模式识别精选(九篇)
第1篇：模式识别范文
2.一种针对区分性训练的受限线性搜索优化方法 刘聪，胡郁，戴礼荣，王仁华，LIU Cong，HU Yu，DAI Li-Rong，WANG Ren-Hua
3.基于阻塞先验知识的文本层次分类模型 李文，苗夺谦，卫志华，王炜立，LI Wen，MIAO Duo-Qian，WEI Zhi-Hua，WANG Wei-Li
4.基于QR code技术的家庭半未知环境语义地图构建 吴皓，田国会，薛英花，张涛涛，WU Hao，TIAN Guo-Hui，XUE Ying-Hua，ZHANG Tao-Tao
5.一种生态粒子群竞争优化计算模式 安静，康琦，汪镭，吴启迪，AN Jing，KANG Qi，WANG Lei，WU Qi-Di
6.基于增强Gabor特征和直接分步线性判别分析的人脸识别 邹建法，王国胤，龚勋，ZOU Jian-Fa，WANG Guo-Yin，GONG Xun
7.一种基于椭圆体聚类的高维索引方法 崔江涛，郭勇，周水生，CUI Jiang-Tao，GUO Yong，ZHOU Shui-Sheng
8.使用模拟切削算法的SVM增量学习机制 申丰山，张军英，王开军，SHEN Feng-Shan，ZHANG Jun-Ying，WANG Kai-Jun
9.一种自适应最大拒绝鉴别分析及其鉴别矢量集 郭志波，严云洋，杨静宇，赵春霞，GUO Zhi-Bo，YAN Yun-Yang，YANG Jing-Yu，ZHAO Chun-Xia
10.一种贝叶斯网络分类器集群式参数学习的降噪算法 王中锋，王志海，付彬，WANG Zhong-Feng，WANG Zhi-Hai，FU Bin
11.一种进行K-Means聚类的有效方法 黄震华，向阳，张波，王栋，刘啸岭，HUANG Zhen-Hua，XIANG Yang，ZHANG Bo，WANG Dong，LIU Xiao-Ling
12.描述逻辑非标准推理 唐素勤，蔡自兴，王驹，蒋运承，TANG Su-Qin，CAI Zi-Xing，WANG Ju，JIANG Yun-Cheng
13.基于模糊包含的粗糙集模型与模糊信任测度 张家录，赵晓东，ZHANG Jia-Lu，ZHAO Xiao-Dong
14.基于切向角特征的统计步态识别 张元元，吴晓娟，阮秋琦，ZHANG Yuan-Yuan，WU Xiao-Juan，RUAN Qiu-Qi
15.基于k最近邻网络的数据聚类算法 金弟，刘杰，贾正雪，刘大有，JIN Di，LIU Jie，JIA Zheng-Xue，LIU Da-You
16.一种基于改进GVF Snake的自动人耳检测方法 李一波，黄增喜，张海军，穆志纯，LI Yi-Bo，HUANG Zeng-Xi，ZHANG Hai-Jun，MU Zhi-Chun
17.求解模糊需求可回程取货车辆路径问题的改进人工鱼群算法 柳毅，LIU Yi
18.基于成对差异性度量的选择性集成方法 杨长盛，陶亮，曹振田，汪世义，YANG Chang-Sheng，TAO Liang，CAO Zhen-Tian，WANG Shi-Yi
19.基于感知加权线谱对距离的最小生成误差语音合成模型训练方法 雷鸣，凌震华，戴礼荣，LEI Ming，LING Zhen-Hua，DAI Li-Rong
20.基于区域生长的Mean shift动态变形手势跟踪算法 张秋余，胡建强，张墨逸，ZHANG Qiu-Yu，HU Jian-Qiang，ZHANG Mo-Yi
21.一种邻居动态调整的粒子群优化算法 陈自郁，何中市，张程，CHEN Zi-Yu，HE Zhong-Shi，ZHANG Cheng
1.约束概念格的代数性质及其知识表示的完备性 张继福，张素兰，蒋义勇，ZHANG Ji-Fu，ZHANG Su-Lan，JIANG Yi-Yong
2.基于数据依赖核函数的核优化算法 李君宝，高会军，LI Jun-Bao，GAO Hui-Jun
3.利用事件影响关系识别文本集合中重要事件的方法 仲兆满，刘宗田，ZHONG Zhao-Man，LIU Zong-Tian
4.基于全面学习的量子分布估计算法 谭立湘，郭立，TAN Li-Xiang，GUO Li
5.一种增量迭代方式下的特征向量聚类方法 黄锐，桑农，刘乐元，罗大鹏，唐奇伶，HUANG Rui，SANG Nong，LIU Le-Yuan，LUO Da-Peng，TANG Qi-Ling
6.序关系优化的多超平面排序学习模型 孙鹤立，冯博琴，黄健斌，赵英良，刘均，SUN He-Li，FENG Bo-Qin，HUANG Jian-Bin，ZHAO Ying-Liang，LIU Jun
7.基于词典学习和稀疏表示的超分辨率方法 浦剑，张军平，PU Jian，ZHANG Jun-Ping
8.Vague值和三参数Vague值上的贴近度 兰蓉，范九伦，LAN Rong，FAN Jiu-Lun
9.基于分治法的快速确定规则获取算法 胡峰，王国胤，HU Feng，WANG Guo-Yin
10.随机细胞神经网络平衡点均方指数稳定性分析 李毓，LI Yu
11.辩论的逻辑模型研究综述 熊才权，孙贤斌，欧阳勇，XIONG Cai-Quan，SUN Xian-Bin，OUYANG Yong
12.一种基于局部保持的隐变量模型 王秀美，高新波，张乾坤，宋国乡，WANG Xiu-Mei，GAO Xin-Bo，ZHANG Qian-Kun，SONG Guo-Xiang
13.基于KNN和RVM的分类方法——KNN—RVM分类器 张磊，刘建伟，罗雄麟，ZHANG Lei，LIU Jian-Wei，LUO Xiong-Lin
14.基于分割约束的α扩展体视算法 卢阿丽，唐振民，LU A-Li，TANG Zhen-Min
15.基于改进的保局投影视频特征提取 肖永良，夏利民，XIAO Yong-Liang，XIA Li-Min
16.预期关联规则集及其基数的定量分析 李凯里，王立宏，童向荣，LI Kai-Li，WANG Li-Hong，TONG Xiang-Rong
17.基于Petri网和BPNN的多重触控手势识别 王德鑫，石崇林，张茂军，WANG De-Xin，SHI Chong-Lin，ZHANG Mao-Jun
18.一种面向不平衡数据集的核Fisher线性判别分析方法 尹军梅，杨明，万建武，YIN Jun-Mei，YANG Ming，WAN Jian-Wu
19.基于模糊理论的行人异常动作检测 张军，刘志镜，ZHANG Jun，LIU Zhi-Jing
20.一种基于区间数偏离度的方案排序方法 徐艳霞，李德玉，胡建龙，XU Yan-Xia，LI De-Yu，HU Jian-Long
21.基于综合互信息的视觉SLAM主动探索 孙凤池，康叶伟，黄亚楼，刘光，SUN Feng-Chi，KANG Ye-Wei，HUANG Ya-Lou，LIU Guang
1.一种基于粒子对称分布多样性的PSO算法 孙越泓，魏建香，夏德深，SUN Yue-Hong，WEI Jian-Xiang，XIA De-Shen
2.一一映射下区间二型模糊集合的语言动力学轨迹 莫红，王飞跃，赵亮，MO Hong，WANG Fei-Yue，ZHAO Liang
3.基于时序分析的微弱表情识别方法 王上飞，张锋，王煦法，WANG Shang-Fei，ZHANG Feng，WANG Xu-Fa
4.基于Ising计算树的均值场区间传播算法 陈亚瑞，廖士中，CHEN Ya-Rui，LIAO Shi-Zhong
5.圆球标定中相机外参数的几何解释和应用 贾静，姜光，吴成柯，JIA Jing，JIANG Guang，WU Cheng-Ke
6.基于超向量子空间分析的自动语种识别方法 宋彦，戴礼荣，王仁华，SONG Yan，DAI Li-Rong，WANG Ren-Hua
7.一种改进的分数阶微分掩模算子 王卫星，于鑫，赖均，WANG Wei-Xing，YU Xin，LAI Jun
8.基于局部保持投影的鉴别最大间距准则 林克正，王慧鑫，卜雪娜，林晟，LIN Ke-Zheng，WANG Hui-Xin，BU Xue-Na，LIN Sheng
9.基于几何活动轮廓模型的图像分割 陈波，代秋平，CHEN Bo，DAI Qiu-Ping
10.图像语义分析与理解综述 高隽，谢昭，张骏，吴克伟，GAO Jun，XIE Zhao，ZHANG Jun，WU Ke-Wei
11.基于特征融合的脱机中文笔迹鉴别 鄢煜尘，陈庆虎，袁凤，邓伟，YAN Yu-Chen，CHEN Qing-Hu，YUAN Feng，DENG Wei
12.基于核相似性差异最大化的支持向量机参数选择算法 唐耀华，郭为民，高静怀，TANG Yao-Hua，GUO Wei-Min，GAO Jing-Huai
13.一种基于彩色边缘综合特征的图像检索算法 王向阳，陈景伟，于永健，WANG Xiang-Yang，CHEN Jing-Wei，YU Yong-Jian
14.耦合配准与分割的水平集演化模型 白小晶，张洁玉，孙权森，夏德深，孙怀江，BAI Xiao-Jing，ZHANG Jie-Yu，SUN Quan-Sen，XIA De-Shen，SUN Huai-Jiang
15.基于Cascade结构的代价敏感的医学图像ROI检测方法 李宁，郭乔进，谢俊元，陈世福，LI Ning，GUO Qiao-Jin，XIE Jun-Yuan，CHEN Shi-Fu
16.基于核空间距离测度的特征选择 蔡哲元，余建国，李先鹏，金震东，CAI Zhe-Yuan，YU Jian-Guo，LI Xian-Peng，JIN Zhen-Dong
17.基于假设检验及异常点剔除的稳健LS-SVM回归 温雯，郝志峰，杨晓伟，战荫伟，WEN Wen，HAO Zhi-Feng，YANG Xiao-Wei，ZHAN Yin-Wei
18.一种基于线性判别空间增量更新的跟踪方法 钱诚，徐舒畅，张引，张三元，QIAN Cheng，XU Shu-Chang，ZHANG Yin，ZHANG San-Yuan
19.基于遗传算法的顾客购买行为特征提取 张志宏，寇纪淞，陈富赞，李敏强，ZHANG Zhi-Hong，KOU Ji-Song，CHEN Fu-Zan，LI Min-Qiang
20.基于改进动态纹理模型的人体运动分析 陈昌红，赵恒，胡海虹，梁继民，CHEN Chang-Hong，ZHAO Heng，HU Hai-Hong，LIANG Ji-Min
21.针对边计算法的语义相似度计算优化算法 王志晓，张大陆，WANG Zhi-Xiao，ZHANG Da-Lu
22.基于表情加权距离SLLE的人脸表情识别 应自炉，李景文，张有为，YING Zi-Lu，LI Jing-Wen，ZHANG You-Wei
23.一种基于随机化均匀设计点集的遗传算法用于求解MVCP 任哲，周本达，陈明华，REN Zhe，ZHOU Ben-Da，CHEN Ming-Hua
1.蚁群算法一阶欺骗性问题的时间复杂度分析 陈崚，孙海鹰，CHEN Ling，SUN Hai-Yin
2.最小化相关性的二维主成分分析 严慧，金忠，杨静宇，YAN Hui，JIN Zhong，YANG Jing-Yu
3.基于错误度量的模糊聚类有效性函数 贲圣兰，苏光大，BEN Sheng-Lan，SU Guang-Da
4.结构相似度稀疏编码及其图像特征提取 李志清，施智平，李志欣，史忠植，LI Zhi-Qing，SHI Zhi-Ping，LI Zhi-Xin，SHI Zhong-Zhi
5.核岭回归的邻域保持最大间隔分析的人脸识别 李勇周，罗大庸，刘少强，LI Yong-Zhou，LUO Da-Yong，LIU Shao-Qiang
6.基于个体适应度梯度的定向进化算法 赵志强，缑锦，王靖，ZHAO ZHi-Qiang，GOU Jin，WANG Jing
7.一种沿区域边界的动态规划立体匹配算法 刘赫伟，汪增福，LIU He-Wei，WANG Zeng-Fu
8.基于词汇链的中文新闻网页关键词抽取方法 胡学钢，李星华，谢飞，吴信东，HU Xue-Gang，LI Xing-Hua，XIE Fei，WU Xin-Dong
9.关于三维图像Euler数新公式的证明 林小竹，籍俊伟，黄寿萱，杨建华，LIN Xiao-Zhu，JI Jun-Wei，HUANG Step-Hen，YANG Jian-Hua
10.基于因子分析信道失配补偿的SVM话者确认方法 吴德辉，李辉，刘青松，戴蓓蒨，WU De-Hui，LI Hui，LIU Qing-Song，DAI Bei-Qian
第2篇：模式识别范文
作者简介:袁荣昌（1986-），男，广东阳江人，硕士，主要研究方向：网络技术、智能信息处理； 孙龙清（1964-），男，湖北荆门人，副教授，硕士，主要研究方向：软件理论与设计、计算机网络、智能信息处理； 董晨曦（1988-），女，河北唐山人，硕士研究生，主要研究方向：图像处理。
文章编号:1001-9081（2011）08-02097-04doi:10.3724/SP.J.1087.2011.02097
（1.中国农业大学 信息与电气工程学院，北京100083； 2.中国电力科学研究院 电力自动化研究所，北京100192）
（）
摘 要:籽棉品级分类问题是对农业经济有着重要影响的一个问题。在对籽棉图像黄度、亮度和杂质等特征提取分析基础上，基于模糊模式识别，运用模糊贴近度，构建籽棉品级分级模型，利用统计分布计算得出模型参数选取方法。利用图像欧拉数求得了不同大小杂质数量的近似值，运用神经网络对模型进行有效求解，通过调整模型参数使籽棉品级分级精度不断提高，分级模型在充分学习后，籽棉品级分级准确率达到92%，满足了实际应用的需要。
关键词:籽棉；品级；模糊数学；模式识别；神经网络
中图分类号: TP391.41文献标志码:A
Grading model of seed cotton based on fuzzy pattern recognition
YUAN Rong-chang1,2, SUN Long-qing1, DONG Chen-xi1, WANG Li1
（1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China;
2. Power Automation Department, China Electric Power Research Institute, Beijing 100192, China）
Abstract: Grade classification of seed cotton is a major issue that has a significant impact on the agricultural economy. According to the characteristics such as impurities, yellowness and brightness extracted from images of seed cotton, fuzzy pattern recognition was used to improve the classification of cotton grade. A classification model of seed cotton was constructed based on the fuzzy nearness. Fuzzy mathematics was combined with artificial neural network to build up a well improved model and algorithm. Statistical distribution was used to calculate and select the model parameter method. Eventually, the numbers of impurities of different sizes were worked out by using the Euler's numbers of the image. Based on the method of selecting model parameters, the proposed algorithm could be optimized step by step. After full learning, seed cotton classification accuracy rate reached 92%. The experimental results show that the presented algorithm satisfies the actual application needs.
Key words: seed cotton; grade; fuzzy mathematics; pattern recognition; neural network
0 引言
籽棉收购是棉花产业链中十分重要的一环，籽棉品级是决定籽棉收购价格的主要依据。手扯目测法是我国目前籽棉品级分级检验主要方式，即依靠感官检验确定籽棉的品级，这种基于人工的检验方式受限于检验员的经验，还容易受到人情、利益等诸多因素的影响［1］。感官检验导致在收购时混级混价、压级压价、抬级抬价的现象时常发生，损害了棉农的利益［2］。
本文依据国家籽棉品级分级标准，基于图像处理技术，在对籽棉图像的杂质、黄度、亮度等特征进行特征提取和分析的基础上，构建籽棉品级分级模糊模式识别模型，实现籽棉品级自动分级。
1 图像采集与特征提取
1.1 图像采集
本文基于统计分层抽样法采集不同品级的籽棉样本图像，对于3～5品级籽棉，抽样选取了15、20和15个样本，籽棉样本图像在黑背景下由数码相机拍摄生成。
1.2 图像分析
国家标准GB1103―2007《棉花 细绒棉》中规定，籽棉品级依据成熟度、白度、黄度、杂质含量、棉瓣大小、僵瓣多少等指标分为7个品级［3］。依据国家籽棉品级分级标准给出的分级条件，本文重点提取了籽棉的颜色与杂质特征作为品级分级的依据。
籽棉白度间接反映了籽棉成熟度，是籽棉品级的正相关因子，在籽棉图像里面，HIS颜色空间里的亮度、饱和度、色调三个分量可反映籽棉的白度；籽棉黄度很大程度上反映了籽棉生长期受到的霜害及病害，是由自然因素引起的籽棉品级负相关因子，在籽棉图像中，CMY颜色空间的黄度、品红度、青度三个分量可作为籽棉黄度特征值的综合反映；杂质含量反映了籽棉在采摘、搬运过程中混入的各种异物，是由人为因素引起的籽棉品级负相关因子，杂质在籽棉图像中表现出不同的形状、颜色、大小与数量特征，综合考虑，将杂质的大小、数量作为主要的特征，在图像整体黄度、亮度等特征里已经融合了杂质颜色的影响。
与采摘时相比，收购时的籽棉由于挤压等物理行为产生严重变形，使棉瓣大小改变较大，另外在籽棉图像采集过程中，籽棉样品是随机抽取，不同籽棉样品实际大小与图像大小难以保证一致，排除面积与像素数不一致这一干扰因素的影响，选取各特征与像素个数的比率作为特征因素。综合考虑国家标准的要求与籽棉图像的特点，选取了黄度、品红度、青度、亮度、饱和度、色调、杂质的像素点数与杂质个数对于籽棉图像像素数的比率作为自变量，籽棉品级作为因变量。保证了自变量可以较全面地反映籽棉的品质特征，克服了样本及图像采集过程中籽棉图像大小不一致的干扰因素。
1.3 特征提取
为了更好地提取籽棉的特征参数，对籽棉图像进行去噪、亮度变换和籽棉图像分割等预处理［4］，其处理结果参见图1。通过颜色空间的转换公式得到黄度、品红度、亮度、青度、色调与饱和度信息［5-6］。
图1 籽棉图像采集与提取效果
从图1（b）、（e）、（h）可知，图像中的籽棉以白色为主，灰度值大多集中于200上下的范围；图像中的背景是黑色，灰度值大多靠近0。以100作为分离背景的阈值Th比较合适。
从图1（a）、（d）、（g）与图1（c）、（f）、（i）可知，三级籽棉杂质含量最少，反映在图1（c）中是轮廓内的黑点数量最少，杂质所占像素也最少，四级籽棉图像次之，五级籽棉图像最多。
CMY是与RGB互补的颜色空间，即对应透视三颜色，之间的转换如式（1）所示：
-（1）
HIS颜色空间具有将彩色与亮度分离的特性，符合人描述和解释颜色的方式。在HIS颜色空间里，用亮度、饱和度、色调即可表示籽棉色泽特征。将RGB颜色空间的籽棉图像依据式（2）、（3）、（4）、（5）转化为色调H、饱和度S和亮度I：
Hθ, B≤G
2π－θ, B>G （2）
θarccos（3）
S1-3［min（R, G, B）］/（R+G+B）（4）
I（R+G+B）/3（5）
其中：R为红色分量，G为绿色分量，B为蓝色分量。
籽棉的图像大小可算其像素的多少作为衡量，对籽棉轮廓提取后，分割阈值设为Th。统计籽棉像素个数的算法步骤如下：
1）设定阈值Th，初始化籽棉像素总数num。
2）搜索每个像素分量点，判断该像素点灰度值是否大于阈值Th，若是则num+1；若否执行步骤3）。
3）判断像素点是否搜索完毕，若否执行步骤2）；若是程序结束，返回num值。
籽棉黄度、品红度、青度、亮度、饱和度、色调与籽棉像素个数比率特征的提取方法是建立在籽棉像素个数统计的基础上，其提取算法均是类似的，下面以黄度提取来做说明。
对于籽棉黄度特征可以取其总灰度值除以像素个数num后的黄度比率作为衡量，对籽棉轮廓提取后，由上面算法已经得到籽棉像素的数量num，计算出籽棉轮廓范围的黄度总和yellow，最后求两者比率即可。提取黄度与籽棉像素个数比率特征的算法步骤如下：
1）阈值Th的设定，初始化黄度总数yellow。
2）搜索每个像素分量点，判断该像素点灰度值是否大于阈值Th，若是yellow累加上该点籽棉图像黄度值；若否执行步骤3）。
3）判断像素点是否搜索完毕，若否执行步骤2）；若是程序结束，返回yellow/num值。
对于籽棉图像杂质的平均大小与数量这一特征的提取，主要采取以下方法：通过对图像做次数m的膨胀运算求出对应的欧拉数E（m），得到对应第m次膨胀消失的杂质点数f（m）的计算如式（6）所示：
f（m）E（m）－E（m－1）（6）
其中m1,2,…。当m逐步增大时, f（m）将趋向稳定，设f（m）达到相对稳定值时mM，则对应杂质数量N的计算如式（7）所示：
NE（0）－E（M）（7）
利用式（8）来估算籽棉杂质像素总数A:
A∑Mk1k2*f（k）（8）
以上特征分别除以籽棉的像素个数num得到黄度、品红度、青度、亮度、色调、饱和度、杂质像素、杂质数量对于籽棉像素个数比率组成的特征向量空间：（yellow,magenta,cyan,intensity,hue,saturation,impurity_area,impurity_number）。
图1的三个不同品级的棉花特征向量提取结果如表1所示。
表1 三个三、四、五不同品级棉花特征提取结果
50个样本构成了一个50×8的向量空间矩阵，对矩阵各特征因素的进行分析，利用逐步回归的方法发现：杂质像素数目与杂质个数都被当作不重要的特征，这是由于在提取杂质特征时，对图像中杂质与阴影均进行了膨胀运算，把图像阴影也当作了杂质，对杂质像素这一特征因素造成较大的干扰。本文使用图像的杂质像素数目、杂质个数两者与籽棉像素的比率综合反映杂质，降低了阴影的影响。
2 分级模型构建与求解算法分析
2.1 品级分级最优化模型的构建
一般级别分类问题模型相当于构造合理的分类规则f，使得输出为yi表示该品级棉花属于第i品级：
f（yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）yi（9）
其中分类规则f的输入分别对应为黄度、品红度、青度、亮度、色调、饱和度、杂质像素、杂质数量的籽棉像素比率。
通过训练学习调整得到最佳的分类规则f，优化的目标函数取函数（10）或者函数（11）其中任一种情况：
min ∑mj1（fj（yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）－yk）2（10）
min{max|fj（yellow,magenta,cyan,intensity,hue,
saturation,impurity_area,impurity_number）－yk|,
j1,2,3,…,m}（11）
其中：m为样品数量，k是第j样本的品级；yi为品级i的籽棉对应的输出，现在只是三、四、五品级，例如对应品级i的yi依次取为3、4、5。
2.2 已知籽棉品级分布的模糊隶属函数与贴近度参数求取办法
设yj为品级j对应的输出，籽棉品级统计分布为f（yj），求得隶属函数μ如式（12）所示：
μi∑ij1f（yj）（12）
基于统计分布计算k品级与i品级之间的贴近度δi,k如式（13）所示：
δi,k1－μk－μi1－∑kjif（yj）（13）
基于类间距离计算k品级与i品级之间的贴近度δi,k如式（14）所示：
δi,k1－|yi－yk|/λ（14）
其中：
λmax y－min y（15）
2.3 基于模糊贴近度的品级分级模型及其神经网络求解算法
判别分类常用的模型是Fisher判别、Bayes判别与距离判别三种方法。籽棉品级分级涉及到的因素较多，不属于线性可分，属于序列分类问题。对于Fisher判别，大于两个级别将使求解算法变得非常复杂，使得难以很好解决；对于Bayes判别方法，难以搜集足够的籽棉判别数据与案例来分析与计算错判条件概率，很难实现；距离判别方法主要采用k均值与k近邻等方法，经过对样本做方差分析，发现各级别的每个因素之间差异显著性并不高，经过回归分析后发现各因素对级别的相关性并不大，使用距离判别方法难以得到高准确度的分级结果。实际计算发现，对于现有样本，采用k均值的方法，分级精度还不到50%。
本文的籽棉分级模型主要综合考虑Fisher判别、Bayes判别与距离判别三大判别方法，这三种方法对于解决籽棉品级分级问题，都各有其优缺点。在综合了这三种方法的基础上，采用了基于模糊模式识别的判别方法。
对于分级最优化模型（9），使用传统的神经网络对于等级分类问题只能人为限定输出结果，没有考虑分类的不确定性问题，引入模糊贴近度后对模型进行以下改进：
对于每个样本（yellow,magenta,cyan,intensity,hue,saturation,impurity_area,impurity_number），将级别值yi作为一个输入自变量，设置品级i与实际品级grade的贴近度为δi，则有方程组（16）：
g（y1, yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）δ1
g（y2,yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）δ2
g（yi,yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）δi
g（y6,yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）δ6
g（y7,yellow,magenta,cyan,intensity,hue,saturation,
impurity_area,impurity_number）δ7 （16）
其中δi是反映判别级别i与实际级别grade之间的贴近度函数，满足限制条件（17）与（18）：
δi1, igrade
i－grade
贴近度δi取基于统计分布的贴近度，如式（19）所示：
δi1－∑gradejiyj（19）
2.4 基于类间距离贴近度的模糊判别方法
对输出实数y′作处理，输出数值大小与哪个品级值最贴近就归为该品级，或用模糊函数来定义其属于各品级的程度。
在作判别时，属于i品级的模糊贴近度δ（i）取为基于类间距离的贴近度如式（20）所示：
δ（i）1－yi－y′/λ（20）
其中λ取值见式（15）。
比较δ（1）,δ（2）,…,δ（i）,…,δ（7），最大δmaxδ（j），则认为其属于品级j。
2.5 模型与算法分析总结
对于每一个样本，在模糊模式识别模型（式（18））中需要训练7次，这样训练输入的信息量就会更大，将增大学习训练效果，并且模糊贴近度与人类认识事物的思维规律相允合，更有利于提升学习效果。
式（16）的δi综合反映了Bayes判别的概率与惩罚权重，输出值yi体现了Fisher判别方法的思想，用式（20）基于类间距离贴近度代替相似系数来模仿距离判别法。通过适当调整贴近度函数取值δi与输出值yi，不断优化模型，直到给出效果较好的分类模型。
模型输出［0，1］区间的贴近度数值，取贴近度最大值的类别作为该样本的类别。
3 模型检验与结果分析
本文对于采集到的收获后籽棉样本，每种等级里面挑出4个作为检验样本，其他48个样本作为训练样本。先对样本直接使用竞争学习型神经网络进行训练［7-10］，充分训练完成后，用各等级的4个检验样本对该训练模型检验的结果如表2所示。
表2 传统神经网络的检验结果
应用模糊贴近度的神经网络模型，使用与上面同样的训练与检验样本，充分训练完成后，检验的结果如表3所示。
表3 模糊模式识别神经网络的检验结果
对于现有的样本，由表2可知，传统神经网络充分训练后检验结果中5级样本的分级精度为75%，4级样本的分级精度为75%，3级样本的分级精度为100%，总的分级精度为83.3%；而模糊模式识别分类模型通过合理调整模型参数后，由表3可知，其神经网络充分训练后检验结果的分级准确率约为92%，能够满足实际应用的需求。
4 结语
1）对收获后籽棉样本图像，提取了反映籽棉黄度、品红度、青度、亮度、色调、饱和度的特征，利用图像膨胀处理与欧拉数计算得到反映杂质含量的近似估计值，即杂质像素数目与杂质个数，但是受阴影等干扰因素比较大。
2）直接使用传统神经网络方法，对籽棉样本进行学习训练，总体分级检验精度达到了83.3%，精度效果受样本量影响比较大，收获后的籽棉受干扰因素较多，情况较为复杂，传统神经网络方法的分级精度难以再提高。
3）依据模糊数学的隶属函数与贴近度，在Fisher判别、Bayes判别、距离判别方法的基础上，建立了模糊模式识别分级模型，给出了模型参数选取的具体办法。将级别值作为输入之一，类别贴近度作为输出，借助竞争学习神经网络进行求解，提高对品级分级的精度，使得总体分级准确率约为92%，能够满足实际应用的需求。
参考文献:
[1] 熊宗伟.我国棉花纤维质量及颜色等级划分研究［D］.北京：中国农业大学，2005.
［2］ 王玲.基于机器视觉和多元回归的收获前棉花品级抽样分级模型研究［D］.南京：南京农业大学，2006.
［3］ GB1103―2007 棉花 细绒棉 ［S］.北京：中国标准出版社，2009.
［4］ 王玲,姬长英,陈兵林.基于形态学的黑背景下收获前棉花图像自动分割技术研究［J］.棉花学报,2006,18（5）:299-303.
［5］ 王玲,姬长英,陈兵林,等.基于机器视觉技术的田间籽棉品级抽样分级模型研究［J］.中国农业科学，2007,40（4）:704-711.
［6］ 王玲，姬长英，陈兵林.基于图像特征的收获前籽棉品级聚类融合分析［J］.作物学报，2007，33（7）：1162-1167.
［7］ 王玲，姬长英,刘善军,等.基于竞争学习网络的田间籽棉图像分割［J］.农业工程学报，2008,24（10）：156-160.
［8］ WANG YONG, ZHU XIAORONG, JI CHANGYING. Machine vision based cotton recognition for cotton harvesting robot ［C］// CCTA 2007: Proceedings of the First IFIP TC 12 International Conference on Computer and Computing Technologies in Agriculture. Berlin: Springer, 2008: 1421-1425.
第3篇：模式识别范文
本书的第一、二、三版分别于1993、1999和2005年出版。书中全面提供了过去20年中在模式识别与计算机视觉领域中的进展和成就，作者都是这个领域的第一流专家，其中的两位Thomas Huang和Jake Aggarwal是权威的K．S．Fu奖金获得者，该项奖金是由国际模式识别协会(IAPR)授予。
全书共有五个部分。第一部分模式识别的基本方法(有5章)：第1章统计模式识别；第2章时空模式的隐藏马尔可夫模型；第3章最小误差模式识别的一个新的基于内核的系统阐述；第4章并行上下文数组文法与轨迹；第5章模式识别与局部不变特性。第二部分计算机视觉的基本方法(有6章)：第1章图像分析与图像判读的基于实例的推理；第2章多图像几何――投影的观点；第3章3维离散二值图像中的骨架化；第4章2维、3维及4维数字距离变换；第5章计算整体形状测度；第6章利用局部二进制模式的纹理分析。第三部分识别的应用(共9章)：第1章文档的分析与理解；第2章中文字符识别；第3章从银行支票上手写的合理钱数中析取数字；第4章用于提高人类视觉的印刷体OCR评估；第5章使用图模型的万维网文档的群集与分类；第6章X线照片中肿块的自动检测；第7章比例空间中用于图像汇合的基于小波的卡尔曼滤波；第8章多传感器汇合与超频谱图像数据；第9章功能磁共振图像数据的独立组成部分分析。第四部分人体识别(有6章)：第l章多状态情绪识别；第2章单眼视频序列的基于花纹循环的人体识别；第3章掌纹认证系统；第4章用于可视监视的高分辨率面部图像的重现；第5章利用可变形特性图的物体识别：脸、手及分组景物；第6章用于快速面部检测的分层分类与特性简化。第五部分系统与技术(有7章)：第1章利用单个或多个照相机跟踪及分类移动物体；第2章图像分割算法的特性评估；第3章用于知识发现的基于内容的视频分析；第4章对象处理方法学及其对图像处理和模式识别的应用；第5章音乐风格识别――量化方法；第6章自动检测器：可移动自动化数字平板的识别；第7章全向视觉。
本书介绍了模式识别与计算机视觉理论及应用的深入研究，以及人体识别方面的最新进展，可供计算机科学相关专业的研究人员及研究生阅读参考。
胡光华，高级软件工程师
(原中国科学院物理学研究所)
第4篇：模式识别范文
近几年来，PPP融资模式逐渐被应用在城市轨道交通领域的发展中，它能有效解决政府投资资金不足的问题，对城市轨道在交通建设、运营过程中所产生的风险合理分配给政府和私营部门，由这两个单位共同承担，这也是PPP不同于其他融资模式的一个显著特点。PPP项目融资具有时间跨度大、参与方多、涉及面广、组织结构复杂等特点，且相互合作的公共部门和私营部门各自的目标也不尽相同。公共部门采用PPP模式的根本目标是实现合理的风险转移，而在合理风险分担的基础上达到预期的投资回报是私营部门参与PPP模式的初衷。因此，对项目在融资过程中存在的风险进行识别并协调的分配与管理成为PPP项目融资模式中的一个重要环节。
一、PPP融资模式的内涵
PPP（public-private partnership）被译为“公私合伙/合营”，在我国，公有的国有企业以独立法人的企业形式参与PPP，由此，我国的PPP也可被称为“政企合伙/合营”[1]。PPP分广义的和侠义的两种，前者泛指公共部门和私营部门为提供公共产品或服务而建立的一种合作关系；后者则可以被理解为诸如BOT、BTO、DBFO等一系列项目融资方式的总称。
PPP现代融资模式的合作理念是实现各参与方的“双赢”或“多赢”。在我国，典型的PPP模式结构为政府部门或地方政府通过政府采购的途径与中标单位组成的特殊目的公司（私营部门）签订特许合同，并由特殊目的公司负责项目的融资、建设和经营。特殊目的公司通常包括建筑公司、经营公司或对项目进行投资的第三方等参与方，在融资过程中，政府与贷款机构达成直接协议，承诺将按与特殊目的公司签订的合同支付有关费用，且有助于特殊目的公司顺利地获得贷款机构的资金支持。这个协议的本质隶属于意向性担保，其本身并不具备法律上的约束力，而只是表现出政府对项目提供一定支持的意愿。
城市轨道交通的PPP融资模式本质上是一种政府和私营部门为城市轨道交通的建设、运营管理而达成的长期合同关系，在这种关系中，政府给予私营部门长期的特许经营权和收益权以换取基础设施的加快建设和有效运营，政府部门也由传统模式下的轨道交通设施或服务的提供者转身成为监督者和合作者，这也是PPP模式强调优势互补、风险分担和利益共享的集中体现。
二、城市轨道交通PPP融资模式的风险识别
城市轨道交通PPP融资模式的参与方涉及多个部门，具体的融资结构如图1所示。
高效的风险识别基于一定的历史资料或经验判断，是一种或多种风险识别方法的综合运用，能够连续、系统地对项目风险事件的来源、因素及特点进行动态的分析、识别[2]。众所周知，风险识别发生的越早，风险管理费用就相对越低，造成的损失也越小。城市轨道交通的风险识别应首先对相关文献和以往案例进行总结，并结合工作分解结构法、专家调查法等具体的识别方法对城市轨道交通项目的风险特点和风险因素进行具体的分析、识别，并最终确定项目的主要风险因素类型。
三、城市轨道交通风险规避
城市轨道交通项目成功的因素很大一部分归功于正确的风险识别及风险分配机制，对城市轨道交通经济风险因素进行有效的综合分析， 是各合作方之间规避经济风险的必要前提。
四、经济风险的规避
合同和特许经营权协议中涉及有关政府补贴、票价、特许经营期等影响项目经济风险的条款，即便部分风险因素不能得到有效控制和避免，也可以按照合同约定的形式明确各参与方应当承担风险的大小和方式。因此，PPP融资合同和特许经营权协议就成为规避经济风险的一个首选形式。
第5篇：模式识别范文
模式识别受体分子分别有甘露糖受体，清道夫受体，Toll样受体。模式识别受体是一类主要表达于固有免疫细胞表面、非克隆性分布、可识别一种或多种PAMP的识别分子。是固有免疫中免疫受体的代表，由有限数量的胚系基因编码，进化上十分保守，也表明此类受体对生物体的生存极为重要。其与病原生物表面的病原体相关分子模式的相互识别和作用是启动固有免疫应答的关键。特点是组成性地表达、引起快速应答和能够识别各种病原体。
（来源：文章屋网 http://www.wzu.com）
第6篇：模式识别范文
本文所建立的树状模型是一种同时适用于模式识别和人工智能系统的生存期模型。该模型受限通过相似化的比拟方式，通过极少数的模型结构单元组合成一类智能感知并且识别模式系统的原型，此外还可以通过少数的知识单元合并为一类人工智能系统的原型。接着，以上述模型为基础，领域的各个模型单元所有知识单元依照类似瀑布模型的各种阶段，通过流水生产的方法进行生产。最后，将其通过近似分类树状模型的方法放进库内，最终得以完成该系统的各类软件版本的开发。
【关键词】模式识别 智能系统 树状模型
1 提出并建立树状模型
1.1智能模型基态
首先，通过与瀑布模型相仿的做法，将个别数据结构通过一定方法合成一类模式能够识别的智能模型基态。其数据结构主要有以下几部分，包括某一领域内的一类最基本模型单元，也包括知识结构单元，其所形成的知识数据库就好比广义树状模型的初等原型。基于模式识别或人工智能模型是由数据结构为主要构成，且算法精炼简洁这些特性，故以上任何一类系统有关的算法模式都可通过原型加以达成。通过个别最基本的模型单位生成的基础领域模型库或知识系统，可以类似看作整个树状模型的基础化，这对日后的工业型发展起着极为重要的铺垫作用。
1.2 与模块式程序设计相仿，模型库或知识库一样能通过一定的手段模块化
可将其视为由众多模型单位或知识单位构成，将领域模型单位以及知识单位合理有序得放进上述两类库内中。这一做法对整体模型的设计有着很大的帮助效果，其功能与普通软件的实现思路和设计逻辑相似，均通过将模型单元化的方式分析，并极大程度提高了流水线生产的效率。
通过用诸如螺旋模型等形式，向模型库或知识库中导入基本单位。螺旋每旋转一次之前，都有必要通过细致的分析进行合适的计划开展，并对宏观需求加以分析。然后开展领域模型以及领域知识的概念认知，对各个领域的结构和内容按块进行区分和了解，这之中各个结点单元便是所谓的各领域单元。方便简洁的结构使其能够很快的看出已经实现的部分结构单位和小部分仍在建设结构单位。针对仍未成功的小部分领域可以加以分析、设计和测试，并设立部门各自分工，各个部门最终通过流水线的形式井然有序地将基础结构单元放入库内，长此以往，最终得以完成该系统的各类软件版本的开发。
对于模式识别系统而言，其基本单元便是领域的模型单位，例如在进行语音识别时，其本质就是一类波形；有关指纹识别主要由以下三个步骤组成：
（1）加强与权威声音的合作与探讨，并查阅相关书籍和文献，以获得各个模型单位的准确参数。
（2）将收集到的参数资料进行整理和汇总，汇入并制成一张总表，并对数据进行分析和处理。
（3）将数据输入计算机进行相关的模拟，观察是否能得到正确的识别成果。
就人工智能而言，基本单元也可以按逻辑分为三大步骤，类似于模式识别系统。此外，当向库内装放基本单位时，通过使用直接交互操作旧有的模式识别或人工智能系统的可视化生成方式，能够较大的帮助系统在识别以及其他功能上得到更好的直观性体现。
2 树状结构的模型以及知识库的确立
模式识别以及人工智能系统，将分类树丛的每个根点位（孤立点位）所对应的模型或知识单位逐个视作被识别对象，通过新型模型单位以及知识单位对已识别的点位一一进行识别处理。树状模型的确立可分为以下两步：
（1）若在部分根点位对应的模型或知识单位内，具备认识出新模型单元知识单位的能力，那么：
①若l大于等于2时，可将点位视为此类根点位的父点位。并产生一组更复杂的分类树，然后将此类新模型单位放进模型单位组内，学习完成。
②若l等1时，可以利用此根点位对应的模型或知识单位，并将新模型单元加以分析和识别。若在各类单元的识别过程中，具备认知这个根结点相应的模型或知识单位的能力，就证实该点位和此类根点位相同，不须学习，学习终端；否则，运用与①相似的手段进入新点位，学习完成。
（2）若无法将某一点位所对应的模型单位以及知识单位中，认知出新模型单位或知识单位，则有必要将新加入的模型单位或知识单位变为待建立的对象，逐个通过每个根点位所对应的模型知识单位加以识别处理。
①若不存在成功识别的点位，那么新点位只能视作一类独立点位，学习完成。
②若存在两个及以上的根点位识别完成，由于不存在任何点位可以同时从属于两类区分开的事物，故学生发生错误终端。
③若有任何一个根点位D识别完成，那么新点位变为D的后代点位
所以，有必将对D的所有子点位运用和每个点位相似的处理方式，总结为有以下六大类情况。
（1）新点位变为D的子点位，新点位变成D最初某一类子点位的父点位，与树状模型方法一中的第①步骤相似。
（2）新点位和D的某一子点位相同，与树状模型方法一中的第②步骤相似。
（3）新点位变为D的子点位，新点位变成某一子点位的父点位，与树状模型方法一中的第②步骤相似。
（4）新点位变为D的又一子点位，与树状模型方法二中的第①步骤相似。
（5）新点位学习失败，与树状模型方法二中的第②步骤相似。
（6）新点位变为D的某一子点位D的子代，与树状模型方法二中的第③步骤相似，逐个用递归形式加以分析。若新点位变为改子点位的子代，则立即继承新点位，建立过程到此为止。
3 模型建立的前提
为了保证整个系统的工业化运作，系统对整体的模式认知能力以及系统提出了较高的普遍性指标。对模式认知而言，模型单位的储存方法主要以分类储存为主，并通过分类的手段进行识别和匹配。针对指纹识别，将该识别方式运用到某张天然指纹图像的识别中去，观察是否能在其中对某类模型结构加以识别。整个识别方式主要指纹图像为识别基础，将模型库加以分析和整合，并将上述结构单位用该模型单位以及天然指纹图像的各个位置加以匹配。
4 结语
文章提出和建立了树状结构模型，模型单位以及知识单位都呈模块状，维护简单且可靠度高，生产运作模式也大都实现了流水化生产。此类生产形式适用于模型单位作为基础结构单位的模式认知和识别模型，或以知识单元为基本组成单元的人工智能系统。这类模式识别和人工智能系统具有很大的普遍性。
参考文献
[1]张天序.模式识别与智能系统研究展望和对策[J].自动化学报，2002（12）.
[2]张佳.模式识别与智能系统专业实验室建设设想[J].中国电力教育；2013（03）.
[3]孙雪燕.浅谈人工智能的应用与发展[J].电脑知识与技术，2007（10）.
第7篇：模式识别范文
[关键词]:结构体系;可靠度;失效模式;识别方法
中图分类号：TN711 文献标识码：A 文章编号：
0 引言
目前对于建筑结构体系可靠度分析方面来说，只有找到结构系统失效模式才能对整个结构体系进行可靠性评估。然而大型建筑结构可能的失效模式数量十分庞大，而其中只有少数失效模式对结构体系失效有贡献。所以我们只需要找出主要失效模式。
体系主要失效模式的识别方法按其所采用的判别依据可以分为两大类:极限状态体系和网络评估体系。以下分别进行阐述。
1极限状态体系
1.1 荷载增量法
1.1.1 广义承力比最大准则法【1】
该准则法是由Moses在1982年提出的，他认为若构件承力比越大，构件受荷载情况越严重，相对应的失效可能性也就越大；若构件的承力比之比越大，则该构件对上一级构件的失效越敏感，也越容易失效。
在由n个构件组成的结构系统中,设r1 , r2 ,…, rk - 1共(k- 1)个单元已经失效。则Moses的准则可描述为:
（1）
其中在失效历程的第k阶段，结构构件rk[k(1,2,…,n),rk(r1,r2,…,rk-1)] 的广义承力比、最大承力比和承力比之比，为约界参数,为构件i在失效历程开始时用于承受外载的承载强度,为对由(n+1-k)个残余构件组成的结构系统在外载作用处施加单位广义荷载而得到的构件rk的内力。满足式(1)的构件rk将有资格成为第k阶段的候选失效构件。该准则是源于传统的极限状态设计方法的概率拓展，比较简单，但是他没有考虑加载过程中构件有效承载力的变化，而且搜索失效模式的效率不高。
1.1.2 优化准则法【2】
该准则法是Feng在1988年对Moses的广义承力比最大准则法进行的改进，他以结构失效过程的每个阶段中结构构件的真实受力状态为依据，根据荷载累积情况对构件的有效承载力进行了实时修正。在由n个构件组成的结构系统中, 设r1,r2,…,rk - 1共(k- 1)个单元已经失效。为构件rk失效时相对应的荷载增量因子。在失效历程的第k阶段，定义构件rk[k(1,2,…,n),rk(r1,r2,…,rk-1)]的有效承力比和最大承力比, 则优化准则法可描述为：
（2）
其中为构件rk在失效历程第k阶段用于承受外载增量的有效强度IA为算法选择参数，当IA=1时为优化准则法，当IA=0时为广义承力比最大准则法。该法认为满足，为约界参数的构件将有资格成为该阶段的失效候选元件。Feng和董聪在1988年发现该准则法的物理依据是:在结构失效历程的每一阶段，以使结构系统失效的荷载增量最小化为标准则来选取本阶段的候选失效构件。
1.1.3 荷载增量最小准则法【3】
优化准则法的物理依据发现后，很快又发现结构在加载过程中某些构件会出现局部卸载现象，这种现象使得优化准则法找出的失效模式中出现伪失效模式。通过此现象对优化准则法进行拓展得到荷载增量最小准则法。该准则法可以描述为：
（3）
其中为构件rk考虑拉压差别的单元强度。为构件rk在失效历程的第k阶段对应的外荷载增量因子，mri是材料选择参数，mri=1表示失效构件ri是理想弹塑性材料，mri=0表示失效构件ri是理想脆性材料。给定分枝约界参数，满足的构件将成为第k阶段的失效候选元件。由于对应的是沿失效路径:由失效历程的第k- 1阶段演变到失效历程第k阶段的荷载增量因子，当取满足条件所对应的元件时，系统的外荷载增量最小。因此保证了在失效历程任意阶段总是使系统外荷载增量取较小的那些构件进入主要失效模式。
1.1.4 阶段临界强度分枝―约界准则法【4】
荷载增量最小准则法是在系统失效历程阶数逐步增加后识别失效模式的效率会降低，而阶段临界强度分枝一约界准则法则真实地反应结构的失效状态与失效历程，并直接对每个阶段的目标进行有效的约界控制，使得约界效率从根本上有所改进和提高。该准则法可描述为：
（4）
其中失效过程中第k阶段，构件所对应的系统阶段临界强度为。IB为算法参数，IB=1时是阶段临界强度分枝一约界准则法，IB=0时是荷载增量最小准则法。满足的构件成为失效历程第k阶段的失效候选元件。此时的约界参数类似于上程设计中的安全系数，其合理的取值区间是。该准则法的物理实质是再失效过程中的每一个阶段将阶段临界强度较大的失效模式从主要失效模式的候选中删除掉。
1.1.5 全局临界强度分枝一约界准则法【5】
阶段临界强度分枝一约界准则法的约界是在失效过程中的每一个阶段进行，它只考虑了同一阶段具有相同前序失效构件的那些构件之间的相互关系，而没有考虑在失效过程中不同阶段或者在失效历程的同一阶段却具有不同的前序失效构件的那些构件之间的关系。为克服阶段临界强度分枝一约界准则法的不足之处，董聪将柔性动态控制边界的思想引入结构体系失效模式是别的方法当中，得到全局临界强度分枝一约界准则法。
该准则法分两步。第一步应用阶段临界强度分枝―约界准则法，满足的构件k将在失效历程的第（p+1）阶段成为候选失效构件，其中约界参数。这样可以减少进入下一步约界处理的失效树娅枝的数目和缩小系统阶段临界强度的散布范围。第二步通过一条动态反馈回路修正柔性控制边界，引入两个附加的传递参数:系统终态临界强度最小界限值为柔性控制边界，它在载荷增量的各个阶段作自适应调整；系统临界强度散布控制界宽cs(一般取1.2左右)。将失效路径按从小到大排列，如果满足则当前分枝不能进入失效模式集。其初值可设置为，如果则进行柔性控制边界调整，令，反之维持原来控制边界不变，最后收敛于系统临界强度的最小值。
1.2自动矩阵力法【6】
该方法表示，实际当中的复杂结构都是传递总体载荷的主要构件构成的主要系统和传递局部载荷的次要构件构成的附加系统的叠加。主要系统大多是静定结构或者是超静度很低的静不定结构，而附加系统则包含大量的构件。附加系统的构件失效一般不会引起整个系统失效，而主要系统的某个构件失效，就可能会引起整个结构的失效。因此，从传力角度来看，实际的复杂结构的主要失效模式是由主要系统中的一个构件和附加系统中的多个构件组成的。用矩阵力法可以求出基本系统和多余系统，但其结果受节点编号的影响，并不一定符合结构中的实际传力的路线。姚卫星针对这一缺陷，发展了一种考虑了结构构件强度比的自动矩阵力法，这样求出的基本系统符合结构的力传递路线，随后相应的主要失效模式也就确定了。
1.3线性规划法【7】
Reashedi和Moses在1986年提出用线性规划法搜寻结构主要失效模式。对他们指出一个结构系统的平衡方程可以写成:DX=SF,其中，D为m×n阶的平衡矩阵，m为自由度数，n为构件数；X为构件内力矢量；S为荷载幅度；F为荷载分布矢量。在满足平衡方程的前提下，S可逐渐增大，使得多个构件达到它们的强度值，若再增大S，结构就会变成机构。这个过程可通过求解下而的线性规划问题来实现:在满足约束条件(即平衡方程)DX=SF的前提下，求解荷载幅度S的最大值，其中R+，R-分别表示构件的抗拉和抗压强度。该方法实质上是Moses工程准则法的另一种表现形式，虽然这种方法从概念上讲很清晰明了，实现起来也比较方便，但是它只适用于由弹性塑性材料组成的结构，而且并不能保证不遗漏主要失效模式和每次获得的失效模式也有可能出现重复。
2 网络评估体系
2.1分枝―约界法
分枝―约界法中的主要运算包括分枝和约界两种操作。当结构的失效模式不比一个时，就会出现分枝现象。分枝运算就是选择失效路中具有较高失效概率的分枝。如果在每一个分支点都考虑所有的分枝，则只需分枝操作便可生成完整的失效树集，这是简单的穷举法。简单枚举会导致组合爆炸。避免组合爆炸的方法就是提前删除不太可能发展为卞要失效模式的分枝，这就是约界。分枝一约界法的分枝和约界同时进行，效率较高且一般不会遗漏主要失效模式。
2.2 β约界法【8】
β约界法搜索的不是结构主要失效路径，而是结构的主要失效机构。不同的失效模式对应着不同的失效机构，因此主要失效模式的枚举即可转化为主要失效机构的枚举。该方法的基本思想是：在失效过程的第k阶段，对于具有相同前序失效构件的潜在失效构件，失效事件所对应的可靠指标为，定义。满足条件的构件将成为此该阶段的候选失效构件。采用此方法时不需每次都对结构进行分析，只要对每一个基本机构分析即可，因此比较节省计算时间。
3结束语
网络评估体系以失效概率来鉴别主要失效模式，与计算体系失效概率的目的相吻合，一般不容易遗漏主要失效模式，并且概率评估体系适合用于考虑材料随机性等复杂情况，适用范围较广。
极限状态体系以结构受力的严重程度判断失效模式，与传统的确定性建筑结构设计规范间存在一致的对应关系，物理意义明确，但是计算结果表明，当荷载复杂时，极限状态体系不易反映荷载的随机性，容易遗漏主要失效模式。不过我们发现，极限状态体系的系统失效概率是网络评估体系相应估计结果的上界，两者的差异随失效模式间相关程度的增加迅速降低【9】。由于极限状态体系与传统的确定性建筑结构设计规范间存在一致的对应关系, 具有可检验的特点, 因此, 80 年代末以来世界各国政府和国际组织颁布的结构可靠性设计规范, 普遍采用了这种体系【10】。
因此, 极限状态体系将失效模式的安
全裕量方程进行简化，这在数学上是可行的, 而且工程上与传统确定性设计规范间的一致对应关系使其在操作上更易于实现和检验。
参 考 文 献
[1] Moses F.New directions and research needs
in system reliability
research[J].Structural Safety,1990(8):11.
[2] Feng Y S.Enumerating significant failure
modes of a structral system by using
criterion methods[J] . Computers and
Structures ,1988.30(5):66-67.
[3] 冯元生，董聪.枚举结构主要失效模式的一种
方法[J].航空学报，1991, 12(9) : 44
[4] 董聪，冯元生.枚举结构主要失效模式的一种
新方法[J].西北上业大学学报，1991, 9(3) :
39-40
[5] 董聪，杨庆雄.冗余桁架结构系统可靠性分析
理论与算法［J］．计算结构力学及其应用，
1992,9（4）：393~398
[6] 姚卫星，顾怡.用自动矩阵力法枚举结构的主
要模式[J].计算结构力学及其应用，1996,
13(1) : 24
[7] Reashedi M R and Moses F.Application of
linear programming to structural system
reliability[M].Comput & Struct，1986，
24(3):375~384
[8] Thoft-Christensen P，Murotsu Y，Application
of Structural System Reliability
Theory[M].Springer-Verlag,Berlin,Heidel
berg,New York,Tokyo,1986.
[9] 董聪, 郦正能.结构系统可靠性初步评估方法
[J]. 强度与环境, 1995, (2) B60~ 65
[10] 董聪, 杨庆雄.现代结构系统可靠性分析理
论发展概况及若干应用[J].力学进展,
1993,23 (2) : 206~ 213
作者简介：
第8篇：模式识别范文
Abstract: Pattern recognition in computer-assisted information system is important to jewelry gemstone identification. Pattern recognition effectively analyzes identification process of jewelry gem; it directs the actual operation of the identification. This paper analyzes the specific application of the pattern recognition in the jewelry gem, and does a brief discussion.
关键词： 模式识别；珠宝；宝石鉴定
Key words: pattern recognition；jewelry；gem identification
中图分类号：TS934.3 文献标识码：A 文章编号：1006-4311（2011）28-0314-01
0 引言
模式识别最早起源于上个世纪的20年代，并随着上世纪40年代计算机的诞生以及50年代中期人工智能的逐步兴起，识别模式就此在上世纪60年代迅猛发展开来，由此应运而生，随着时代不断的前进与发展，现行科学技术领域中，模式识别的研究理论与方法愈来愈授以重视与关注，并且其再不断的推动人工智能系统的发展，逐步壮大计算机应用技术的领域规模。近20年来，全球珠宝市场的贸易额不断攀增，以20%的高增长速度发展，并且多个国家地区或者城市珠宝行业已经占据主要地位，成为支柱性产业，珠宝是市场的规模壮大与发展，不但从客观上满足了人们的精神需求以及信息消费需求，进而还一定程度上带动了整个经济的发展。从国际的发展趋势而言，各国对珠宝玉石的评价都力争走向科学化、标准化的发展道路，开展宝玉石鉴定与评价的理论和现实意义重大。珠宝玉石鉴定是一项利用多种仪器和检验方法测试宝石多个参量， 并依据这些检验数据进行综合判断的复杂工作。珠宝鉴定辅助信息系统，即模式识别程序的运用，可以充分利用计算机强大的特性，调动其数据库等信息加以鉴定，从而在实践应用中效果显著。
1 软件系统主要特点
模式识别在宝石鉴定的运用，全面性的涵盖了常规仪器的检验方法。它对宝石鉴定的具体性、标准性、系统性的描述参量做出了准确有效的对比判断，如宝石的硬度、密度、质地等。另外，对于宝石的颜色、所吸收的光谱等非标准化特性描述参量也能够做出有效的对比与判断。
模式识别技术的在珠宝玉石中的主要运用成果表现可实现对宝石不同层面、性质上的参量做出标准、有效的综合判断；并且计算机模式识别中的形象特征数据库里有更为丰富的珠宝玉石信息资源，这样就使得实际鉴定过程与信息自动化的辅助鉴定系统紧密联合开来。系统内部提供了大量的宝石的品种、处理优化样本、和成品、相似品等以及相关鉴定检验方法，这对珠宝玉石的鉴定工作具有重要性的指导意义。
2 模式识别应用理论与方法
常规来讲，模式识别的方法为统计模式识别。而特征向量是统计模式识别所研究的主要对象。而特征向量由多种元素组成，每种元素所对应的特征或者属性，均能够构成一个自设的特征空间；而对统计模式识别做以细致性的研究，就是对特征空间进行多重划分，从而达到根据属性、特征做以鉴定。因此，对于统计模式识别的主要识别系统主要由以下四部分构成：数据提取、预处理、特征提取与选择、分类决策。如下所示：
信息处理预处理特征提取与选择分类决策
2.1 信息处理 珠宝玉石鉴定过程实际运用到了多个科学领域的综合组成，其涉及到力学、光学、化学、以及物理学等领域。通过对珠宝的颜色、折射率、密度、硬度、等多方面提供了诸多参量进行综合对比检测，并在实际鉴定过程以标准值相互比对，最后在下设定论，做出正确判断。因此，模式识别的信息处理数据实际上属于物理参量与逻辑值范围之内的。在以往常规的人工检测鉴定过的数据结果，通过人工录入把标准参量数据输入到系统中，从而实现此类宝石特征的数据提取。
2.2 预处理 预处理的主要目的是去除光谱等非描述性的参量的影响因素，并对其加强信息处理，同时对测量设备仪器的所造成的不确定性因素或者所造成的退化现象进行修复还原；往往珠宝的性质都是用语言去描绘的，内同十分复杂繁多，较为庞大，这其实是与计算机的数字化、标准化是相悖的，因此，对于颜色、吸收光谱等非描述性参量，进行标准化和编码。通过对这些数据的预处理，使计算机对这些参量也能进行准确查询和比较。
2.3 特征提取和选择 珠宝玉石的鉴定标准，为了便于分类决策，采用了测量值与标准值进行逻辑比较的方法，将测量值统一变换为逻辑值来表示，即测量值与标准值相符为1，不符为0。这样可使分类器的设计简单化。
2.4 分类决策 分类决策就是指在特征空间运用统计模式识别方法把所有识别的对象归为一类，即研究对象在本身训练的前提条件以及基础之上，确定某个判决性规则，从而按这种判决性规则对所统计的要被识别的对象进行系统分类，并且以错误识别率最小为识别标准。
2.5 线性分析器 而线性分类器的设计通常采用最大值选择器。但由于在实际鉴定过程中，对宝石参量的测量是有选择性的，而且，多个品种的宝石在某些参量上十分相近，甚至出现重叠。识别模式以匹配度的形式提示给使用者，以防止漏判。
3 结语
珠宝宝石的模式识别系统以及计算机的特征数据库，均为实际宝石鉴定过程提供了宝石鉴定体系的相关知识，并通过模式识别的高效程序系统，实现了对宝石种类、以及多个不同属性的参量都做出了明确性的判断。经过理论实践证明，模式识别的系统程序，在很大程度上突破了个人自身的经验局限并为实际鉴定珠宝宝石提供了全面性以及可靠性的操作经验，另外，在实际应用中，模式识别系统程序在设计上，如果能提高加大检查项目的比较和判断能力，那么就会使宝石鉴定在模式识别程序系统中的实际鉴定过程更加健全、完善，更具推广价值。
参考文献：
[1]张彩甜.模式识别技术的应用――珠宝玉石计算机辅助鉴定及信息系统[J].福建电脑，2009，（09）.
[2]何军，叶东.珠宝科技进步对珠宝鉴定的影响[J].珠宝科技，2002，（02）.
第9篇：模式识别范文
关键词：垃圾邮件；特点；模式识别；反垃圾邮件
中图分类号：TP393.098 文献标识码：A文章编号：1007-9599(2012)03-0000-02
Spam Filtering Technology of Application Behavior Pattern Recognition
Wang Zhaohua
(61363 Troops,Xi'an610054,China)
Abstract:In recent years,the ravages of spam on the Internet,gradually strengthen,according to analysts,spam is actually accounted for about one fifth of the total Internet traffic,spam huge storage requirements,the greatest threats to information security systems effectiveness.Spam with a variety of content and form,according to the requirements of the Internet security system,based on the spam pattern recognition technology is becoming increasingly prominent their effectiveness,is expected to become a simple and viable anti-spam solutions.
Keywords:Spam;Characteristics;Pattern recognition;Anti-spam
一、垃圾邮件的变化趋势及危害
有调查显示，在所有邮件中，垃圾邮件的比例将近74%，其中，钓鱼欺诈性邮件占有24%，此外，其它数量较大的垃圾邮件类型包括广告、医疗以及色情。钓鱼欺诈性邮件成为增长速度最快的垃圾邮件类型。
在垃圾邮件的发展过程中，图像垃圾邮件卷土重来，造成的后果就是垃圾邮件的平均大小有所增加。邮件大小的增加会对邮件基础设施造成压力，并有可能使终端客户无法收到正常的邮件。
在图像垃圾邮件增加的同时，在邮件的正文部分中包含URL形式的垃圾信息依旧是垃圾邮件的发展趋势。从常有的事例中可以看出，在所有垃圾邮件中将近92%的邮件都含有 URL。这些 URL常常关联到允许用户去建立免费账户的网址。而这些免费账户中就含有传播垃圾邮件者操控的URL以及免费的网页寄存账户。通常情况下，邮件中的URL是来推销产品和服务的，传播垃圾邮件的人常常采取一定的措施，避开反垃圾邮件软件的检测。
综合说来，垃圾邮件总是试图推销一些产品和服务。收件人常常会比较好奇。见到邮件中的链接，会点击浏览，有时也会按照网页的内容指示购买垃圾邮件传播者力图推销的产品和服务。而另外一头，垃圾邮件传播者根据用户的操作，会选择继续发送虚假信息或者终止。
破坏性更强的垃圾邮件是“病毒垃圾邮件”。据统计，在所有垃圾邮件中，病毒邮件和钓鱼欺诈性邮件所占的比例在50%以上，而用户反馈到，“病毒垃圾邮件”已经成为他们最讨厌的垃圾邮件类型。
其实，依照目前的发展趋势，病毒和垃圾邮件之间，已经没有一个明显的界限，病毒的传播者将病毒植入到计算机中，而被感染之后的计算机就会开始发送大量的垃圾邮件，这些垃圾邮件对用户来说就如同病毒一样，如此循环。给用户带去许多烦恼和不便。
严重的是，有的垃圾邮件会携带木马病毒，当这种病毒进入用户电脑时，可以轻松地盗取用户的各种数据，比如用户在网站注册的信息，甚至是网上银行的交易密码等等，木马病毒有时也会删除用户的文件，会给用户的文件数据安全造成极大的威胁。据调查称，2005年的垃圾邮件带给全球生产力的损失以及反垃圾邮件的损失达到500亿美元。
其实，自1990年以来，垃圾邮件就一直困扰互联网。那个时候，互联网的商业化程度越来越深，也逐步与消费者的消费需求相呼应，商家发现互联网的利用价值，最初，垃圾邮件并不普遍，只是少许的电子广告，但随着商业化的发展，现在的垃圾邮件已经占用了用户大部分的空间，占用网络资源，甚至造成恶性的商业形象，损害了邮件使用者的利益。垃圾邮件给网络用户带来的损失不仅是金钱上的，很多时候，还给用户的工作带来许多困扰和阻碍。
二、模式识别在反垃圾邮件中的应用
（一）什么是模式识别技术
模式识别技术指的是通过处理和分析描述事物和现象的文字的、数值的以及逻辑关系的信息，让人们了解事物和现象的本质。模式识别技术的研究内容主要有两个方面，一方面研究生物体如何去感知对象，这属于认识科学的领域；另一方面，接受既定的任务后，利用计算机来实现模式识别的方法和技术。针对反垃圾邮件中的模式识别技术，主要是通过后者进行研究。运用计算机辨识和分类一组事件或过程时，对象可以是具体的对象，比如文字、声音、图像等，也可以是抽象对象，比如状态、程度等。
模式识别可以应用的方面有很多，比如文字识别，语音识别，指纹识别、遥感等方面，都是模式识别在技术发展过程中的应用。
而将模式识别技术应用于反垃圾邮件中，还需要结合垃圾邮件的特点出发。
（二）传统的反垃圾邮件技术
传统的反垃圾邮件技术以“内容过滤”为主。一般说来，可以将常用于过滤垃圾邮件的文本分为两类。一个是基于规则。这种模式大多从大量的训练文本集合中概括总结出规则，得到的结果准确率较高，缺点是进行维护的工作量比较大。另一个是基于概率统计。这种方式是在已知类别的训练集上通过统计的方法建立相应的分类器，运用到垃圾邮件中时，可以灵活、准确地适应垃圾邮件的多变性。在目前所有的各种反垃圾邮件产品中，朴素贝叶斯模型是比较常用的一种，这种方法进行特征独立性假设，在简化计算复杂度的同时，能够得到比较高的准确度。
以目前形势来看，大多数反垃圾邮件技术在过滤垃圾邮件时，基本采用“过滤IP地址、实时黑白名单、过滤关键字、控制邮件大小和连接时间等技术，核心本质还是通过内容过滤进行垃圾邮件的拦截。基于“内容过滤”技术进行垃圾邮件的拦截，确实能起到很大的作用，有的用户使用了相应的技术后，收到的垃圾邮件确实少了许多。但有一个事实是，随着反垃圾邮件技术的提高，垃圾邮件的传播者和发送者的技术也会逐步升高。同时，“内容识别”在防御垃圾邮件的攻击时处于被动状态，它的核心是内容匹配过滤，通常是完整接收邮件后，按照指定语言对邮件分词处理，并与一个海量的词库逐一匹配，来判断一封邮件是不是垃圾邮件。由于人类自身的语言变通性很强，有时会按照自己的意愿随意修改一些关键内容，会造成在原先的词库中找不到匹配的关键词，有时根本无法判断一封邮件是不是垃圾邮件。重要的是，“内容识别”会占用大量的网络资源和计算机硬件资源，降低工作效率，有时甚至造成死机。
因此，随着时代的发展，传统发垃圾邮件技术已经有些不适用，基于模式识别的反垃圾邮件技术就应运而生。
（三）模式识别技术在反垃圾邮件中的应用
要想根治反垃圾邮件技术的难题，就应该从原理出发，在了解邮件内容特性的基础上，主动进行垃圾邮件的模式识别。只有这样才能主动抵御垃圾邮件的侵害，主动阻断垃圾邮件的肆虐传播，从而能从根源上对垃圾邮件进行消除，降低资源能耗。
将模式识别技术应用与反垃圾邮件中，最重要的是建立起合适的垃圾邮件行为模式识别模型。因此，首先需要先对大量的垃圾邮件进行实时观察，利用概率统计的数学模型对大量的垃圾邮件进行分类再分析统计，与传统方法不同的是，在分析垃圾邮件的过程中除了导入邮件内容的特点上，还同时加入了各种行为相关的因素。由于垃圾邮件数量巨大，对其进行分析统计时需要花费大量的时间，但通过细致的分析，可以归纳概括出垃圾邮件进行发送时的模式识别模型。模式识别的模型包含邮件在发送过程中很多方面的行为要素，比如，发送时间、发送IP、发送频度、发送指纹等。通过对大量邮件的统计分析，可以发现，垃圾邮件与正常邮件在行为特征上具有很高的区分度，不论垃圾邮件的内容如何改变，终究都还是有固定的特征，尤其是大多数采用动态IP发送的邮件，固定特征更是明显。
通过对垃圾邮件行为进行分析得到的模式识别模型，在实际应用过程中，不需要对信件的所有内容进行扫描，减少了计算机的工作量，可以提高计算机处理能力。同时可以用于提高辨别垃圾邮件的准确率，
另一方面，运用垃圾邮件行为模式识别模型进行垃圾邮件辨别时，也给垃圾邮件的发送者和传播者一定压力。邮件发送者和传播者只能依赖正常渠道，利用正常方式进行发送邮件。
相比传统反垃圾邮件技术，模式识别技术更能显著地对互联网垃圾邮件很病毒邮件进行主动的识别查杀。还有一个优势是，对于电子邮件内容比较广泛的用户来说，采用模式识别技术进行垃圾邮件的拦截，可以在最大程度上保证正常通信，对互联网用户的工作来说，具有重要的意义。
参考文献：
[1]李淑静.基于内容的垃圾邮件过滤研究与实现[D].南京信息工程大学,2006
[2]温星.浅谈人类模式识别的特点[J].山西经济管理干部学院学报,2008.01
