硕士学位论文-车牌识别的属性嵌套计算网格的研究与实现.doc

目目 录录 第一章第一章 绪论绪论.1 1 1.1 研究背景和意义 .1 1.2 国内外在该方向的研究现状及分析.2 1.2.1 车牌识别系统国内外研究动态 .2 1.2.2 我国汽车牌照的特殊性.3 1.2.3 属性论方法在模式识别方向的研究动态 .4 1.3 需要重点解决的问题 .5 1.3.1 识别的稳定性 .5 1.3.2 识别率 .5 1.3.3 识别速度 .5 1.4 本文的主要工作及创新.6 1.5 本文的组织结构.6 第二章第二章 定性映射及属性计算网格定性映射及属性计算网格.8 8 2.1 引言.8 2.2 属性论方法之基石之一定性映射理论.9 2.2.1 最简定性判断的定性映射模型15.9 2.2.2 定性映射和特征函数.10 2.2.3 整合性质的定性映射.12 2.3 属性计算网格 .12 2.3.1 以网格为基准的定性映射 .13 2.3.2 属性计算单元和属性计算网络 .13 2.4 本章小结.15 第三章第三章 属性计算网格的学习与模式识别属性计算网格的学习与模式识别.1616 3.1 引言.16 3.2 基于属性计算网格的模式识别.16 3.2.1 属性计算网格的整合 .16 3.2.2 属性计算网格的剖分 .17 3.2.3 基于属性计算网格的模式生成和识别 .18 3.2.4 基于属性嵌套计算网格的汉字识别 .19 3.3 本章小结.22 第四章第四章 车牌图像预处理与车牌定位相关问题的研究车牌图像预处理与车牌定位相关问题的研究.2323 4.1 引言 .23 4.2 车牌图像定位的研究现状 .23 4.3 图像预处理 .24 4.3.1 图像的灰度化.24 4.3.2 图像增强.25 4.3.3 二值化 .25 4.4 车牌定位的算法流程 .26 4.5 实验结果及结论 .27 4.6 本章小结 .28 第五章第五章 车牌字符分割与识别等相关问题的研究车牌字符分割与识别等相关问题的研究.3030 5.1 引言.30 5.2 字符分割的研究现状.30 5.3 字符分割算法研究.31 5.4 字符识别技术的研究现状 .33 5.5 基于属性嵌套网格及属性整合的车牌识别算法研究.34 5.5.1 基于属性计算网格的车牌识别算法25.34 5.5.2 基于属性嵌套计算网格的车牌识别算法 .35 5.6 实验结果及结论.36 5.7 本章小结 .39 第六章第六章 车牌识别系统的软件实现车牌识别系统的软件实现.4141 6.1 引言.41 6.2 软件系统实现方法.41 6.2.1Matlab 与外部接口的意义 .41 6.2.2 Matlab 接口的具体实现 .42 6.2.3 软件实现需注意的问题 .42 6.3 软件系统的仿真实验.43 6.4 本章小结.45 总结与展望总结与展望.4646 参考文献参考文献.4747 攻读硕士学位期间发表的学术论文攻读硕士学位期间发表的学术论文.5151 第一章 绪论 1 第一章第一章 绪论绪论 1.11.1 研究背景和意义研究背景和意义 随着经济全球化的进一步深入，高速度、高效率的生活节奏使得车辆普及成为 当今社会的一个必然趋势。在此情况下，仅仅依靠大力发展交通设施已不能解决现 在已经存在的交通拥挤、交通事故频发、交通环境污染加剧等问题。如何利用有限 的交通资源对城市交通进行有效的管理，越来越成为各国政府和有关部分所关注的 焦点。随着现代科技的发展，世界各国越来越认识到只有道路建设和现代管理齐头 并进，在发展交通设施的同时，大力发展智能交通系统(Intelligent Transport System，简称ITS)，才有可能真正解决日益严重的交通问题。 目前，我国的一些主要城市都已经基本完成交通指挥中心的建设，在交通指挥 中心中，视频图像处理技术已经成为主要的技术手段，而车牌识别系统就是其中的 关键技术之一。通过对车辆牌照的正确识别，既可以实现在交通路口、高速公路、 军事要塞、机关门卫对过往车辆进行实时登记、流量统计和对肇事车辆、犯罪车辆、 被盗车辆进行拦截；又可以对停车场进出车辆进行登记、统计和查询，以保障安全 防盗，并可协助自动收费。上述功能无疑节省了人力、资金，同时提高了交通管理 的效率，是建设智能交通系统不可缺少的部分。 车牌识别系统是一个涉及到图像处理，计算机视觉，模式识别，软件工程等多 个 方面的技术系统。由于应用场景的复杂性，系统所需解决的问题相当复杂，车牌识 别系统在实际应用中存在诸多不足，例如外界亮度过低、光照条件恶劣、特殊天气 条件、复杂的非车牌区域干扰等都会给车牌的定位造成一定的难度；车牌自身的清 洁度或倾斜度会给字符切分造成困难；相似字符的区分也是实际应用中的一大难点。 尽管近年来国内外学者对上述问题提出来很多针对性的解决方法，但在整体识别速 度，正确率上还是存在很大的不足。 综上所述，对车牌识别技术进行研究有重大的现实意义以及实用价值，同时也 具有广阔的商业应用前景。 第一章 绪论 2 1.21.2 国内外在该方向的研究现状及分析国内外在该方向的研究现状及分析 1.2.11.2.1 车牌识别系统国内外研究动态车牌识别系统国内外研究动态 国外研究人员就对车牌识别技术进的研究起步相对较早，其中有代表性的工作 有：R.Mullot1等开发的一种既可以用于集装箱识别，又可以用于车牌识别的系统， 该系统是基于文字的纹理特征实现车牌的定位与识别。R.Parisi2利用DSP和神经网 络技术开发出了一套车牌识别系统，他在字符识别环节使用非传统的DFT技术，据文 献中给出的结论，识别正确率较高。Yuntao Cuif3提出了一种车牌识别系统，在车 牌定位以后，利用马尔科夫场对车牌特征进行提取和二值化，其重点工作放在对车 牌图像二值化上。Luis4开发的系统应用到公路收费站，全天识别率达到90以上， 天气不好的情况下达到70。EtmRyung5等利用图像中的颜色分量，对车辆牌照进 行定位效果较好。在产品化方面，以色列Hi-Teeh公司的See/Car System系列、新加 坡Optasia公司的VLpRs系列、香港AsiaVisionTechnology公司的VECON都是比较成熟 的产品。但由于各国车牌个性化的特点，国外的车牌识别系统在我国的应用都存在 一定的缺陷，例如See/CarSystem针对中国大陆车牌进行变形设计的产品See/Car Chinese系统就不能识别车牌中的汉字，而新加坡的产品则只能适用与当地的车牌。 国内对车牌识别进行研究始于90年代，其中有代表性的工作有：清华大学的冯 文 毅6等利用光电混合系统进行车牌识别；浙江大学的张引7提出基于彩色边缘图实 现车牌定位的算法；昆明理工大学的袁志伟等8对车牌定位算法进行了系统深入的 研究；中科院自动化研究所的刘智勇9等开发的车牌识别系统，定位准确率达到 9942，识别准确率达到9452。在产品化方面，如今技术条件比较成熟的公 司主要有；中科院自动化研究所汉王公司的“汉王眼”、上海高德威智能交通系统 有限公司、上海宝康电子控制工程有限公司、智慧光科技(深圳)有限公司、沈阳聚 德视频技术有限公司等。他们宣传产品的整体识别率都在90以上，但要在光照充 足，车牌干净等前提下才能达到。对于车牌图像对比度低，车牌模糊污损的情况识 别率下降比较明显。为了提高系统的识别率，在成像环节上述公司的产品基本都采 用了辅助设备，其中汉王公司，高德威智能交通系统有限公司都采用了主动红外补 第一章 绪论 3 光和光学滤波器来减弱可见光不可控制的影响，减小恶劣天气和汽车灯光的影响。 1.2.21.2.2 我国汽车牌照的特殊性我国汽车牌照的特殊性 目前，我国仍主要采用九二式车牌，种类繁多，常用的有民用车牌、军用车牌、 警用车牌、武警车牌等。根据中华人民共和国机动车号牌标准(GA36-92)规定进行统 计，车牌第一位字符一般为汉字，包括各省、直辖市、自治区的名称:京、津、晋、 冀、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、 川、贵、云、藏、陕、甘、青、宁、新、渝，共 31 个汉字;军用车汉字:甲、乙、丙、 己、庚、辛、壬、寅、辰、未、申、戍、午，共 13 个汉字:使馆汽车:使;领馆汽车: 领;临时汽车:临时;教练车牌照的尾字:学;试验车尾字:试;警车牌照的最后一个字符:警; 总共约 50 多个汉字。车牌第二位字符为英文大写字母:A-Z，其中 I 和 0 避而不用， 以避免与数字 1 和 0 混淆;第三位字符为除 I 和 0 以外的英文大写字母 A-Z 或数字 0-9，共 34 个字符。第四位字符以前仅为 0-9 这十个数字，但由于车辆的日益普及， 现在也出现了字母，故该位置可能的字符与第三位的字符相同。第五至第七位字符 均分别为 0-9 这十个数字之一。可见，车牌字符识别系统的字量小，包括 50 多个汉 字，24 个大写英文字母，10 个数字，总共仅 80 多个字符。而且车牌的制作有国家 统一的标准，字符的大小一致，字型统一。相对于普通的字符识别，难度降低了。 但从实用的角度看，车辆牌照识别系统应该是一个全自动的、实时的系统，因此要 求有较高的识别速度和正确率。 另外，由于摄像机的性能、光照条件、车牌的整洁度、拍摄时的倾斜角度等因 素的影响，字符可能出现比较严重的模糊、缺损、歪斜或污迹干扰，这些都给字符 识别带来了难度。 目前我国的车牌识别技术尚未达到很完美的程度，但是在国外由于收费停车场 和高速公路发展较早，己经成功地开发了一些自动系统。 虽然，国外的研究工作有一定进展，但并不符合我国国情，这主要是因为以下 几方面的原因: (1)国外许多国家汽车牌照的底色和字符通常只有两种颜色，而我国汽车牌照 字符颜色有黑、白等若干种颜色，底色有蓝、黄、黑、白等多种颜色； 第一章 绪论 4 (2)我国的汽车牌照是由汉字、英文字母和阿拉伯数字组成，从而增加了识别的 难度； (3)我国汽车牌照的规范悬挂位置不统一； (4)其他国家的汽车牌照格式通常只有一种，而我国规定了多种牌照格式(例如 分为军车、警车、普通车等)。 1.2.31.2.3 属性论方法在模式识别方向的研究动态属性论方法在模式识别方向的研究动态 属性论10,12,13,14方法是冯嘉礼教授上世纪八十年代末提出的一种基于事物性质 变化规律刻画的表示方法。它以辨证唯物主义尤其是质变量变规律为指导，以人工 智能和思维科学为研究方向，以属性描述手段为研究客体，使用数学方法特别是定 性映射15,16,17和转化程度函数为研究手段，提出了一系列相互联系的观点和定义， 这种方法既能适应思维非数值化特征部分，又能适应数值化特征的双重需要。 如何对对象进行特征模式抽取，并表示成一个形式化和结构化的符号，是计算 机得以生成、存储、调用和识别一个模式的核心和关键。事实上，由于属性论方法 学中的定性映射不仅具有通常映射所没有的定性基准，而且，在粒度剖分下，定性 基准还形成了一个对模式生成、压缩和识别非常有用的网格嵌套结构，即：定性基 准网格G(,)可由各子定性基准单元,拼接而成，使得：如果一个模 V V V V 式M 可由网格G(,)中若干子定性基准单元拼接而成，则由该网格嵌套结构 V V 构成的子定性基准簇的整合映射，即可作为该模式M 的生成、压缩映射和识别。定 性映射的这种不同于一般映射的定性基准网格结构关系，可用属性计算网格模型表 达。 在模式识别领域，现有的研究成果有：冯嘉礼18基于属性抽取和整合的感觉神 经检测模型，方红峰19等的英语语音转换英文文字的软件实现，刘旭光20的属性 论方法在心电图检测中的应用，张锦21的属性Petri 网建模及其在故障诊断中的应 用，王洪22的基于属性论方法的股市预测算法，李文佩23的基于定性映射与转化 程度函数的汉字识别，许广林24的基于属性计算网络的模式识别，王登25模式识 别的属性网格计算器模型及其在车牌识别中的应用研究等等。 第一章 绪论 5 1.1.3 3 需要重点解决的问题需要重点解决的问题 车牌自动识别系统的原始图像取自室外运动的非标准图像，要求实时性及准确 度，因此对识别的稳定性、识别率及识别速度提出了严格的要求，三者之间构成了 既矛盾又统一的复杂关系。 1.3.11.3.1 识别的稳定性识别的稳定性 识别的稳定性是指识别系统排除诸如取样环境、非标准对像、及样本差异等不 确定因素的影响的能力。由于车牌自动识别系统在室外取样（摄像） ，天气、光照、 背景随时间改变；车牌的型号规格，车辆的行驶速度，尤其是车牌的缺损、污染， 遮挡等现象都无法事先确定；图像拍摄的质量及拍摄的角度也绝非千篇一律，所有 的这些不确定性都会对系统的实时处理、模式识别造成干扰。必须从预处理，数据 融合，模式识别这几个方面着手来提高系统的稳定性。 1.3.21.3.2 识别率识别率 识别率是识别系统的重要性能指标，是衡量识别系统能否应用于工程实践的必 要条件。提高识别率一方面从系统的硬件着手，设计可靠的摄像系统，采用有质量 保证的硬件设施，从而保证最大限度地获取清晰的图像。同时软件设计应解决好图 像预处理、模式识别、模板样本等三个问题。图像预处理的目的是为最终的字符识 别提取尽可能清晰、规范的字符图像。它一般包括图像的过滤、增强、校正以及重 取样、修补等手段。模板样本是识别分类的标准，直接关系到识别率。 1.3.31.3.3 识别速度识别速度 实时性的工作环境决定了对识别速度的要求，系统的识别速度与系统的稳定性、 识别率构成了矛盾的统一体。必须在确保识别的稳定性、识别率的前提下，尽量地 采取措施提高识别的速度。首先在系统软件框架的设计中要求流程的合理性，尽量 消除重复计算及冗余计算。同时对每一个子模块如车牌定位、预处理、字符识别等 则需要研究和采用高效准确的算法。解决上述问题的措施及其结果决定了系统质量 第一章 绪论 6 的优劣，也为车牌自动识别这一系统工程带来了无限的想象及研究的空间。 1.41.4 本文的主要本文的主要工作及创新工作及创新 车牌自动识别技术经过多年来的研究，已经积累了大量研究成果。但是，非约 束环境下的车牌识别仍然面临着很多困难，除了要准确快速的检测并分割出车牌部 分，也要求有效的变化补偿、特征描述和准确的分类。在以前国内外学者取得的成 果基础上，本文试图以人类自身的思维角度作为模式识别的出发点，为车牌识别系 统寻求新的途径。作者通过努力不断地学习和创新，研究已有王登的属性计算网格 的车牌识别方法25，并在此基础上，运用新型的属性嵌套网格的快速识别算法，实 现了一整套车牌识别系统，取得了较优的效果。 本文所做的工作步骤如下： (1)回顾用于车牌识别的多门基础理论如数字图像处理、数学形态学、模式识别、 神经网络等；重点运用常用的数字图像处理算法，包括图像的二值化、灰度变换增 强、图像的滤波等。 (2)查阅了相关文献，确定车牌定位和字符分割的相关算法。 (3)对车牌的字符识别，独立提出了一种基于属性嵌套计算网格的“整体” “细化”“整合”的思路。这个过程可能体现了人脑识别时的神经信息处理 过程。 (4) 完成车牌图像采集，编写 VC+与 Matlab 之间接口来实现车牌识别算法。 实验结果表明采用的算法和模型对车牌有良好的识别结果。 (5)最后对已完成的工作进行了简要总结，并对系统今后的进一步改进和应用提 出了展望。 1.51.5 本文的组织结构本文的组织结构 第一章 绪论； 第二章 介绍了定性映射及属性计算网格的相关理论知识； 第三章 重点介绍了属性计算网格及其在模式识别中的学习功能； 第四章 在进行了相关算法的研究的基础上，依据人脑对车牌定位的机理，研究 第一章 绪论 7 了车牌定位与图像预处理处理相关问题，并实验验证了车牌定位的算法； 第五章 研究了一种车牌字符分割算法，详细介绍了采用属性嵌套计算网格对车 牌进行识别的基本原理和实现过程，并进行了实验验证； 第六章 综合上述多种算法给出车牌识别系统实现。 最后是结论与展望。 第二章 定性映射及属性计算网格 8 第二章第二章 定性映射定性映射及属性计算网格及属性计算网格 2.12.1 引言引言 我们知道，人类主要靠感觉器官感知世界万物，并以对事物质的判定为主要形 式来完成人类思维意识的识别、记忆、联想、评估等活动。牛顿在创立近代自然科 学时为了避免由于人类对事物质感因素而产生的质规定性不稳定和不可靠的问题发 生，采用了凭借物理仪器测量以确定事物量特征值，并将自然现象归结为数学定律 的量变规律表示方法，并因此而发明了微积分学。 现实中，人脑对事物的感知往往需要整合事物的各个质感特性，而对质感特性 的判定则与对该质感特性的感觉阈限有关。因此，感知活动中需要寻求感觉阈限的 下绝对阈限和上绝对阈限 ，从下绝对阈限到上绝对阈限之间的距离是有关感觉 该质的整个范围。 冯嘉礼教授早年提出的属性论方法学则是关于对事物性质变化规律的研究，使 之能适应思维科学研究需要的一种数学表示模型。该方法以辨证唯物主义尤其是质 变量变规律为指导，以人工智能和思维科学为研究方向，以属性描述手段为研究客 体，使用数学方法特别是定性映射和转化程度函数为研究手段，先后提出和创立了 的一系列著名的观点和模型，在人工智能界特别是思维科学界引起越来越多的关注。 从医疗和故障诊断中抽象出来的定性映射，因具有通常映射所没有的定性基准， 而且，在定性基准变换下，能为专家符号化判断、人工神经网络、支持向量机等方 法提供一个相互联系和转化的数学框架，被看作是一个多智能方法的融合模型。它 不仅能为多种人工智能方法的融合提供一个数学框架，而且，能为模式识别提供一 个全新的思路。定性映射模型是整个属性论的研究基础，既是事物属性的量质 特征转化规律的一个数学抽象，又是人类利用该转化规律对事物进行定性识别和分 类判断的一个数学模型。实践表明，定性映射模型中的很多思想与方法对模式识别 具有特别的方法学意义。同时，它也是本文要研究的内容之一。 第二章 定性映射及属性计算网格 9 2.22.2 属性论方法之基石之一属性论方法之基石之一定性映射理论定性映射理论 2.2.12.2.1 最简定性判断的定性映射模型最简定性判断的定性映射模型15 15 在通常的专家系统中，最简性质命题的判断操作是用推理语句“If , x , then p(u), else p(u)”表达的。然而，若将定性基准作为一个调控自变量 , 变化范围的参变量，则最简性质命题判断可表达为下述映射形式：x 定义定义 2.12.1 设 a(u)是对象 u 的某个属性，XR 是属性 a(u)的一个量值，p(u) x Po是属性 a(u)的某个性质，是性质 p(u)的定性基准，则称映射 , ：X0，1Po，使得： （2-1） ,)( ,)( ,), ,( ? xup xup xx 为最简性质 p(u)的判断映射或定性映射。其中，为问题：“是否在中？ ? x , ”的算子，或“是否满足性质（命题）p(u)的定性基准？”的算子。因对每一个x 属性 a(u)，输入的是 a(u)的一个量（特征)值，输出是 a(u)的一个性质 p(u)或非x p(u)的 q(u)，因此，若强调（2-1）是一个从量特征到质特征 p(u)的一个转化过x 程，则符号又可以称为属性 a(u)的量质特征转化算子，或（性）质特征抽取 ? 算子。 事物质量互变规律不仅表现为其属性质特征和量特征的变化，以及质特征和量 特征之间的相互转化，而且，其“度”或“临界点”还表现为它们之间相互对应的 定性基准和调控它们之间相互转化规则的形式。 一般地，若 和 分别是性质 p(u)发生变化的两个关节点，则称区间,为 性质 p(u)的“度”或定性基准，于是，量变引起质变的规律可借助定性映射表述为 下述基本定理： 基本定理基本定理 1 1：设 a(u)是事物 u 的一个属性， x0, X 是 a(u)的一个量， , 是 x0所对应性质 p(x0 ,u) 的定性基准， =(+)/2 为,的球心, r=(- 第二章 定性映射及属性计算网格 10 )/2 为,的半径，并设 q(x,u)是 x0变为 x=x0+x 所对应的性质，则若|x-|r,则 q(x,u) p(x,u)。 用逻辑语句则可表示为：“If x,，then p(u)，else p(u)” 。 从逻辑上讲，所谓“量 x 在,内变化，性质 p(u)不变” ，与“x,，当 且仅当 p(u)”是等价的，不过，前者更强调 x 在,内是可变的，后者更注意 x 与 p(u)之间是对应的。 从计算的角度讲，因从量到性质 p(u)的转化使所有都对应于一个性xx , 质 p(u)，故定性映射（2-1）是一个压缩操作和“粒度”计算。反之，从性质 p(u) 到量的转化使一个性质 p(u)对应于所有的“，所以，定性映射（2-1）xx , 的逆映射则是一个“一对多”的映射。 若用表示性质命题 p(u)的真值，则（2-1）可表示为： , , , x x ux p 0 1 （2-2） ),(,), ,( ? uxxx p 特别地，若用代替不至引起误解或混淆，则（2-2）可写为( ) p x ),(ux p (，)= （2-3）x , x ? , ( ) p x 2.2.22.2.2 定性映射定性映射和特征函数和特征函数 集合论中有一个概括原则： 概括公理： 对任给一个性质 p,存在一个以所有具有性质 p 的事物 x 为元素的 集合 S=x|p(x)。值得指出的是，这里的性质 p(x)不能是一个“自我指谓”或“自 指示”的性质，否则，将出现悖论。为避免出现悖论，一般设 SX 是论域 X 的子集,由 xSX，可得到一个 S 的特征函数，即： 定义定义 2.22.2 设 SX 是论域 X 的子集，称从 X 到0，1的函数S：X0,1是集合 S 的特征函数，如果对任意 xX,有： （2-4） 这时，由于集合 S 中的 x 都具有“是 S 的元素”或“属于 S” 的性质 pS(x)， Sx Sx x S 0 1 第二章 定性映射及属性计算网格 11 所以,若将 S 作为性质 p(x)的定性基准，则 S 的特征函数（2-4） ，即S()可看作是x 以集合 S 为定性基准的性质 pS()的定性映射，即：x （2- 1 ( )( ,) 0 ? Sp x S xx SxS x S 5） 反之，如果将（2-1）中的定性基准抽象为一般的集合 S，并令 pS() , x =df“是 S 的元素”的性质，则定性映射（2-1）将变为集合 S 的特征函数S(),xx 即有： 定义定义 2.32.3 设 SX 是论域 X 的子集，P(X)是 X 的幂集，pS() =df“是 S 的元xx 素”的性质，称映射p:XP(X)0,1是性质 pS()的定性映射，如果对x X，p() 0,1，使得：xx （2-6） 1 ( ,)( ) 0 ? S x S x SxSx p x S 并称p(,S)（或简记为p()）为性质 pS()的真值。xxx 由此我们得到下述定理： 定理定理 2.12.1 定性映射(2-6)和特征函数(2-4)是等价的。 比较定性映射(2-4)和特征函数(2-5)可以发现：定性映射p(,S)和特征函数x S()分别用“S”表示性质命题 pS()的内涵，即：“是 S 的元素”和外延，xxxx 即：“S 是由具有性质 pS()的所有元素构成的集合” 。也就是说，因性质 pS()xxx 等价于属性关系“S” ，即：pS() S，所以，它们不过是同一事实或命题xxx pS()的两种不同说法而已。x 事实上，即使 p()的定性基准 Sp是一个若干集合的交或并，即：Sp=S1S2或x Sp=S1S2，乃至更复杂的集合，我们仍可证明：定性映射（2-1）或（2-4）和特征 函数（2-5）不仅是等价的，而且，也是可用下述定性映射（2-6）： （2-7） 1 ( ,)( ) 0 ? p p pp S p x S x SxSx x S 对 p()的真值()进行判断（推断）的，当然，这时的 p()已是一个复杂的xxx 第二章 定性映射及属性计算网格 12 性质了。 更进一步，若 X 是一个拓扑空间（X,P(X)） ，P(X)为 X 的拓扑41，SP(X)是一 个由其球心和半径确定的开子集或邻域：S(,)，pS()表示“是 S 的元素” i i i i xx 的性质，则 pS()的定性映射(2-4)不仅可看作是一个从拓扑空间（X,P(X)）到0,1的x 映射p:(X,P(X)0,1，即： （2-8） ? , iiii i x SxSx （2-9） , ? , iiii i xxx 2.2.32.2.3 整合性质的定性映射整合性质的定性映射 对于由若干因子属性 ai(u)构成的的一个整合或综合属性来说，其 )()( 1 uaua i n i 定性命题的真值判断可归结为下述定性映射： 定义定义 2.92.9 设是对象 u 的 n 个因子属性 ai(u)，i=1，.，n，的整合 )()( 1 uaua i n i 属性，是属性 a(u)的量值，其中，XiR，为 ai(u)的量特征值， 1 ( ,) n xxx i x pi(u) Po是属性 ai(u)的某个性质，=|是性质 pi(u)的定性基准，, ii , ii 超长方体(parallelepiped) =.是整合性质的 , 11 , , nn )()( 1 upup i n i 定性基准，则称映射：X0，1Po是以 n 维超长方体为基准，对 , 进行的定性（判断）映射(Qualitative Mapping，QM)，如果对任意 1 ( ,) n xxx X，存在和以为定性基准的性质Po，使得x , , )()( 1 upup i n i （2-10） )(),(,), ,( )( 1?1? iop n i iii n i xxxx i 式中， 为性质命题 pi(u)的真值。 ,0 ,1 )( )( iii iii iop x x x i 2.32.3 属性计算网格属性计算网格 上一章我们讨论了如何通过定性映射为多种智能计算方法提供一种统一的数学 表达，这一章我们谈论如何根据定性映射的多输入-输出关系，得出定性映射的逻辑 第二章 定性映射及属性计算网格 13 或电路单元，并整合出一个属性（计算）网络，该网络既具有连接权重调整、自组 织训练和数值计算等人工神经网络的特点，又具有凭定性基准进行性质命题判断、 和依照逻辑规则进行推理等经典人工智能系统的特点，同时给出属性网络的基本模 型和学习算法。 2.3.12.3.1 以网格为基准的定性映射以网格为基准的定性映射 在 n 维情况下，若将每一维定性基准i,i拓扑粒度细分为 m 段，则得到一个 以各剖分 n 维超长方体为单元的网格，使原定性映射变为一个以其剖分网格为基准 的定性映射，而且，分别以这些子超长方体为基准，还诱导出一个具有 mn个子定性 映射的簇。 2.3.22.3.2 属性计算单元和属性计算网络属性计算单元和属性计算网络 如果说定性映射仍是一个数学模型的话，那么，根据定性映射的输入输出 关系得到的(定性映射)属性计算单元，如图 2-1 所示，由若干定性映射单元整合而 成的属性计算网络，如图 2-2 所示，则是两个可由电子线路加以实现的网络模型。 为图示方便，图 2-1 仅给出了 m=3，n=2 的属性计算单元(或定性映射单元)，其 中, 输入 x1(o)和 x2(o)是两属性 a1(o)和 a2(o)的两个量，在不同定性基准1j,2j 和2j,2j，j=1,2，的选择或滤波下，分别转化为两个相应的性质 p1j(o)和 p2j(o)， 再经整合操作后，输出为九个不同的整合性质 p1j,2j(o)。 从特征值 x1(o)和 x2(o)到性质 p1j(o)和 p2j(o)转化，不仅是一个定量到定性的 转化，而且，因性质 p1j(o)和 p2j(o)的真假可由其真值0，1表示，也是一个模-数 转化操作和过程，并可以用嵌位电路加以实现。 此外，因性质整合可看作是两个性质真值的“与”运算，并可由“与“门电路 加以实现，所以，属性计算单元的电路是一个既包含模-数转化电路，又包括“与” 门逻辑电路的，混合了模拟计算和数字逻辑演算的单元。 第二章 定性映射及属性计算网格 14 图 2-1. 以 2 维 33 网格,为基准的定性映射诱导的属性计算单元 因从特征值 x1(o)和 x2(o)到性质 p1j(o)和 p2j(o)转化，是一个从定量到定性的 转化，所以，只要标定定性基准区间1j,2j和2j,2j的上下限，即可实现该转 化操作和过程。考虑到定性基准1j,2j和2j,2j不仅是决定该转化操作，即定 性映射怎样实施，并决定其结果的关键或核心，为得到一个正确合理的判断真值， 增加了一个反馈调节回路。显然，该操作不难用软件编程或电子电路（如嵌位电路 等）加以实现。 此外，因性质整合可看作是两个性质真值的“与”运算，而性质 p1j(o)和 p2j(o)的 真假可由其真值0，1表示，所以，该操作不难用“与”门电路加以实现。考虑到 两性质 p1j(o)和 p2j(o) 整合时，因连接强度（或权重）不同，可能导致整合或综合 性质 p1j,2j(o)产生某些差异。 因属性计算网络可看作是若干定性映射单元的整合映射，所以，除了必须对定 性映射加以深入研究外，还必须对定性映射的整合操作，以及权重调整和反馈控制 操作等进行深入研究，只有这样才能对属性计算网络的各种特性和功能有所了解， 并从中找到它与人工智能其他方法之间的关系。 第二章 定性映射及属性计算网格 15 2.42.4 本章小结本章小结 本章是该论文的理论重点章节之一，比较全面的介绍了定性映射理论和属性计 算网格。定性映射不但是事物属性的量质转化规律的一个数学抽象，并且是人 类利用该转化规律对事物进行识别和分类判断的一个数学模型，通过转化程度函数、 基准变换等数学表达，对事物属性的差异进行了定性与定量的研究。这给我们研究 理论的融合提供了很好的理论基础。 第三章 属性计算网格的学习与模式识别 16 第三章第三章 属性计算网格的学习与模式识别属性计算网格的学习与模式识别 3.13.1 引言引言 本章介绍了定性映射的智能属性计算网格模型，得出属性网格通过不断学习， 能够从特定模式的大量数据中发现其潜在的规律，并且克服了传统分析过程的复杂 性。属性网格同时也是一种自然非线性建模过程，无须分清是何种非线性关系。给 建模和分析带来了非常大的方便。属性计算网格还有具有泛化能力，即有一定数量 的带噪声的特征样本训练后，属性计算网格可以提取样本所隐含的特征关系。最后， 讨论了属性嵌套计算网格在模式识别中的应用。 3.23.2 基于属性计算网格基于属性计算网格的模式识别的模式识别 3.2.13.2.1 属性计算网格的整合属性计算网格的整合 性质整合可看作是两个性质真值的“与”运算，而性质 p1j(u)和 p2j(u)的真假 可由其真值0，1表示，所以，该操作不难用“与”门电路加以实现。考虑到两性 质 p1j(u)和 p2j(u)整合时，因连接强度（或权重）不同，可能导致整合或综合性质 p1j,2j(u)产生某些差异，所以，增加了连接权重的调节。鉴于定性映射单元模拟的 是定性映射的输入输出关系，所以，通过对定性映射的深入研究，即可得到其 各种特性和功能。 图 3-1 表明，一个定性映射单元既包括一个实现属性量质特征转化的模 数转化操作或电路，又包括一系列“与”门逻辑电路的，所以，属性计算单元的 电路是一个混合了模拟计算和数字逻辑演算的模型。显然，这是一个可由电子线路 加以实现的模型。 第三章 属性计算网格的学习与模式识别 17 x1 xi xn p11(x1,u) p1j(x1,u) p1m(x1,u) pi1(xi,u) pij(xi,u) pim(xi,u) pi1(xi,u) pij(xi,u) pim(xi,u) ),( 1 uxpw iiij n i 11,11 n1,n1 nm,nm nj,nj im,im ij,ij i1,i1 1m,1m 1j,1j p1(x1,u) pi(xi,u) pn(xn,u) ),( 1 uxrw iiij n i ),( 1 uxqw iiij n i p(x,u)q(x,u)r(x,u) win w1n wii 图 3-1 特征抽取和整合的属性网格计算器模型 因属性网格计算器可看作是若干定性映射单元的整合映射，所以，除了必须对单个 定性映射加以深入研究外，还必须对定性映射簇及其整合操作，以及权重调整和反 馈控制操作等进行深入研究，只有这样才能对属性网格计算器的各种特性和功能有 所了解，并从中找到它与人工智能其他方法之间的关系。 3.2.23.2.2 属性计算网格的剖分属性计算网格的剖分 由定义3.1可知,属性计算网络是由定性基准v,v剖分的若干个基本属性计算 网格ij,ij组成，使用不同剖分方法，可以得到不同类型的属性计算网格，下面 具体介绍两种剖分方法。 定义3.2 如果使用平均法剖分定性基准v,v，使生成的若干个基本属性计 算网格ij,ij的在属性空间里面的各个方向是均匀分布，这样所得到的网格我们 称之为均匀属性计算网格。如图 3-2，3-3所示。 图3-2 均匀属性计算网格 图3-3 均匀属性计算网格对模式的划分 第三章 属性计算网格的学习与模式识别 18 定义3.3 如果使用非均匀法剖分定性基准v,v，使生成的若干个基本属性 计算网格ij,ij的在属性空间里面的各个方向是非均匀分布，这样所得到的网格 我们又称之为动态属性计算网格。如图 3-4所示。 图3-