(完整word版)模式识别考察报告.doc

《(完整word版)模式识别考察报告.doc》由会员分享，可在线阅读，更多相关《(完整word版)模式识别考察报告.doc（17页珍藏版）》请在金锄头文库上搜索。

1、模式识别与智能系统概论考察报告任课教师：李振华班级：自动化三班 姓名：姜兆田 学号：201300172075 题目一假设在某个局部地区的细胞识别中，第一类表示正常，第二类表示异常，两类的先验概率分别为：正常，异常。现有一待识别样本细胞，其观察值为，从类条件概率密度函数曲线上查得：，试按最小错误率贝叶斯决策规则判断该细胞是否正常。若已知损失矩阵为，试按最小风险贝叶斯决策规则判断该细胞是否正常。解答：利用贝叶斯公式，先分别计算出w1和w2的后验概率： 再计算条件风险：根据最小风险贝叶斯决策规则：即决策为w1的条件风险小于决策为w2的条件风险，因此采取决策行动a，即判断待识别的细胞x为w2类异常细胞

2、。题目二论述建立专家系统的一般步骤。解答：专家系统是一类包含知识和推理的智能计算机程序，其内部包含某领域专家水平的知识和经验，具有解决专门问题的能力。专家系统主要由知识库和推理机构成。建立专家系统的一般步骤如下：（1）知识库的设计 确定知识类型：叙述性知识，过程性知识，控制性知识； 确定知识表达方法； 知识库管理系统的设计：实现规则的保存、编辑、删除、增加、搜索等功能（2）推理机的设计 选择推理方式； 选择推理算法：选择各种搜索算法，如深度优先搜索、广度优先搜索、启发式优先搜索等。（3）人机接口的设计 设计“用户专家系统接口”：用于咨询理解和结论解释； 设计“专家专家系统接口”：用于知识库扩充

3、及系统维护。题目三论述专家PID控制的原理。 解答： PID专家控制的实质是，基于受控对象和控制规律的各种知识，无需知道被控对象的精确模型，利用专家经验来设计PID参数。专家PID控制是一种直接型专家控制器。令 表示离散化的当前采样时刻的误差值， 和 分别表示前一个和前两个采样时刻的误差值，则有根据误差及其变化，可设计专家PID控制器，该控制器可分为以下五种情况进行设计：（1）当时，说明误差的绝对值已经很大。不论误差变化趋势如何，都应考虑控制器的输出应按最大（或最小）输出，以达到迅速调整误差，使误差绝对值以最大速度减小。此时，它相当于实施开环控制。（2）当或 时，说明误差在朝误差绝对值增大方向

4、变化，或误差为某一常值，未发生变化。 此时，如果，说明误差也较大，可考虑由控制器实施较强的控制作用，以达到扭转误差绝对值朝减小方向变化，并迅速减小误差的绝对值，控制器输出为如果尽管误差朝绝对值增大方向变化，但误差绝对值本身并不很大，可考虑控制器实施一般的控制作用，只要扭转误差的变化趋势，使其朝误差绝对值减小方向变化，控制器输出为（3）当、或者 时，说明误差的绝对值朝减小的方向变化，或者已经达到平衡状态。此时，可考虑采取保持控制器输出不变。（4）当、时，说明误差处于极值状态。如果此时误差的绝对值较大，即，可考虑实施较强的控制作用如果此时误差的绝对值较小，即，可考虑实施较弱的控制作用（5） 当时，

5、说明误差的绝对值很小，此时加入积分，减少稳态误差。图中，、区域，误差朝绝对值减小的方向变化。此时，可采取保持等待措施，相当于实施开环控制；、区域，误差绝对值朝增大的方向变化。此时，可根据误差的大小分别实施较强或一般的控制作用，以抑制动态误差。题目四查阅模糊模式识别的相关文献，论述一种模糊模式识别方法、具体实现过程及其应用领域和应用情况。解答：一、 模糊模式识别方法:参考文献：智能交通系统中车型分类的模糊模式识别方法谢宇在这篇论文中，采用特征分离与匹配分类的模糊模式识别方法 ,充分考虑了每类车辆的特点 ,为每类车辆建立了一组特征;同时采用了模糊子集作为特征的表达 ,对于外界干扰具有很高的容忍度。

6、用推理代替计算完成识别的过程，达到了较好的识别效果。 二、实现过程:车辆经过环形线圈传感器时 ,车体铁磁物质与环形线圈相互作用改变了线圈的频率 ,形成感应曲线. 针对感应曲线的不同形状 ,对车辆进行自动分类 . 方法 采用特征分离的模糊模式识别方法 ,根据每类车辆感应曲线的特点 ,找出一组特征唯一地描述该类车辆 ,从而进行匹配分类。特征分离的模糊模式识别方法 ,其独特之处在于“特征分离” ,对于车型识别而言 ,特征分离是针对每类车辆的各自特点 ,找出该类车的一组特征 ,唯一地描述该类车辆 . 这里的特征是总结各类车辆的感应曲线的特征 ,用概念层次的语言变量来描述的 .所以 ,在进行特征选取时

7、, 用模糊集作为特征的表达方式.以小轿车和大客车为例 ,介绍用特征分离的方法为每类车辆选择一组特征.在 6个特征中 ,高度和上下比重是小轿车的主要特征 ,因为车辆感应曲线给人最深刻的印象是瘦而高 ,而此处凹凸性与左右比重是很次要的 ,在特征选择时可以不予考虑. 用语言变量描述其特征的表达式为F1 /f 1 ( x ) F3 /f 3 ( x ) F4 / f 4 ( x ) F6 /f 6 ( x ) ,其中 F1 为高度 , F3 为上下比重 , F4 为车长 , F6 为峰值;“ ”表示逻辑“与” .大型客车的最大特征是其波形有 2个或 3个峰值 ,而且车长较长. 仅这两个特征就可以将大客

8、车从其它车辆中区分开来. 其特征描述为F4 /f 4 ( x ) F6 / f 6 ( x ) .对于其它车辆 ,可以根据各自感应曲线的特征 ,得到相应的一组特征描述 .三、应用领域和应用情况:在智能交通领域，目前常用的车型自动识别方法有红外、雷达、超声波、感应线圈、视频等. 红外、雷达、超声波受环境干扰影响较大; 视频处理方法成本较高 . 感应线圈虽然具有成本较低、安装使用方便等优点 ,但环形线圈用于车型识别 ,仍然存在较多问题 ,主要有: 我国车辆种类较多 ,各类车辆之间没有明确的界线; 传感手段简单 ,用环形线圈仅能获得车辆的感应曲线; 动态、实时的条件下 ,有很多难以料想的干扰因素存在

9、。特征分离与匹配分类的模糊模式识别方法 ,充分考虑了每类车辆的特点 ,为每类车辆建立了一组特征;同时采用了模糊子集作为特征的表达 ,对于外界干扰具有很高的容忍度 . 采用模糊模式识别方法 ,能更好地利用人的识别经验 ,把人的经验归纳成推理规则 ,用推理代替计算完成识别的过程. 同时 ,系统还加入了拒识 ,识别效果是比较理想的，但模糊模式识别目前尚未大规模应用到智能交通系统中。题目五查阅神经网络模式识别的相关文献，论述一种神经网络模式识别方法、具体实现过程及其应用领域和应用情况。解答：一、 神经网络模式识别方法: 参考文献：模式识别方法概述范会敏二、具体实现过程:一个神经元网络是一个信息处理系统

10、， 由大量简单的数据处理单元组成，这些单元互相连接，协同工作，从而实现大规模并行分布处理。 神经元网络的设计和功能是模仿了生物的脑部和神经系统的功能而设计的。 神经元网络具有自适应学习、自组织和容错力等优点。 由于神经元网络的这些突出特点，人们可以应用神经元网络进行模式识别。 一些最好的神经元网络模型是后向传播网络、高阶网络、时延和周期性网络。通常，人们利用前向传播网络进行模式识别。 前向传播也就是没有回到输入端的反馈信息。 与人类从错误中得到教训相似，神经元网络也能通过向输入端反馈信息，从其错误中得到教训。 通过反馈可以重建输入模式，避免产生错误，从而提高神经元网络的性能。人工神经网络的研究

11、起源于对生物神经系统的研究。它将若干处理单元（即神经元）通过一定的互连模型连结成一个网络，这个网络通过一定的机制可以模仿人的神经系统的动作过程，以达到识别分类的目的。 人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。 神经网络侧重于模拟和实现人认知过程中的感知觉过程、 形象思维、分布式记忆、自学习和自组织过程，与符号处理是一种互补的关系。 但神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习的能力，特别适用于处理需要同时考虑许多因索和条件的、不精确和模糊的信息处理问题。构造这样的神经元网非常复杂。 这类神经元网络要用

12、到后向传播算法（BP）。 后向传播算法的主要问题之一是局部极小问题。 另外，神经元网络在学习速度、结构选择、特征表示、模块性、缩放性等方而也都存在一些问题。 虽然神经元网络存在这样那样的问题和困难，但是其发展潜力还是巨大的。三、 应用领域和应用情况:人工神经网络（ANN）是医学方面非常热门的一个研究领域。目前，人工神经网络的研究主要集中在人体建模，自动检测，医学专家系统以及信号检测（通过心电图，电脑断层扫描，超声波扫描）等。随着研究的深入，人工神经网络将在未来几年内广泛应用于生物医学系统。神经网络可用于模拟人体心血管系统。利用神经网络构建人的心血管系统模型，并将模型与人实际生理测量进行对比，从

13、而对身体健康情况进行诊断。如果这个程序定期进行，就可以在早期检测出潜在的危害，与疾病作斗争的过程容易得多。人的血管系统模型必须模仿不同生理活动水平下的生理变量（心率，收缩压和舒张压和呼吸率）之间的关系。如果将模型应用于国人，那么该模型便是此人的身体状况模型。题目六查阅数据聚类的相关文献，论述一种数据聚类方法、具体实现过程及其应用领域和应用情况。解答：数据聚类方法:参考文献：数据聚类技术的研究张蓉数据聚类方法：一种基于超图模式的大数据集数据聚类方法具体实现过程:基于超图模式的大数据集数据聚类方法的主要思想是首先把一个求解大数据集数据聚类问题转换为一个超图分割寻优问题，再选用一种图形分割寻优算法，

14、求出优化问题的全局最优解。现有的图形分割寻优算法有多种，例如由F G图形分割算法下面叙述该方法的主要步骤：第一，把存在于高维空间中的原始数据之间的关系映射到一个带权的超图其中，V是顶点的集合， E是超边的集合。一个超图可以看成是一个普通图的延伸，其每一个超边都能够连接两个以上的顶点。这里，（1） 代表用来聚类的数据项的点集；（2） 代表连接相关数据项子集的超边的集合；（3） Wj是对应于E中的每一条超边的权重；（4） 给定一个参数v，存在一个分割N把超图H大致均匀地分割为v个相对独立的子分割。（5） 评价函数，Wj是对应于每一条超边的权重，这些超边连接任意多个不同子分割中的点。第二，利用一种图

15、形分割寻优算法，寻找一种对超图分割，使得评价函数 的值最小，即寻找一种分割使得各个子分割之间的相关性之和最小由此可见，大数据集数据聚类问题本质上是一个组合优化问题，因此，可以把超图模式与一种图形分割寻优算法相结合形成一种新的大数据集数据聚类方法即基于超图模式的大数据集数据聚类方法。这里，采用一种改进的模拟退火算法KL作为图形分割寻优算法，并且用关联规则算法开采出的频繁项目集作为超边集（其中每一超边的权重用该超边所有必要关联规则可信度的平均值表示）对从网上收集的应用领域和应用情况:目前，利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。数据聚类分析在电子商务中网站建设数据挖掘中也是很重要的一个方面，通过分组聚类出具