪，從而加強信息的利用率，這個過程就是預處理。
2.特征提取
由于數據獲取部分所獲得的原始信息數據量相當龐大，為了將這種維數較高的模式空間轉換為維數較低的特征空間，從而實現分類識別，得到最能反映分類本質特征的向量，這個對特征進行抽取和選擇的過程即為特征提取。
3.分類器設計和分類決策
分類器設計的主要功能是通過訓練來確定判決規則，它屬于訓練過程的一部分，其主要目的就是針對訓練樣本來按其判決的規則進行分類，以建立錯誤率最低的標準庫。分類決策便是以分類器設計所建立的標準庫為標準對特征空間的待識別對象進行分類，這樣不僅能夠使錯誤識別率降到最低，還能極大的提高數據利用率，最大程度的減少客觀的信息損失。
二、模式識別在刑事科學技術中的應用
近幾年，作為新生現代科技手段，模式識別技術被廣泛應用于生活中的各個領域，如：字符識別、醫療診斷、遙感控圖、環境監測、語音識別和產品檢測等。模式識別技術極大的提高了人們的工作和生活質量，不斷推動著社會的發展。在刑事科學技術方面，模式識別已經處于舉足輕重的地位，特別是在指紋識別、人臉識別、虹膜識別等生物識別技術方面極大的提高了刑事偵查水平，為尋找犯罪證據和破獲案件提供了強有力的技術手段支持，促進了刑事科學技術現代化建設。
1.指紋識別
由于指紋具有唯一性、方便性和終身不變性，我國早在兩千年前就曾使用指紋來破案。替代了傳統的人工識別指紋的方法，指紋識別技術已成為目前刑事偵查部門進行認定識別工作的主流技術，同時也是證據鑒定和偵查破案的有力保障。
如在20年前漳州商業大廈電梯殺人一案中，現場的線索少之又少，唯一有價值的線索是民警通過仔細勘查所提取到的一枚殘缺指紋。在當時指紋識別技術還未完全成熟的年代，僅僅通過這枚殘缺指紋找到兇手是相當困難的。然而，隨著指紋識別技術的成熟，這件在當時看來無法破解的謎案，卻在2011年全國公安系統的“清網行動”中發現08年嫌疑人于上海斗毆的指紋與95年殺人案的殘缺指紋認定同一。20年前的謎案被輕松告破，嫌疑人蔡某偉終被緝拿歸案。
指紋識別系統是一個典型的模式識別系統，其主要分為指紋數據獲取、指紋區域分割、指紋圖像預處理、特征提取和匹配五個過程。憑借著可靠性強、速度快、操作簡便等優點，指紋識別技術將繼續作為刑事科學技術里進行生物識別的主要技術手段不斷成熟發展。但是，小幾率的錯誤識別和模糊難成像等問題仍是指紋識別技術進行改進需要考慮的首要問題。
2.人臉識別
人臉識別是目前模式識別領域中被廣泛研究的熱門課題，相比傳統的身份識別方式，人臉識別憑借著其身具有的安全性、保密性和方便性等優勢，在近幾年來得到了飛速發展并廣泛應用于社會中的安全和經濟領域。目前，人臉識別技術已經成為刑事科學技術工作中較為成熟的鑒定技術之一，在刑事偵查實際工作中，人臉識別技術落實到身份認證、視頻監控、視頻資料分析等具體工作上，使得在進行布控排查、人像識別、犯罪嫌疑人認定以及門禁等方面都得到了良好的應用效果。
模式識別范文6
以激光器支架為例，運用Moldflow軟件進行模流分析，并設置了正交試驗，以得到各因素水平的最佳組合，從而減小翹曲變形量，提高塑件質量，使其達到裝配要求。然后根據所得數據建立了BP神經網絡預測模型，再利用測試樣本驗證模型的準確性，結果發現仿真值與預測值的誤差均在±3%以內。
關鍵詞：
激光器支架；模流分析；正交試驗；BP神經網絡
1激光器支架3D模型
激光器支架塑件的3D模型如圖1所示。該塑件的尺寸為39.5mm×30mm×42mm，外表美觀；另外，對成型塑件有一定力學性能要求，而且要求底面的翹曲變形量較小。根據實際生產經驗以及該塑件的使用特點，選擇材料為ABS(丙烯腈-丁二烯-苯乙烯共聚物)；采用一模兩腔，主流道和分流道為圓形截面，澆口為梯形截面，最佳澆口位置在塑件的中間部位，但由于模具制作及生產效率的原因將其定于圖1所示位置。采用中面模型對塑件進行網格劃分：三角形單元數42672，節點數21320，最大縱橫比為5.8，平均縱橫比為1.62，匹配率為85.3%。
2正交試驗
運用MoldflowMPI軟件對塑件的注塑成型過程進行模擬，以翹曲變形為優化目標，通過正交試驗獲得最佳工藝參數，從而為實際生產提供指導。影響翹曲變形的主要工藝參數有模具溫度、熔體溫度、注射時間、保壓壓力、保壓時間、冷卻時間等，其中模具溫度、熔體溫度、保壓壓力、注射時間、保壓時間對塑件的翹曲變形和收縮變形有較大的影響[1-2]。根據生產經驗和成型窗口分析的結果，所設計的因素水平表如表1所示。本實驗考察的主要指標是塑件的翹曲量，其值越小越好。由表2的正交試驗結果可知，4號實驗組合A1B4C4D4E4的翹曲量最小(0.276mm)。圖2為翹曲變形量與體積收縮率的極差折線圖。由圖2可以直觀地看出，對翹曲變形最佳的因素水平組合為A2B4C4D4E2，對體積收縮最佳的因素水平組合為A1B1C4D4E4。對這兩個組合進行進一步研究。模擬結果顯示，A2B4C4D4E2組合的體積收縮率為9.189%，翹曲量為0.2758mm。組合的體積收縮率為9.188%，翹曲量為0.2760mm。A2B4C4D4E2組合比A1B1C4D4E4組合的翹曲量小，確定其為最優組合。本實驗中，對塑件翹曲變形的影響因素由主到次依次為C、B、D、A、E，說明保壓壓力在翹曲變形中起主要作用，其次為熔體溫度和注射時間；對塑件體積收縮率的影響因素由主到次依次為B、C、A、D、E，說明熔體溫度在體積收縮中起主要作用。選擇參數時要權衡利弊，從而給出最優的實驗組合。
3單因素分析
圖3為各因素對塑件翹曲變形的影響。從圖3可以看出，當模具溫度由50℃升至80℃時，塑件的翹曲變形量逐漸下降，但降幅不大。在一定范圍內，模具溫度越高，塑件的冷卻速率越低，即冷凝層的厚度較薄，內部的殘余應力相對較小，因此塑件的變形量也較小。但是過高的模具溫度不利于塑件的頂出，并導致成型周期延長，同時還會使結晶型塑件的體積收縮率增大。當熔體溫度過低時，由于其流動性能較差，因此為充滿型腔需要較大的注射速度或注射壓力，這會導致剪切應力增大，使其在熔體凝固前來不及得到釋放，進而造成塑件翹曲變形。而當熔體溫度較高時，熔體的流動性能較好、剪切應力較小、冷凝層較薄，故此時塑件的變形量也相對較小。但是過高的熔體溫度容易造成材料降解，導致塑件收縮率及翹曲變形量增大。另外，保壓壓力對塑件的翹曲變形影響較大，若沒有保壓壓力，塑件的體積收縮率最高可達25%[3]。當保壓壓力過小時，由于補縮能力較差，會造成較大的體積收縮率，且易在澆口處形成回流，進而產生殘余應力，這些因素均會造成塑件翹曲變形量的增大。當保壓壓力過高時，會使塑件產生較高的殘余應力和壓應力，導致塑件翹曲變形量增大，同時還可能出現脹?，F象，產生飛邊等缺陷，從而影響塑件質量。由圖3還可看出，當注射時間較短時，由于熔體的填充速率過快，會使塑件產生表面應力和殘余應力，進而導致塑件的變形量較大。但注射時間較短時產生的冷凝層厚度較小，使塑件的收縮趨于一致，這反而有利于減小塑件的變形量。而過長的注射時間則會使冷凝層厚度增加，當先鋒熔體首先凝固時，其后部還是溫度較高的熔體，進而導致塑件收縮不均，翹曲變形量增大。此外當保壓時間較短時，其對塑件的變形量影響較大，這是因為此時塑件的補縮量較大。隨著保壓時間的延長，補縮量基本不發生變化，從而使塑件的變形量也基本不變。但是過長的保壓時間不但不會使變形量進一步減小，而且會造成脫模困難，從而延長了注射周期，降低生產效率。
4神經網絡預測
隨著科技的不斷發展，人們對生產提出越來越高的要求，高質、高效、節能、低碳、低成本成為工廠追求的目標。然而，采用傳統的CAE方法處理大量原始數據時，需經多次試驗才可能得出最佳的工藝方案，這顯然不符合高效生產的要求。BP網絡是一個前向多層網絡，按誤差反向傳播算法對網絡進行訓練。其學習規則為最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差最小。它可以建立工藝參數到翹曲變形量和體積收縮率的映射關系模型，得到其內在關系，從而預測結果，而無需事前揭示描述這種映射關系的數學方程。由文獻[4]可知，3層神經網絡可以模擬任意非線性問題。本研究根據正交試驗的數據，建立了一個5輸入2輸出的3層網絡模型，如圖4所示。
4.1樣本數據處理由于本次網絡訓練的樣本數值大小不一、單位各異，故首先將樣本做歸一化處理。
4.2隱含層神經元數目的確定隱含層神經元數決定了神經網絡的準確性，它與問題的要求、輸入層和輸出層的神經元數都有關系。一般隱含層神經元數越多，其誤差越小，但運算時間越長。目前，隱含層神經元數目選取的經驗公式為：m=2n+1(其中，m為隱含層神經元數；n為輸入層神經元數)。本網絡根據經驗公式，再加上一個區域范圍，初選隱含層神經元數為1、6、12、18、24，結果如圖5所示。從圖5可以看出，中間隱層神經元數為12時相對比較合適，因此本研究將中間隱層的神經元數定為12。
4.3學習速率較大的學習速率可以快速地逼近期望值，但是容易發生修正過量而導致誤差振蕩而不收斂。而較小的學習速率可以避免出現誤差振蕩現象，但是收斂速度較慢。一般學習速率在0.01~0.1之間選取，本網絡的學習速率選為0.02。
4.4網絡訓練圖6為網絡訓練的誤差曲線圖。由Train(訓練)曲線可以看出，誤差(MeanSquaredError)在逐漸降低，在第三步時達到設定的誤差目標值10-5。另外，圖6中Test(測試)曲線是測試誤差變化，Validation(驗證)曲線表示驗證誤差變化，圓圈表示最佳的訓練誤差點，可以看出，Validation和Test的誤差在最佳點后基本變化不大。
4.5網絡測試再隨機選取5組試驗利用Moldflow軟件進行模擬仿真，然后與網絡測試的結果進行對比，以判定網絡的可靠性。網絡預測值與仿真值之間的誤差如表3所示。從表3可以看出，網絡預測的結果和仿真結果基本吻合(誤差均在±3%之內)，這表明該網絡已達到較高的預測精度，能夠為以后的生產提供指導。
5結論
