（中國(guó)地質(zhì)大學(xué)（北京）信息工程學(xué)院，北京 100083）  嚴(yán)紅平
（中國(guó)科學(xué)院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100080）  潘春洪

嚴(yán)紅平

    女，博士后，中國(guó)地質(zhì)大學(xué)（北京）信息工程學(xué)院副教授，主要研究方向?yàn)槟Ｊ阶R(shí)別、計(jì)算機(jī)圖形學(xué)、圖像處理。

1  序言

    人們?cè)谟^察事物或現(xiàn)象的時(shí)候，常常要根據(jù)一定需求尋找觀察目標(biāo)與其他事物或現(xiàn)象的相同或不同之處，并在此特定需求下將具有相同或相似之處的事物或現(xiàn)象組成一類。例如字母“A”、“B”、“a”、“b”，如果從大小寫上來(lái)分，會(huì)將“A”、“B”劃分為一類，“a”、“b”劃分為另一類；但是如果從英文字母發(fā)音上來(lái)分，則又將“A”、“a”劃分為一類，而 “B”、“b”則為另一類。另外，不同人寫的“A”、“B”、“a”、“b”都不同，但即使人們從未見過(guò)某個(gè)人寫的“A”、“B”、“a”、“b”，或者這些字符出現(xiàn)在混亂的背景里，或部分被遮蓋，人們也可以正確地區(qū)分出它們，并根據(jù)需要將它們進(jìn)行準(zhǔn)確歸類，當(dāng)然，前提條件是人們需要對(duì)“A”、“B”、“a”、“b”一般的書寫格式、發(fā)音方式等有所了解。人腦的這種思維能力就構(gòu)成了“模式識(shí)別”的概念。那么，什么是模式？什么是模式識(shí)別呢？

2  模式和模式識(shí)別

    從以上的例子可以看出，對(duì)字符的準(zhǔn)確識(shí)別首先需要在頭腦中對(duì)相應(yīng)字符有個(gè)準(zhǔn)確的認(rèn)識(shí)。當(dāng)人們看到某物或現(xiàn)象時(shí)，人們首先會(huì)收集該物體或現(xiàn)象的所有信息，然后將其行為特征與頭腦中已有的相關(guān)信息相比較，如果找到一個(gè)相同或相似的匹配，人們就可以將該物體或現(xiàn)象識(shí)別出來(lái)。因此，某物體或現(xiàn)象的相關(guān)信息，如空間信息、時(shí)間信息等，就構(gòu)成了該物體或現(xiàn)象的模式。Watanabe[16]定義模式“與混沌相對(duì)立，是一個(gè)可以命名的模糊定義的實(shí)體”。比如，一個(gè)模式可以是指紋圖像、手寫草字、人臉、或語(yǔ)言符號(hào)等。“廣義的說(shuō)，存在于時(shí)間和空間中可觀察的事物，如果我們可以區(qū)別他們是否相同或相似，都可以稱之為模式”[6]。而將觀察目標(biāo)與已有模式相比較、配準(zhǔn)，判斷其類屬的過(guò)程就是模式識(shí)別。模式以及模式識(shí)別是和類別（集合）的概念分不開的，只要認(rèn)識(shí)某類事物或現(xiàn)象中的幾個(gè)，人們就可以識(shí)別該類中的許多事物或現(xiàn)象。為了強(qiáng)調(diào)能從具體的事物或現(xiàn)象中推斷出總體，“我們把通過(guò)對(duì)具體的個(gè)別事物進(jìn)行觀測(cè)所得到的具有時(shí)間和空間分布的信息稱為模式，而把模式所屬的類別或同一類模式的總體稱為模式類（我們下面進(jìn)行的模式識(shí)別的討論都是基于該定義的）。也有人習(xí)慣上把模式類稱為模式，把個(gè)別具體的模式稱為樣本”[6]。如“字符”、“植物”、“動(dòng)物”等等都是模式，而“A”、“松樹”、“狗”則是相應(yīng)模式中的一個(gè)樣本。在此意義上，人們可以認(rèn)為把具體的樣本歸類到某一個(gè)模式，就叫做模式識(shí)別，或模式分類。

    人類具有很強(qiáng)的模式識(shí)別能力。通過(guò)視覺(jué)信息識(shí)別文字、圖片和周圍的環(huán)境，通過(guò)聽覺(jué)信息識(shí)別與理解語(yǔ)言等。模式識(shí)別是人類的一種基本認(rèn)知能力或智能，是人類智能的重要組成部分，在各種人類活動(dòng)中都有著重要作用。在現(xiàn)實(shí)生活中，幾乎每個(gè)人都會(huì)在不經(jīng)意間輕而易舉地完成模式識(shí)別的過(guò)程。但是，如果要讓機(jī)器做同樣的事情，恐怕決非這么輕松。文中，筆者將從人工智能的角度，更深層次地分析什么是模式識(shí)別，以及如何用機(jī)器進(jìn)行模式識(shí)別。

    要讓機(jī)器具有人的模式識(shí)別能力，人們首先需要研究人類的識(shí)別能力，因此模式識(shí)別是研究人類識(shí)別能力的數(shù)學(xué)模型，并借助于計(jì)算機(jī)技術(shù)讓計(jì)算機(jī)模擬人類識(shí)別行為的科學(xué)。換言之，模式識(shí)別是研究如何讓機(jī)器觀察周圍環(huán)境，學(xué)會(huì)從背景中識(shí)別感興趣的模式，并對(duì)該模式的類屬作出準(zhǔn)確合理的判斷。模式識(shí)別研究主要集中在兩方面，即研究生物體（包括人）如何感知對(duì)象，以及研究在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。前者屬于認(rèn)知科學(xué)的范疇，是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究?jī)?nèi)容，后者屬于信息科學(xué)的范疇，是數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者的研究?jī)?nèi)容。識(shí)別行為可以分為兩大類：識(shí)別具體事物和識(shí)別抽象事物。具體事物的識(shí)別涉及到時(shí)空信息的識(shí)別。空間信息的例子，如指紋、氣象圖和照片等；時(shí)間信息的例子，如波形、信號(hào)等。抽象事物的識(shí)別涉及到某一問(wèn)題解決辦法的識(shí)別、一個(gè)古老的話題或論點(diǎn)等。換言之，抽象事物的識(shí)別是識(shí)別那些不以物質(zhì)形式存在的現(xiàn)象，屬于概念識(shí)別研究的范疇。筆者所指的模式識(shí)別主要是對(duì)具體事物的識(shí)別，如語(yǔ)音波形、地震波、心電圖、腦電圖、圖片、文字、符號(hào)、三位物體和景物以及各種可以用物理的、化學(xué)的、生物的傳感器進(jìn)行測(cè)量的具體模式等。要識(shí)別的數(shù)據(jù)有：一維數(shù)據(jù)，如語(yǔ)音、心電圖、地震數(shù)據(jù)等；二維數(shù)據(jù)，如文字圖片、醫(yī)學(xué)圖像、衛(wèi)星圖像等；三維數(shù)據(jù)，如圖像序列、結(jié)晶學(xué)或X像斷層攝影術(shù)等。

3  模式識(shí)別系統(tǒng)

    一個(gè)完整的模式識(shí)別系統(tǒng)基本上由三大部分組成，即數(shù)據(jù)采集、數(shù)據(jù)處理和分類決策或模型匹配，如圖1所示。在設(shè)計(jì)模式識(shí)別系統(tǒng)時(shí)，需要注意模式類的定義、應(yīng)用場(chǎng)合、模式表示、特征提取和選擇、聚類分析、分類器的設(shè)計(jì)和學(xué)習(xí)、訓(xùn)練和測(cè)試樣本的選取、性能評(píng)價(jià)等。針對(duì)不同的應(yīng)用目的，模式識(shí)別系統(tǒng)三部分的內(nèi)容可以有很大的差異，特別是在數(shù)據(jù)處理和模式分類這兩部分，為了提高識(shí)別結(jié)果的可靠性往往需要加入知識(shí)庫(kù)（規(guī)則）以對(duì)可能產(chǎn)生的錯(cuò)誤進(jìn)行修正，或通過(guò)引入限制條件大大縮小待識(shí)別模式在模型庫(kù)中的搜索空間，以減少匹配計(jì)算量。在某些具體應(yīng)用中，如機(jī)器視覺(jué)，除了要給出被識(shí)別對(duì)象是什么物體外，還要求出該物體所處的位置和姿態(tài)以引導(dǎo)機(jī)器人的工作。下面筆者分別簡(jiǎn)單介紹模式識(shí)別系統(tǒng)這三部分的工作原理。

圖1  模式識(shí)別系統(tǒng)框架圖

    (1)  數(shù)據(jù)采集

    數(shù)據(jù)采集是指利用各種傳感器把被研究對(duì)象的各種信息轉(zhuǎn)換為計(jì)算機(jī)可以接受的數(shù)值或符號(hào)（串）集合。習(xí)慣上，稱這種數(shù)值或符號(hào)（串）所組成的空間為模式空間。這一步的關(guān)鍵是傳感器的選取。為了從這些數(shù)字或符號(hào)（串）中抽取出對(duì)識(shí)別有效的信息，必須進(jìn)行數(shù)據(jù)處理，包括數(shù)字濾波和特征提取。

    (2)  數(shù)據(jù)處理

    數(shù)字濾波是為了消除輸入數(shù)據(jù)或信息中的噪聲，排除不相干的信號(hào)，只留下與被研究對(duì)象的性質(zhì)和采用的識(shí)別方法密切相關(guān)的特征（如表征物體的形狀、周長(zhǎng)、面積等等）。舉例來(lái)說(shuō)，在進(jìn)行指紋識(shí)別時(shí)，指紋掃描設(shè)備每次輸出的指紋圖像會(huì)隨著圖像的對(duì)比度、亮度或背景等的不同而不同，有時(shí)可能還會(huì)產(chǎn)生變形，而人們感興趣的僅僅是圖像中的指紋線、指紋分叉點(diǎn)、端點(diǎn)等，而不需要指紋的其它部分或背景。因此，需要采用合適的濾波算法，如基于塊方圖的方向?yàn)V波、二值濾波等，過(guò)濾掉指紋圖像中這些不必要的部分。

    特征提取是指從濾波數(shù)據(jù)中衍生出有用的信息，從許多特征中尋找出最有效的特征，以降低后續(xù)處理過(guò)程的難度。比如，圖像識(shí)別時(shí)，提取的特征有灰度變化、紋理、形狀等。我們對(duì)濾波后的這些特征進(jìn)行必要的計(jì)算（比如進(jìn)行快速傅里葉變換以得到信號(hào)功率譜）后，通過(guò)特征選擇和提取或基元選擇形成模式的特征空間。那么，如何判別什么特征是最有效的呢？人類很容易獲取的特征，對(duì)于機(jī)器來(lái)說(shuō)就很難獲取了，這就是模式識(shí)別中的特征選擇與提取的問(wèn)題。特征選擇和提取是模式識(shí)別的一個(gè)關(guān)鍵問(wèn)題。一般情況下，候選特征種類越多，得到的結(jié)果應(yīng)該越好。但是，由此可能會(huì)引發(fā)維數(shù)災(zāi)害，即特征維數(shù)過(guò)高，計(jì)算機(jī)難以求解。因此，數(shù)據(jù)處理階段的關(guān)鍵是濾波算法和特征提取方法的選取。不同的應(yīng)用場(chǎng)合，采用的濾波算法和特征提取方法以及提取出來(lái)的特征也會(huì)不同。

    (3)  分類決策或模型匹配

    基于數(shù)據(jù)處理生成的模式特征空間，人們就可以進(jìn)行模式識(shí)別的最后一部分：模式分類或模型匹配。該階段最后輸出的可能是對(duì)象所屬的類型，也可能是模型數(shù)據(jù)庫(kù)中與對(duì)象最相似的模式編號(hào)。模式分類或描述通常是基于已經(jīng)得到分類或描述的模式集合而進(jìn)行的。人們稱這個(gè)模式集合為訓(xùn)練集，由此產(chǎn)生的學(xué)習(xí)策略稱為監(jiān)督學(xué)習(xí)。學(xué)習(xí)也可以是非監(jiān)督性學(xué)習(xí)，在此意義下產(chǎn)生的系統(tǒng)不需要提供模式類的先驗(yàn)知識(shí)，而是基于模式的統(tǒng)計(jì)規(guī)律或模式的相似性學(xué)習(xí)判斷模式的類別。模式分類或模式匹配的方法有很多，主要是基于以下思想設(shè)計(jì)的：

    成員表：即模板匹配。基于該思想，分類系統(tǒng)中會(huì)預(yù)先存儲(chǔ)屬于同一模式類的模式集，然后將輸入的未知模式與系統(tǒng)中已有的模式相比較，具有相同或相似匹配的模式類即為該未知模式的所屬類型。

    一般特征：這里模式的一般特征被存儲(chǔ)在一個(gè)分類系統(tǒng)中，當(dāng)有一個(gè)未知模式進(jìn)入該系統(tǒng)時(shí)，系統(tǒng)會(huì)將其一般特征與系統(tǒng)中現(xiàn)有類的一般特征相比較，并將其歸入到與其有相似特征的類中。

    聚類：文中筆者用實(shí)數(shù)向量來(lái)表示目標(biāo)類的模式，這樣，利用其聚類特性，可以輕易地將未知模式進(jìn)行分類。如果目標(biāo)向量在幾何位置上相距很遠(yuǎn)，就容易確定未知模式的類別。但是如果目標(biāo)向量相距較近，或甚至有重疊，人們就需要采用比較復(fù)雜的算法來(lái)確定未知模式的類別。最小距離分類法就是一個(gè)基于聚類概念的簡(jiǎn)單算法。該算法通過(guò)計(jì)算未知模式與希望的已知模式集之間的距離，來(lái)決定哪一個(gè)已知模式與該未知模式最近，并最終將該未知模式歸入到與其相距最短的已知模式類中。該算法對(duì)于目標(biāo)向量在幾何位置上相距很遠(yuǎn)的模式分類很有效。 

    神經(jīng)元：上面的模式分類思想都是基于機(jī)器的直接計(jì)算，而直接計(jì)算則是基于數(shù)學(xué)相關(guān)的技術(shù)。仿生學(xué)是指將生物學(xué)知識(shí)應(yīng)用到電子機(jī)器中。神經(jīng)系統(tǒng)方法就是將生物知識(shí)應(yīng)用于機(jī)器中來(lái)進(jìn)行模式識(shí)別，從而引進(jìn)了人工神經(jīng)元網(wǎng)絡(luò)。
一個(gè)神經(jīng)元網(wǎng)絡(luò)是一個(gè)信息處理系統(tǒng)，由大量簡(jiǎn)單的數(shù)據(jù)處理單元組成，這些單元互相連接，協(xié)同工作，從而實(shí)現(xiàn)大規(guī)模并行分布處理。神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)和功能是模仿了生物的腦部和神經(jīng)系統(tǒng)的功能而設(shè)計(jì)的。神經(jīng)元網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)、自組織和容錯(cuò)力等優(yōu)點(diǎn)。由于神經(jīng)元網(wǎng)絡(luò)的這些突出特點(diǎn)，人們可以應(yīng)用神經(jīng)元網(wǎng)絡(luò)進(jìn)行模式識(shí)別。一些最好的神經(jīng)元網(wǎng)絡(luò)模型是后向傳播網(wǎng)絡(luò)、高階網(wǎng)絡(luò)、時(shí)延和周期性網(wǎng)絡(luò)。

    通常，人們利用前向傳播網(wǎng)絡(luò)進(jìn)行模式識(shí)別。前向傳播也就是沒(méi)有回到輸入端的反饋信息。與人類從錯(cuò)誤中得到教訓(xùn)相似，神經(jīng)元網(wǎng)絡(luò)也能通過(guò)向輸入端反饋信息，從其錯(cuò)誤中得到教訓(xùn)。通過(guò)反饋可以重建輸入模式，避免產(chǎn)生錯(cuò)誤，從而提高神經(jīng)元網(wǎng)絡(luò)的性能。當(dāng)然，構(gòu)造這樣的神經(jīng)元網(wǎng)非常復(fù)雜。這類神經(jīng)元網(wǎng)絡(luò)要用到后向傳播算法（BP）。后向傳播算法的主要問(wèn)題之一是局部極小問(wèn)題。另外，神經(jīng)元網(wǎng)絡(luò)在學(xué)習(xí)速度、結(jié)構(gòu)選擇、特征表示、模塊性、縮放性等方面也都存在一些問(wèn)題。雖然神經(jīng)元網(wǎng)絡(luò)存在這樣那樣的問(wèn)題和困難，但是其發(fā)展?jié)摿€是巨大的。

    基于上面的思想，形成了幾種常見的模式識(shí)別方法：模板匹配、統(tǒng)計(jì)（決策論）模式識(shí)別、句法（或結(jié)構(gòu)）模式識(shí)別、模糊模式識(shí)別和神經(jīng)元網(wǎng)絡(luò)模式識(shí)別。

4  模式識(shí)別方法

    (1)  模板匹配

    模板匹配是最早出現(xiàn)，也是最簡(jiǎn)單的模式識(shí)別方法之一。匹配是模式識(shí)別的一種分類操作，主要是判斷同一類的兩個(gè)實(shí)體（如點(diǎn)、曲線、形狀等）之間的相似性。要進(jìn)行模板匹配，首先需要存儲(chǔ)一些已知模板，然后考慮所有可能的變化，將待識(shí)別模板與已知模板相比較，從而得出二者之間的相似性度量。已知模板一般是通過(guò)訓(xùn)練得到的。模板匹配方法在字符識(shí)別、人臉識(shí)別等領(lǐng)域有廣泛的應(yīng)用，但是該方法計(jì)算量非常大，而且該方法的識(shí)別率嚴(yán)重依賴于已知模板。如果已知模板產(chǎn)生變形，會(huì)導(dǎo)致錯(cuò)誤的識(shí)別，由此產(chǎn)生了可變形模板匹配方法。

    (2)  統(tǒng)計(jì)模式識(shí)別

    自上世紀(jì)60年代用統(tǒng)計(jì)決策理論求解模式識(shí)別問(wèn)題以來(lái)，統(tǒng)計(jì)模式識(shí)別方法得到了迅速的發(fā)展，70年代前后出版了一系列反映統(tǒng)計(jì)模式識(shí)別理論和方法的專著[7][9][10][12][20]。到目前為止，統(tǒng)計(jì)模式識(shí)別的理論體系已經(jīng)相當(dāng)完善。統(tǒng)計(jì)模式識(shí)別，又稱決策理論識(shí)別方法，該方法根據(jù)模式的統(tǒng)計(jì)特征，用一個(gè)n維特征空間（特征集）來(lái)描述每個(gè)模式，然后基于概率論、數(shù)理統(tǒng)計(jì)以及矩陣?yán)碚摵拖蛄看鷶?shù)的知識(shí)，利用合適的判別函數(shù)（每個(gè)模式類的特征值分布函數(shù)），將這個(gè)n維特征空間劃分為m個(gè)區(qū)域，即類別。特征值分布函數(shù)可以通過(guò)指定或?qū)W習(xí)得到。比如，字符識(shí)別器確定一個(gè)模式的類別為“a”到“z”26類中的一個(gè)。同樣地，在進(jìn)行簽名的有效性驗(yàn)證時(shí)，人們將某一簽名確定為“真實(shí)”或“偽造”。統(tǒng)計(jì)模式識(shí)別技術(shù)對(duì)于解決分類問(wèn)題非常有用。在統(tǒng)計(jì)模式識(shí)別中，貝葉斯決策規(guī)則[2]從理論上解決了最優(yōu)分類器的設(shè)計(jì)問(wèn)題，但其實(shí)施卻必須首先解決更困難的概率密度估計(jì)問(wèn)題。

    (3)  句法（結(jié)構(gòu)）模式識(shí)別

    1962年，R.Narasimahan提出了一種基于基元關(guān)系的句法模式識(shí)別方法，傅京孫在這個(gè)領(lǐng)域進(jìn)行了卓有成效的工作，形成了句法模式識(shí)別的系統(tǒng)理論。句法（結(jié)構(gòu)）模式識(shí)別主要是基于特征的結(jié)構(gòu)相關(guān)性進(jìn)行內(nèi)部模式結(jié)構(gòu)的描述。比如，圖像分析常常涉及到圖像的描述而不僅僅是分類。一個(gè)描述包括圖像基元的信息以及這些信息之間的關(guān)系。句法模式識(shí)別（結(jié)構(gòu)模式識(shí)別的一種）利用句法、句法分析和自動(dòng)推理機(jī)理論來(lái)描述和分析一個(gè)模式的結(jié)構(gòu)，是相對(duì)較成熟的模式識(shí)別方法。一維字符串的語(yǔ)法分析可以在許多方面進(jìn)行拓寬，從而應(yīng)用于二維和三維模式的識(shí)別。錯(cuò)誤信息和不確定信息的句法處理是目前的研究熱點(diǎn)。統(tǒng)計(jì)模式識(shí)別和句法模式識(shí)別是模式識(shí)別領(lǐng)域的兩大主流研究方向。

    (4)  模糊模式識(shí)別

    1965年L.A.Zadeh的《模糊集合論》（《Fuzzy Sets》）宣告了模糊數(shù)學(xué)的誕生，從那以來(lái)，有關(guān)模糊信息處理的理論和應(yīng)用取得了重大進(jìn)展，并由此產(chǎn)生了模糊模式識(shí)別方法。模糊模式識(shí)別是基于模糊數(shù)學(xué)的模式識(shí)別方法。現(xiàn)實(shí)世界中存在許多界限不分明、難以精確描述的事物或現(xiàn)象，而模糊數(shù)學(xué)則可以用數(shù)學(xué)的方法研究和處理這類具有“模糊性”的事物或現(xiàn)象。模糊數(shù)學(xué)的出現(xiàn)使得人們可以模擬人類神經(jīng)系統(tǒng)的活動(dòng)，描述模式屬于某類的程度，因此，模糊數(shù)學(xué)在模式識(shí)別中得到了很好的應(yīng)用。模糊聚類分析是非監(jiān)督模式識(shí)別的重要分支。1994年，Randas利用模糊聚類從原始數(shù)據(jù)中直接提取特征，并對(duì)提取出來(lái)的特征進(jìn)行優(yōu)選和降維操作，以免造成維數(shù)災(zāi)害。馬少平在漢字的方向像素特征進(jìn)行了模糊化描述，是特征變化比較平滑，提高了漢字特征描述的準(zhǔn)確度。在模糊模式識(shí)別中，隸屬函數(shù)的選取是關(guān)鍵。

    (5)  人工神經(jīng)元網(wǎng)絡(luò)模式識(shí)別

    上世紀(jì)50年代末，F(xiàn).Rosenblatt[16]提出了一種簡(jiǎn)化的模擬人腦進(jìn)行識(shí)別的數(shù)學(xué)模型―感知機(jī)，初步實(shí)現(xiàn)了通過(guò)給定類別的各個(gè)樣本對(duì)識(shí)別系統(tǒng)進(jìn)行訓(xùn)練，使系統(tǒng)在學(xué)習(xí)完畢后具有對(duì)其他未知類別的模式進(jìn)行正確分類的能力。80年代，J.Hopfield深刻揭示出人工神經(jīng)元網(wǎng)絡(luò)所具有的聯(lián)想存儲(chǔ)和計(jì)算能力，為模式識(shí)別技術(shù)提出了一種新的途徑，短短幾年在很多方面就取得了顯著成果，從而形成了人工神經(jīng)元網(wǎng)絡(luò)模式識(shí)別方法。神經(jīng)元模式識(shí)別利用神經(jīng)元網(wǎng)絡(luò)中出現(xiàn)的神經(jīng)計(jì)算模式進(jìn)行。大部分神經(jīng)元網(wǎng)絡(luò)都有某種訓(xùn)練規(guī)則，如基于現(xiàn)有模式調(diào)節(jié)連接權(quán)重。換句話說(shuō)，神經(jīng)元網(wǎng)絡(luò)直接對(duì)例子進(jìn)行學(xué)習(xí)，得出其結(jié)構(gòu)特征進(jìn)行推廣，就像孩子從狗的例子中認(rèn)識(shí)狗一樣。

    人工神經(jīng)元網(wǎng)絡(luò)可以超越傳統(tǒng)基于計(jì)算機(jī)的模式識(shí)別系統(tǒng)的能力。人們可以利用計(jì)算機(jī)或神經(jīng)元網(wǎng)絡(luò)進(jìn)行模式識(shí)別。計(jì)算機(jī)利用傳統(tǒng)的數(shù)學(xué)算法來(lái)檢測(cè)給定的模式是否跟現(xiàn)有模式相匹配。這是一個(gè)簡(jiǎn)單易懂的方法。但是，該方法只能進(jìn)行是或非的判斷，且不允許模式有噪聲。 另一方面，神經(jīng)元網(wǎng)絡(luò)允許模式可以有噪聲，而且如果訓(xùn)練得當(dāng)，神經(jīng)元網(wǎng)絡(luò)會(huì)對(duì)未知模式的類別做出正確的響應(yīng)。雖然神經(jīng)元網(wǎng)絡(luò)不能創(chuàng)造奇跡，但是如果采用合適的結(jié)構(gòu)，對(duì)好的數(shù)據(jù)進(jìn)行正確的訓(xùn)練，不僅在模式識(shí)別領(lǐng)域，而且在其他科學(xué)或商業(yè)應(yīng)用中，神經(jīng)元網(wǎng)絡(luò)都可以給出令人驚異的結(jié)果。比如，BP神經(jīng)網(wǎng)絡(luò)直接從觀測(cè)數(shù)據(jù)（訓(xùn)練樣本）學(xué)習(xí)，非常簡(jiǎn)便有效，因而獲得了廣泛應(yīng)用，但它是一種啟發(fā)式技術(shù)，缺乏指定工程實(shí)踐的堅(jiān)實(shí)理論基礎(chǔ)。

    模糊模式識(shí)別和神經(jīng)元網(wǎng)絡(luò)模式識(shí)別是新近發(fā)展起來(lái)的模式識(shí)別方法，是信息科學(xué)和人工智能的重要組成部分。在過(guò)去的幾十年里，人們對(duì)模糊數(shù)學(xué)、人工智能 和基于規(guī)則的專家系統(tǒng)的興趣高漲。在這些研究領(lǐng)域里，模式識(shí)別起著重要作用。

    實(shí)際上，現(xiàn)在的專家系統(tǒng)和模式分析之間存在著許多交叉。而模式識(shí)別的核心，包括“學(xué)習(xí)技術(shù)”和“推理”在人工智能中也起著非常重要作用。模式識(shí)別中的視覺(jué)理解、情景分析、圖像理解對(duì)于機(jī)器人視覺(jué)也是絕對(duì)必要的。另一方面，人工智能中的方法，如知識(shí)表示、語(yǔ)義網(wǎng)絡(luò)和啟發(fā)式搜索算法，也能被用在許多模式識(shí)別問(wèn)題中來(lái)改善模式描述和匹配，從而產(chǎn)生“聰明的”模式識(shí)別。此外，像語(yǔ)音或圖像這樣的感覺(jué)數(shù)據(jù)總被認(rèn)為是人工智能領(lǐng)域的重要分支，同時(shí)它們也是模式識(shí)別的研究熱點(diǎn)。

    表1對(duì)上面介紹的這幾種模式識(shí)別方法進(jìn)行了簡(jiǎn)單的歸納總結(jié)。實(shí)際上，上述模式識(shí)別方法并非完全獨(dú)立、互不相干的，這些方法互相滲透、互相補(bǔ)充。在許多新興的應(yīng)用領(lǐng)域，沒(méi)有唯一最優(yōu)的方法，必須同時(shí)使用幾種不同的模式識(shí)別方法。人們已經(jīng)嘗試設(shè)計(jì)融合了許多識(shí)別方法的模式識(shí)別系統(tǒng)。

5  結(jié)語(yǔ)

    隨著計(jì)算機(jī)軟硬件技術(shù)的快速發(fā)展，模式識(shí)別得到越來(lái)越多的關(guān)注，模式識(shí)別技術(shù)也越來(lái)越完善，并在越來(lái)越多的領(lǐng)域得到了成功應(yīng)用，如數(shù)據(jù)挖掘、文獻(xiàn)分類、財(cái)政預(yù)測(cè)、多媒體數(shù)據(jù)庫(kù)的組織和檢索、生物（比如根據(jù)人的物理特征，如人臉、指紋等識(shí)別人）、醫(yī)學(xué)（醫(yī)學(xué)圖像分析）、地質(zhì)、能源、氣象（天氣預(yù)報(bào)）、化工、冶金、航空（衛(wèi)星航空?qǐng)D片解釋）、工業(yè)產(chǎn)品檢測(cè)等領(lǐng)域。近年來(lái)發(fā)展最快的模式識(shí)別領(lǐng)域應(yīng)屬于計(jì)算機(jī)視覺(jué)與聽覺(jué)領(lǐng)域，如手寫文字識(shí)別，生物特征識(shí)別（包括：指紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別、掌紋識(shí)別、人臉識(shí)別、手掌靜脈分布識(shí)別等），印刷品版面分析識(shí)別，互聯(lián)網(wǎng)有害信息檢測(cè)，語(yǔ)音識(shí)別（語(yǔ)音輸入系統(tǒng)，語(yǔ)音應(yīng)答系統(tǒng)）等。Picard[13]提出了模式識(shí)別的又一應(yīng)用―情感計(jì)算，使得計(jì)算機(jī)可以像人類一樣識(shí)別和表達(dá)感情、對(duì)人類的情感做出睿智的響應(yīng)，并可以利用情感機(jī)制進(jìn)行決策。美國(guó)微軟公司主席比爾?蓋茨認(rèn)為人類計(jì)算的未來(lái)就是要讓計(jì)算機(jī)會(huì)看、會(huì)聽、會(huì)說(shuō)、會(huì)思考；美國(guó)總統(tǒng)信息技術(shù)顧問(wèn)委員會(huì)PITAC(President