CN101201810A - 可拓模式识别方法 - Google Patents

Abstract

本发明公开一种可拓模式识别方法，其包括步骤：可拓模式表示和可拓模式论域确定，预处理，可拓特征和模式基元选择及可拓识别。本发明首次提出了“可拓模式识别”概念和一种可拓模式识别方法，具体提出了由预处理、可拓特征或模式基元的抽取和选择，以及可拓识别等部分组成的可拓模式识别系统方案；同时，把可拓识别问题归结为高维(N＝d+k维)物元空间中纯负可拓域r_(T)、纯正稳定域rA₊(T)、零界J₀、纯正可拓域r₊(T)、纯负稳定域rA_(T)的学习分类问题，给出了一高维可拓模式识别(分类)器的通用、有效的神经网络模型。

Description

可拓模式识别方法

技术领域

本发明属于计算机技术领域，特别涉及一种可拓模式识别方法。

背景技术

模式识别属于人工智能范畴，自20世纪60年代以来发展很快。它已经有了基本理论、方法和技术，在指纹、基因、人脸、语音、文字、可见光、雷达、红外图像识别方面取得了辉煌成绩，在生物、医学、军事上已有许多成功应用。然而到现在为止，模式识别的理论和技术都远未完善，很多课题有待人们去研究。例如，在模式识别领域，事物可拓性识别(模式状态隐性特征检测、模式状态形成机理识别、模式状态可能的矛盾变化识别、在不同的视觉、听觉或触觉方式(角度)下模式的矛盾状态识别等)几乎没有研究。

然而象某类人是否会患某种疾病的识别、某类产品是不合格产品是否能转化为合格产品的识别、矛盾图像识别等需要先识别可拓特征信息才能识别认识模式的问题比比皆是。社会呼唤能识别模式可拓性的模式识别的理论、方法和技术，我们称该种模式识别的理论、方法和技术为“可拓模式识别”。

发明内容

本发明的任务在于提供一种可拓模式识别方法，其目的就是用机器去完成人类智能中通过视觉、听觉、触觉等感官去认知识别外界环境可拓特征的那些工作。

其技术解决方案是：

一种可拓模式识别方法，其包括步骤：

a.可拓模式表示和可拓模式论域确定；

b.预处理；

c.可拓特征和模式基元选择；

d.可拓识别。

上述步骤a中，所述可拓模式表示包含模式的可拓性息。

上述步骤a中，可拓模式论域为可拓模式识别考察论域，此论域比相应的传统模式识别论域要大得多。

上述步骤c中，所述可拓特征为可拓模式识别考察特征。

上述步骤d中，所述可拓识别归结为高维(N＝d+k维)物元空间中纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)的学习分类问题。

上述步骤c中，还包括建立可拓模式识别模型，该可拓模式识别模型为高维通用神经网络模型。

本发明提供一种能识别模式可拓性的模式识别的方法，其中，“可拓模式识别”就是同时识别模式的状态和可拓状态(或称该模式的矛盾状态)的理论、方法和技术。“可拓模式识别”研究主要内容包括给出可拓模式论域、模式预处理技术、可拓模式特征(注：这里指蕴涵事物的可拓性的特征，往往是事物的隐性、直接检测提取有困难的那些特征)提取或可拓模式基元选择方法、可拓模式分类(即模式状态和模式的矛盾状态分类)和可拓结构(结构状态和结构可能的矛盾状态)描述方法(或技术)。开发建立机器使机器能对模式进行可拓分类或给出模式的可拓特征信息解释、描述。在本发明中首次提出了“可拓模式识别”概念和一种可拓模式识别方法，具体提出了由预处理、可拓特征或模式基元的抽取和选择，以及可拓识别等部分组成的可拓模式识别系统方案；同时，把可拓识别问题归结为高维(N＝d+k维)物元空间中纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)的学习分类问题，给出了一高维可拓模式识别(分类)器的通用、有效的神经网络模型。

附图说明

图1是本发明一种实施方式的可拓模式识别系统原理框图。

图2是上述实施方式中可拓模式识别的通用神经网络GFFN拓扑结构图。

下面结合附图对本发明进行说明：

具体实施方式

本发明提供一种可拓模式识别方法，其流程图如图1所示。本发明实施步骤如下：

1.可拓模式表示和可拓模式论域确定

可拓模式论域包括直接要考察的可拓模式集合(即传统的模式识别中模式论域)和与直接要考察的模式有相互发散关系，或相关关系，或相互可扩关系性，或相互蕴含关系，或有实部与虚部关系，或有硬部与软部关系，或有显部与潜部关系，或有正部与负部关系的模式的集合。可拓模式论域比传统的模式识别中模式论域要大得多。

2.预处理

因为现代模式识别技术是建立在使用数字电子计算机的基础上的，所以对于非电量输入模式，必须首先把它们转换成电信号，然后通过模/数转换，使之成为数字计算机能接受的数字量。为了使输入模式满足识别的要求，还要根据具体情况对模式进行处理，如滤波、坐标变换、图像增强、图像复原、区域分割、边界检测、骨架提取等，以减少外界干扰和噪声的影响，使模糊的模式变清晰，以便抽取模式识别所需要的特征。这是模式识别过程的一个重要的环节。

3.可拓特征和模式基元选择

传统的模式识别中，模式经过预处理，满足识别要求的模式要根据识别方法的要求抽取选择特征和基元，作为识别的依据。一般说来，要求选择出来的特征和基元能够足够代表这个模式，另一方面要求它们的数量尽量少，从而能有效地进行分类和描述。模式特征和基元的选择对识别的效果有直接的影响，所以它们的选择是模式识别的关键，但是，目前还没有一个有效的，一般的抽取、选择特征和基元的方法。模式识别使用的预处理方法仍是非常“面对问题”的，对于不同的识别对象要用不同的方法抽取特征和基元，而且往往不止一种方法。

“可拓模式识别”不仅要选择确定模式的表性特征(注：包括可拓学中所指特征和特征值)，而且还要选择确定模式的可拓特征(注：这里指蕴涵事物的可拓性的特征)，即要选择确定那些模式与该模式有可拓关系(有相互发散关系，或相关关系，或相互可扩关系性，或相互蕴含关系，或有实部与虚部关系，或有硬部与软部关系，或有显部与潜部关系，或有正部与负部关系)和这些模式的特征。这里特别要注意可拓特征是传统模式识别往往不考虑的特征。正式因为这样，传统模式识别不能识别事物的可拓性(状态)。

4.可拓识别

“可拓模式识别”主要用两类方法进行，即可拓决策论方法(统计方法)和可拓结构(句法)方法。许多具体的可拓模式识别方法都可以归结到这两种方法中来。

可拓决策论模式识别方法称为统计可拓模式识别方法。设U为论域，k是U到实域的一个映射，T为给定的对元素的变换，称

为论域U上关于元素变换的可拓集合，y＝k_p(u)为的关联函数，y′＝k_p(Tu)为

关于变换T的关联函数。

当U是一些N＝d+k维物元(注：其中d维是指d维表性特征，k维是指k维可拓特征)时，k_p是物元关联综合性质p的程度：k_P(u)＞0表示u具有性质p；k_p(u₁)＞k_p(u₂)≥0表示u₁比u₂具有性质的程度更高；k_p(u)＝0表示u是零界物元；它具有性质p，又不具有性质p；k_p(u)＜0表示u不具有性质p；k_p(u)＜0，k_p(Tu)＞0表示u是在变换T下可拓为具有性质p。上述可拓集就称为关于性质约束p的物元可拓集，记为 $\tilde{A}(T,p)=\left\{(u,y,y^{\′})\right|u\∈U,y=k_p\left(u\right)\∈I,y^{\′}=k_p\left(\mathrm{Tu}\right)\∈I\}.$

通常称A＝{u|u∈U，y＝k_p(u)≥0}为正域； $\stackrel{\‾}{A}=\left\{u\right|u\∈U,y=k_p\left(u\right)\≤0\}$ 为负域；J_o＝{u|u∈U，y＝k_p(u)＝0}为零界； ${\stackrel{.}{A}}_{+}=\left\{(u,y,y^{\′})\right|u\∈U,y=k_p\left(u\right)\≤0,y^{\′}=k_p\left(\mathrm{Tu}\right)\≥0\}$ 为

的正可拓域： ${\stackrel{.}{A}}_{-}\left(T\right)=\left\{(u,y,y^{\′})\right|u\∈U,y=k_p\left(u\right)\≥0,y^{\′}=k_p\left(\mathrm{Tu}\right)\≤0\}$ 为

的负可拓域；A₊(T)＝{(u，y，y′)|u∈U，y＝k_p(u)≥0，y′＝k_p(Tu)≥0}为

的正稳定域；A_(T)＝{(u，y，y′)|u∈U，y＝k_p(u)≤0，y′＝k_p(Tu)≤0}为的负稳定域；J₀(T)＝{(u，y，y′)|u∈U，y′＝k_p(Tu)＝0}为

的拓界；而称rA＝{u|u∈U，y＝k_p(u)＞0}为纯正域； $r\stackrel{-}{A}=\left\{u\right|u\&Element;U,y=k_p\left(u\right)<0$ 为纯负域； $r{\stackrel{.}{A}}_{+}\left(T\right)=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,y=k_p\left(u\right)<0,y^{\&prime;}=k_p\left(\mathrm{Tu}\right)\&GreaterEqual;0\}$ 为

的纯正可拓域： $r{\stackrel{.}{A}}_{-}\left(T\right)=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,y=k_p\left(u\right)>0,y^{\&prime;}=k_p\left(\mathrm{Tu}\right)\&le;0\}$ 为的纯负可拓域；rA₊(T)＝{(u，y，y′)|u∈U，y＝k_p(u)＞0，y′＝k_p(Tu)＞0}为的纯正稳定域；rA_(T)＝{(u，y，y′)|u∈U，y＝k_p(u)＜0，y′＝k_p(Tu)＜0}为

的纯负稳定域。

这样在N＝d+k高维物元空间(抽象为R^N)中，纯负可拓域

纯正稳定域rA₊(T)＝纯正域rA；纯正可拓域

纯负稳定域rA_-(T)＝纯负域纯正域rA+纯负域

零界J₀＝论域U；纯负可拓域

纯正稳定域rA₊(T)+零界J₀+纯正可拓域

纯负稳定域rA_-(T)＝论域U，且纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)互不相交。也易见由纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)容易求得其它有关集合。因此可拓决策论模式识别方法的任务可归结为求高维空间纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)的分类器。这种思想方法相当于把可拓模式分类器建立问题转化为多类模式识别分类器建立问题。

本发明给出的神经网络模型(分类器)的拓扑结构如图2所示，它是一个通用前馈网络GFFN(不存在闭合回路)。模型确定步骤为：

设输入样本数量共S个，S＝S_{纯负可拓域}+S_{纯正稳定域}+S_零界+S_{纯正可拓域}+S_{纯负稳定域}，其中S_{纯负可拓域}个样本被指定属“纯负可拓域”类，S_{纯正稳定域}个样本被指定属“纯正稳定域”类，S_零界个样本被指定属“零界”类，S_{纯正可拓域}个样本被指定属“纯正可拓域”类，S_{纯负稳定域}个样本被指定属“纯负稳定可拓域”类。

第1步先将神经元与神经元之间的联接强度全部设为零(无联接)，将神经元输出激励函数设为线性，

第2步用α组数随机权值作为α个未排序神经元的输入权值，将样本按顺序通过输入节点同时送往各未排序神经元进行计算。(α为自定义学习参数)

第3步计算每个未排序神经元关于输入样本结果∑WI，并从大到小排列∑WI。再找出每个神经元可分隔同一类样本个数，把这些样本个数由大到小排列。(其可分隔的定义是分隔两侧不同类样本计算结果的最近距离大于某定值D，所设定D值的大小将影响需用神经元总数和网络泛化能力。)

第4步找出可分隔样本数最多的未排序神经元，记录下其有关权值和分隔处的∑WI值作备用，如果可分隔样本数大于上一次记录情况，则覆盖上一次数据。

第5步从进一步增加可分隔样本数和拉大分隔距离的方向(超平面法方向，为方便可只选N个轴方向)出发，调整一次各未排序神经元权值，再将各神经元重复计算一次。

第6步重复第3至第5步，经过β遍。以所记录分隔最多的神经元作为已排序神经元以外，紧接排序的神经元，(或开始排序的神经元)，并记录该神经元分隔开样本的编号和分隔处的∑WI值。并将此神经元标以所分隔样本的类别(“纯负可拓域”类，“纯正稳定域”类，“零界”类，“纯正可拓域”类或“纯负稳定可拓域”类)。

第7步将该神经元分隔开的样本从原样本集中撤掉，剩下的作为新的样本集。

第8步重复第2至第7步，直至样本集中只剩下一类样本为止。

第9步  以另一神经元，排序为已排序神经元外紧接排序的神经元，(也将是该神经网络排序最大的一个神经元，其排序号就是模式分类器所需神经元的总数)，以所剩下样本计算得的∑WI中最小的值减去D作为该神经元的分隔值，并标以这类样本的类别。

第10步将各排序神经元的激励函数均改为硬限幅台阶函数，并使各神经元的阀值设定为：

W₀＝记下的分隔处∑WI值

第11步  以上述输入节点至神经元间权值绝对值的最大值，乘以输入节点总数N作为W_max，从排序小的神经元输出连接至排序大的神经元分别用权值为±W_max，对两端神经元标志为同一类的情况，其间联结权值用+W_max，对两端神经元标志为非同类情况，其间联结权值用-W_max。此时神经网络的神经元个数、连接权值和域值得到确定。

应用实例：

如，在某车床切削打磨加工工件时，工件合格品的要求是直径为30厘米的圆管，误差不超过ε＝0.1。如下建立可拓模式识别器，可识别出合格品、可返工品、废品。

令：特征＝(截面是否是圆的，直径φ₁是多少，截面内最大圆直径φ₂是多少)；可拓特征＝(截面是否是圆的，直径φ₁是多少，截面内最大圆直径φ₂是多少)；截面是圆的＝1，截面不是圆的＝0。

可拓论域＝{(截面是否是圆的，直径φ₁是多少，截面内最大圆直径φ₂是多少)}

U＝{u＝(c₁，c₂，c₃)}，

其中

纯负可拓域 $r{\stackrel{.}{A}}_{-}\left(T\right)=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,y=k_p\left(u\right)>0,y^{\&prime;}=k_p\left(\mathrm{Tu}\right)\&le;0\}$

$=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,c_1=\mathrm{1,29.9}<\left|c_2\right|30.1,y^{\&prime;}=k_p\left(\mathrm{Tu}\right)\&le;0\};$

纯正可拓域 $r{\stackrel{.}{A}}_{+}\left(T\right)=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,y=k_p\left(u\right)<0,y^{\&prime;}=k_p\left(\mathrm{Tu}\right)\&GreaterEqual;0\}$

$=\left\{(u,y,y^{\&prime;})\right|u\&Element;U,c_1=0,\&ForAll;c_2,29.9<\left|c_3\right|<30.1\mathrm{or}\&ForAll;c_1,c_2,\left|c_3\right|>30.1$

y′＝k_p(Tu)≥0}＝可返工品；

零界J_o＝{u|u∈U，y＝k_p(u)＝0}＝{u|u∈U，c₁＝1，c₂＝29.9 or 30.1}；

纯正稳定域rA₊(T)＝{(u，y，y′)|u∈U，y＝k_p(u)＞0，y′＝k_p(Tu)＞0}

                ＝{(u，y，y′)|u∈U，c₁＝1，29.9＜|c₃|＜30.1}；

纯负稳定域rA_-(T)＝{(u，y，y′)|u∈U，y＝k_p(u)＜0，y′＝k_p(Tu)＜0}

                ＝{(u，y，y′)|u∈U，c₁＝0，|c₃|＜29.9}＝废品；

纯负可拓域

纯正稳定域rA₊(T)＝纯正域rA＝合格品。

取神经网络模型(分类器)(见图2)中N＝3，设输入样本(注：样本均匀采集)数量共S＝1000个，S_{纯负可拓域}＝200，S_{纯正稳定域}＝200，S_零界＝200，S_{纯正可拓域}＝200，S_{纯负稳定域}＝200，其中S_{纯负可拓域}个样本被指定属“纯负可拓域”类，S_{纯正稳定域}个样本被指定属“纯正稳定域”类，S_零界个样本被指定属“零界”类，S_{纯正可拓域}个样本被指定属“纯正可拓域”类，S_{纯负稳定域}个样本被指定属“纯负稳定可拓域”类。最后，按照分类器设计步骤确定分类器。

Claims (6)

1.一种可拓模式识别方法，其包括步骤：

a.可拓模式表示和可拓模式论域确定；

b.预处理；

c.可拓特征和模式基元选择；

d.可拓识别。

2.根据权利要求1所述的可拓模式识别方法，其特征在于：在步骤a中，所述可拓模式表示包含模式的可拓性息。

3.根据权利要求1所述的可拓模式识别方法，其特征在于：在步骤a中，可拓模式论域为可拓模式识别考察论域。

4.根据权利要求1所述的可拓模式识别方法，其特征在于：在步骤c中，所述可拓特征为可拓模式识别考察特征。

5.根据权利要求1所述的可拓模式识别方法，其特征在于：在步骤d中，所述可拓识别归结为高维(N＝d+k维)物元空间中纯负可拓域

纯正稳定域rA₊(T)、零界J₀、纯正可拓域

纯负稳定域rA_-(T)的学习分类问题。

6.根据权利要求1所述的可拓模式识别方法，其特征在于：在步骤c中，还包括建立可拓模式识别模型，该可拓模式识别模型为高维通用神经网络模型。

Images