关于仿生模式识别技术研究与应用进展探究.docVIP

关于仿生模式识别技术研究与应用进展探究 模式识别经过多年的发展，已形成了一系列经典的理论和方法。传统模式识别的目的是将对象( 样本) 进行分类，因此也被称作模式分类，传统模式识别认为所有可用的信息都包含在训练样本集中，考虑的出发点是特征空间中若干类别样本的最佳分类划分，代表性方法有Fisher 判别分析、支撑向量机( SVM)等。这些方法解决了很多问题，并在多个领域得到了成功应用，为科学发展和社会进步做出了巨大贡献，但这些传统方法也存在一些固有的缺陷: 1) 对事物进行学习时通常至少需要两类才可进行“区分”，例如在人脸检测中，学习的任务仅是人脸这一个类别，但在训练分类器时，分类器需要学习“人脸”和“非人脸”两种类型; 2) 已训练好的分类器类别之间的最优分类边界是确定的，若要增加学习新类，则需要重新训练分类器，这将会打乱现有知识( 最优分类边界改变) ; 3) 未经训练类别的样本很容易被误认为是已训练的某一类，分类器不能有效对其进行正确拒识，这是由于分类边界只是将一个无限特征空间划分为多个无限空间。 中国科学院半导体研究所王守觉院士通过分析人类认识事物的特点，提出了一种全新思想的模式识别方法---仿生模式识别( biomimetic pattern recognition，BPR)。仿生模式识别认为，事物具有“同源连续性规律”，即同类事物的两个不同样本之间，至少有一个渐变过程，在这个渐变过程中的所有样本仍属于该类; 也可以这样认为: 同类样本在特征空间中是连续分布的，任意两个样本点之间具有某种连续变化的关系。“同源连续性规律”是现实中人类直观认识世界的普遍存在的规律，同时也是仿生模式识别方法用于提高对事物的识别能力的“先验知识”。引入“同源连续性规律”后，研究仿生模式识别如何对某类事物进行学习，就是研究在高维特征空间中如何对该类样本进行最优连续“覆盖”( 即对一类样本的“识”) ; 它不同于传统模式识别方法侧重于“别”，即如何在高维特征空间中对不同类样本进行最优“划分”。可见，在特征空间中对某一类样本的分布进行最优覆盖是仿生模式识别的首要目标，覆盖后在特征空间中形成的连续、闭合的复杂几何形体区域赋予该类的属性; 则仿生模式识别的识别过程就是判断特征空间中待识别样本点是否落入此几何形体内。若是，则该样本点属于此几何形体所代表的类别; 否则认为不属于该类。仿生模式识别于2002 年被提出后，被迅速应用到多种识别任务中，获得了有效的识别结果，并展现出独特的优势: 1) 仿生模式识别既能够“识”，又能够“别”，对于没有训练过的样本，不会将其错误归为已训练样本中的某一类，而是能够将其正确拒识，实际应用中误识率非常低; 2) 仿生模式识别可以不断学习新事物( 类别) ，并且学习某类时不需要负样本( 非此类或他类样本) 参加训练，学习新类时不需要重新学习已知类，即不会影响原有已经学习好的知识; 3) 仿生模式识别在低训练样本数量情况下仍能获得较高的正确识别率，这得益于引入了“同源连续性规律“的先验知识，因而有效的信息不再局限于训练样本。低训练样本数、高识别率的特点，更适合一些不易获取大量训练样本的特殊场合下的识别任务。仿生模式识别由于其独特的优点，在国内逐渐受到关注，越来越多的研究机构加入研究队伍，从理论、方法以及应用等多方面开展研究，这些研究机构包括中科院半导体研究所、同济大学、中国农业大学、浙江工业大学、厦门大学、深圳大学、中科院苏州纳米技术与纳米仿生研究所、长沙理工大学、合肥工业大学、吉林大学、西安电子科技大学等众多高校和研究机构。仿生模式识别的研究成果不断涌现，先后用于目标识别、生物特征识别、信号处理、医学图像识别、基因预测和近红外定性分析，涉及机器视觉、安防、农业、生物医学、通信以及互联网等众多领域，获得了有益的效果。2002 年迄今，在国内学术期刊发表的与仿生模式识别直接相关的论文有80余篇，相关的国内硕士和博士学位论文30 余篇，在国际期刊和会议上发表的论文40 篇左右，此外，还有3 本专著出版。仿生模式识别是我国自主创新的方法与技术，从提出至今，已有十多年的发展，但目前还没有对该技术的全面总结。本文旨在对仿生模式识别进行全面的综述。首先介绍仿生模式识别的基本原理，再对仿生模式识别的实现方法进行分析和对比研究，并给出了仿生模式识别在多个应用领域的使用效果，最后探讨仿生模式识别的未来研究方向，希望能够为该方法的进一步发展和实际应用提供参考。 1 仿生模式识别的基本原理 1.1 仿生模式识别的基点---“同源连续性”规律 仿生模式识别把同一类事物称为“同源”，这里所谓的“同一类”是指在源头或原理上是相同的一类，而不是拼凑或合并而成的同一类。例如，在手写体汉字识别中