基于区间型特征向量的模式识别方式论文[共5篇].docx

基于区间型特征向量的模式识别方式论文[共5篇]

第一篇：基于区间型特征向量的模式识别方式论文模式识别是将待识别对象的特征与给定样本信息进行比较、匹配，并给出识别对象所属模式的判断.在计算机识别与控制系统中，常常要解决基于特征向量的模式识别问题，在这类识别中，标准模式与待识别对象均是以特征向量的形式表现.由于客观事物的复杂性和不确定性以及人类思维的模糊性，在解决实际问题时，往往会因计算、测量数据带有误差而不能用确定的数来表示特征值，从而导致了特征向量的分量的不确定性，在数量上的反映往往不是一个确定的数值，而是一个范围，适合用区间数表示.因此，本文研究特征向量的分量以区间数呈现的模式识别方法，以拓广模式识别方法应用的对象.表示a与b之间的距离.这种表示方法是将区间数视为平面上的点，并没体现区间数所呈现的不确定性.实际上，区间数完全由其宽度与中心确定，而在一定程度上宽度反映了不确定性的信息范围，中心反映了不确定性的信息取值的平均值.同时，考虑到区间数的宽度与中心对不确定性信息的影响，因此，给出如下距离概念.在实际识别中，识别对象往往由多个特征刻画，而这些特征值的物理量纲也不尽相同，为了消除不同物理量纲对计算结果的影响，就需要对这些特征值进行规范化处理.最常见的类型有效益型和成本型.由于本文对区间数距离的定义是基于区间数的中值和宽度，因此我们采用文献中的基于中值—半宽的规范化方法.规范化方法介绍如下:2模式识别方法2.1模型描述令C=c1，c2{，…，c}n为特征集，特征的权重向量W=(w1，w2，…，wn).对象相对于某一个特征的特征值往往具有不确定性，因此用一个区间数来表示特征值，对每一个特征值作规范化处理.这样，对象可视作n维区间数向量(称之为特征向量).这样，对待识别对象的识别，即归属哪一个标准模式之中的问题，可转化为特征向量之间的接近程度来考虑.为此，结合本文中的贴近度，给出择近原则如下描述，用于基于区间数的距离的模式识别之中.算例分析随着无线电通讯技术的发展，考试作弊手段越来越现代化.为了防范考试作弊现象，需要对考场周边的电磁环境进行监测和评估，以便高效地发现高科技作弊信号.本文从无线电信号强度、频率占用度和频段占用度三个方面基于模式识别方法对考场电磁环境进行分析.依据历史数据和专家经验将电磁环境的复杂度分为五个等级，将其视为五种标准识别模式，表示为A1，A2，A3，A4，A5，其中依据择近原则该考场电磁环境属于“二级”，本文结果与实际电磁环境一致.第二篇：模式识别作业-小论文《模式识别》学习心得模式识别(PatternRecognition)技术也许是最具有挑战性的一门技术了，模式识别有时又被称为分类技术，因为模式识别说到底就是对数据进行分类。说到识别，最为常用的便是模仿人的视觉的图像识别（当然还有语音识别），也许你会想当然地认为那还不简单，觉得我们用我们的眼睛可以轻而易举地识别出各种事物，但是当你想用计算机中的程序来实现它时，于是你便会觉得很沮丧，甚至于有无从下手的感觉，至此你再也不会觉得电脑有多聪明，你会觉得电脑是多么的低能。是的，现在的电脑智能，即人工智能还远不如蟑螂的智能，这其中最为根本的原因是模式识别技术还是处于较为低层次的发展阶段，很多的识别技术还无法突破，甚至有人还断言，再过30年也不会有本质的飞跃。当然，世事总是让人难以预料，我们也用不着这么地悲观，科学技术总是向前发展的，没有人可以阻档得了的。在这里，我把我对模式识别技术的学习和研究心得拿出来与大家分享一下。模式识别具有较长的历史，在20世纪60年代以前，模式识别主要是限于统计学领域中的理论研究，还无法有较强的数学理论支持，20世纪80年代神经网络等识别技术得到了突破，计算机硬件技术更是有了长足的发展，模式识别技术便得到了较为广泛的应用，光学字符识别(OCR)是模式识别技术最早得到成功应用的技术，之后的应用还有如DNA序列分析、化学气味识别、图像理解力、人脸检测、表情识别、手势识别、语音识别、图像信息检索、数据挖掘等。模式识别是一门与数学结合非常紧密的科学，所应用到的数学知识非常多，最基本的便是概率论和数理统计了，模式识别技术到处都充满了概率和统计的思想，我们经常所说的识别率，其实就是概率的表达：在大数据量（严格地说应当是数据量无穷大）测试中识别成功的概率，还有常用的贝叶斯决策分类器便是运用了概率公式。模式识别还用到了线性代数，因为运用线性代数可以较为方便表达具有多特征的事物，我们一般会用向量来表达一个事物的特征，对于向量的计算是一定会用到线性代数的知识的。还有一个较为高层次的数学知识是泛函分析，泛函分析是研究无限维线性空间上的泛函数和算子理论，SVM（支持向量机）便是以泛函分析中的理论为基础的，SVM技术还运用到了最优化理论数学知识，最近中科院王守觉