模式识别在人工智能方面的应用

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

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

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。

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)λA(x)∈[0,1],αA(x)=λA(x)(πA+(x)-πA-(x)),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,

相关文档
最新文档