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

2、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一一模式识别应运而生，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(A

3、rtificialintelligence),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

4、，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

5、，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，Xeu,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,xtA(x),fA(x):U0,1,x一fA(x)且tA(x)+fA(x)60,1式中，tA(x)称为A的真隶属函数，表示支持xCA的隶属度下界；fA(x)称为A的假隶属函数，表示反对xCA的隶属度下界，相应地，TtA(x)=1tA(x)fA(x)表木xCA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)IxCU为区间值直觉模糊集：(l)MA(x)=tA(x),tA+

6、(x),NA(x)=fA(x),fA+(x),PA(x)=ttA(x),ttA+(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)I),:NAx)C,1.PAi工口，1：(3)兀A(x)=ltA+(x)fA+(x),TtA+(x)=ltA(x)fA(x);(4)SupMA(x)+SupNA(x)=t+A(x)+fA+(x)Wlo定理1(必要条件)区间值直觉模糊集满足：t+A(x)5一(x)+fA+(x)fA(x)=兀A+(x)兀A(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=0,3A(x)0,a

7、A(x)+3A(x)=兀+A(x)TtA(X)O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aA(x)=入A(x)(兀A+(x)tiA(x),3A(x)=(1一入A(x)(tiA+(x)TtA-(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人=x,MA(x),NA(x)|xCU为单参数区间值直觉模糊集：(l)MA(x)=tA(x),tA+(x),NA(x)=fA(x),fA+(x),PA(x)=7tA(x),7tA+(x);MA(x)1,NA2：0,1,PA(x)(3) 入A(x)C0,1,aA(x)=XA(x)(兀A+(x)TtA(x),3A(x)=(l入

8、A(x)(tiA+(x)兀A(x),tA+(x)=tA(x)+aA(x),fA+(x)=fA(x)+3A(x),兀+A(x)=ltA(x)fA(x),兀一A(x)=ltA+(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),tiA(x)=0,兀A+(x)=兀A(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=MA(x),NA(x)|xCU为基于直觉模糊集拓展的双参数区间值直觉模糊集：aA(x)+3A(x)=7iA(x),PA(x)=O,%A(x),MA(x)=tA

9、(x),tA(x)+aA(x),NA(x)=fA(x),fA(x)+3A(x),且OW入Wl,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=#ail34J由KJ卜J。，70LIJ,6仆.20t4,34.3Ted由K.什，j也JJi1由17.?此g,*1以下分别取入=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，说明病人与疾病特征的相似性越高，可凭此做出诊断。直觉模糊集贴近度公式为：SIFS=1!

10、2ni=l(|tA(xi)tB(xi)|+|fA(xi)-fB-(xi)|)/2nSIVIFS入表示入取不同数值时单参数区间值直觉模糊集贴近度公式，定义方式都相同，唯一的区别就是因为入不同而使得区间上界tA+(x),fA+(x)取值不同：SIVIFS入=1!2ni=l(|tA(xi)tB(xi)|+|fA(xi)fB-(xi)|+|t+A(xi)tB+(xi)|+|fA+(xi)fB+(xi)I)图1-图4是贴近度的计算结果对比，其中最左边一表示文献5,6的直觉模糊集结果，其余从左至右分别是单参数区间值直觉模糊集在参数入=0,0.1,0.2,0.4,0.5,0.6,0.8,0.9,1时的结果。

11、国mu片QjLS11PziutiteUL图1Bob的贴近度达律结果由化图图1,图2可知，对于参数入的任意数值，Bob都识别为Stomachprob1em,而Joe都识别为Typhoid,结论与文献5,6相同。5算法评估5.1 算法改进思想及步骤文由于所使用的数据集来自真实网络，无法了解其P2P节点的准确数目。尽管深度报文检测(deeppacketinspection,DPI)方法有很大的局限性，但其准确率相比特征识别方法还是较高的，因此本文选用DPI方法的识别结果作为基准。同时选取文5中的基于IP,Port对的特征识别方法进行比较5.2 效率评估算法的处理时间明显优于深度报文检测的时间，对校园

12、网1GB/S链路的数据每分钟的处理时间都小于60s,同时该算法占用的资源较少，因此完全可适用于较高速链路的实时P2P节点识别6结束语综上所述，本文提出了一系列带参数区间值直觉模糊集的构造方法，重点分析了在已知直觉模糊集数据条件下，构造单参数区间值直觉模糊集的方法。并利用传统的距离公式，将所构造的区间值直觉模糊集用于模式识别，实验结果和文献5-7基本一致，而方法比文献5-7更灵活。最后，本文针对不同贴近度公式，提出了从理论角度寻找分界点方程的方法，从而为理论上计算不同的参数取值对识别结果的影响提供了理论指导。在本文基础上可进行一定的后续研究。本文重点阐述的区间值直觉模糊集模型是在已知直觉模糊集隶

13、属度和非隶属度的基础上进行的，事实上，研究人员可以根据自己领域的相关知识，采用适当的含变化参数的方式构建所需要的区间值直觉模糊集模型，并通过参数变化观察贴近度的变化规律及其对模式识别结果的影响。参考文献：1陕粉丽.人工智能在模式识别方面的应用吓长治学院学报2雷阳，雷英杰，华继学，等.基于自适应直觉模糊推理的目标识别方法.系统工程与电子技术2010,32(7):1371-14753张继国，林文浩.Vague集向Fuzzy集转化的新模型J.模糊系统与数学，2010,25(3):15732640.4徐蕾.仿生模式识别应用研究5饶森.水面无人艇的全局路径规划技术研究D.哈尔滨：哈尔滨工程大学，20076王志国，带参数区间值直觉模糊集及其在模式识别中的应用