6 智能系统学报 第11卷 2.4其他仿生模式识别实现方法研究 表2仿生模式识别实现方法研究总结 由仿生模式识别学习过程可知，训练样本的代 Table 2 Research summary on the realization method of BPR 表性是进行有效学习的前提，然而在实际情况中由 内容 主要思想方法 性能及特点 于某些原因，训练样本可能包含有不属于本类的离 设定严格的采集条拓扑结构是已知的或者是 群样本，会对学习结果产生不利影响：此外，由于多 件，按照一定的规律可以估计的，对训练样本 种内外因素的共同影响，采集到的同类样本都会含 或顺序采集训练样采集要求严格，学习效果 有不同程度的噪声成分，噪声过大的离群样本通常 本4品9) 优 会导致学习效果变差；另外，大规模的训练样本通常 样本点分假定样本呈一维流形通常与实际拓扑结构相 会有冗余，冗余样本的存在使学习时间增加而对学 习效果提高不大。丁杰等[2]采用仿射传播聚类 布的拓扑分布4，o 符，算法简单、有效 (affinity propagation,AP)算法对样本进行聚类去除 分析 随着覆盖维数的增加，样 离群样本，获得更优的识别结果。王改良等2利用 本的识别率也逐渐提高， 迭代自组织数据分析方法对训练样本进行动态聚 不限定流形维数[) 但提高幅度逐渐变小。实 类，寻找到同一类的多个小类覆盖区中心，然后用多 验结果表明，覆盖维数在 权值神经元网络覆盖小类，实现该类的整体覆盖。 2维时综合性能最优。 此外，还有一些研究，将仿生模式识别思想与其 依据不同的流形维数构造 他方法相结合，获得更优的算法效果。赵莹等9以 构造神经网 神经网络，网络的复杂度 仿生模式识别的同类样本之间“同源连续性”为基 同类样本络[8，，6n,9 与流形维数、神经元数量 础，推广了传统的最邻近方法。利用样本点分布的 点覆盖方 神经网络层数相关 “先验知识”增加训练样本数量，再通过由多个超球 法 通过对简单几何体合并或 高维空间点分布分析 体的并所形成的几何形体，覆盖可能的样本点。该 相交的方法实现对复杂几 方法不但能够更加准确地识别同类样本，还能对非 方法[3，到 何体的覆盖 本类样本进行拒识，有效地提高了传统最近邻方法 随着训练样本数量增加， 的识别效果。王丹等0]提出了一种多维多分辨仿 在保持较高的稳定性和不 生识别方法，其特点是用多分辨分析方法来获取特 被识别样 相对子空间划分[切 显著增加误识率的前提 征空间的多分辨表示，并将HOG(histogram of orien- 本点的归 下，比BPR的识别率更优 ted gradient)描述符用于多尺度分析，获得鲁棒性 属判别 实现因空间重叠造成拒识 基于类条件后验概率 强、稳定性好的多尺度的特征表示，再通过SOM 的样本的相对划分，获得 (self-organizing map)聚类的方法实现了多尺度的样 的判别[2 更优识别效果 本在特征空间中的覆盖：识别过程给出了一种核函 数的多尺度融合决策的识别方法，判定待识别样本 3 应用研究 是否属于相应的样本空间拓扑覆盖。殷建等3)从 相比仿生模式识别的方法研究，技术应用研究 纯数学角度给出基于矢量量化的仿生模式识别算 更受关注，其研究成果更为丰富，包括目标识别、生 法，并列出了如何进行划分的具体算法和公式。殷 物特征识别、近红外定性分析、信号处理、医学图像 维栋[2]阐述了主方向神经网络及覆盖框架的概念， 识别和基因预测等，涉及计算机视觉、安防、农业、生 通过分析及实验，说明了主方向神经网络的原理，通 物医学、通信以及互联网等领域。仿生模式识别技 过获知训练样本的细节分布，降低了主方向神经网 术的通用性及有效性使其在众多应用中展现出活 络的噪声敏感度，获得了较好的映射逼近性能，从而 力，在众多的研究中，仿生模式识别都获得了比传统 具备一定的鲁棒性。但如何选取可调参数、如何确 模式识别更优的综合性能。与此同时，仿生模式识 定隐层的神经元数目是主方向神经网络需要解决的 别对未训练样本的极低误识率以及低训练样本下高 问题。 识别率的优点更为突出。下面将按照技术分类对这 仿生模式识别方法研究可总结如表2所示。 些技术应用研究进行总结。２．４ 其他仿生模式识别实现方法研究 由仿生模式识别学习过程可知，训练样本的代 表性是进行有效学习的前提，然而在实际情况中由 于某些原因，训练样本可能包含有不属于本类的离 群样本，会对学习结果产生不利影响；此外，由于多 种内外因素的共同影响，采集到的同类样本都会含 有不同程度的噪声成分，噪声过大的离群样本通常 会导致学习效果变差；另外，大规模的训练样本通常 会有冗余，冗余样本的存在使学习时间增加而对学 习效果提高不大。 丁杰等［２８］ 采用仿射传播聚类 （ａｆｆｉｎｉｔｙ ｐｒｏｐａｇａｔｉｏｎ， ＡＰ）算法对样本进行聚类去除 离群样本，获得更优的识别结果。 王改良等［２２］ 利用 迭代自组织数据分析方法对训练样本进行动态聚 类，寻找到同一类的多个小类覆盖区中心，然后用多 权值神经元网络覆盖小类，实现该类的整体覆盖。 此外，还有一些研究，将仿生模式识别思想与其 他方法相结合，获得更优的算法效果。 赵莹等［２９］ 以 仿生模式识别的同类样本之间“同源连续性” 为基 础，推广了传统的最邻近方法。 利用样本点分布的 “先验知识”增加训练样本数量，再通过由多个超球 体的并所形成的几何形体，覆盖可能的样本点。 该 方法不但能够更加准确地识别同类样本，还能对非 本类样本进行拒识，有效地提高了传统最近邻方法 的识别效果。 王丹等［３０］ 提出了一种多维多分辨仿 生识别方法，其特点是用多分辨分析方法来获取特 征空间的多分辨表示，并将 ＨＯＧ（ｈｉｓｔｏｇｒａｍ ｏｆ ｏｒｉｅｎ⁃ ｔｅｄ ｇｒａｄｉｅｎｔ）描述符用于多尺度分析，获得鲁棒性 强、稳定性好的多尺度的特征表示，再通过 ＳＯＭ （ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｍａｐ）聚类的方法实现了多尺度的样 本在特征空间中的覆盖；识别过程给出了一种核函 数的多尺度融合决策的识别方法，判定待识别样本 是否属于相应的样本空间拓扑覆盖。 殷建等［３１］ 从 纯数学角度给出基于矢量量化的仿生模式识别算 法，并列出了如何进行划分的具体算法和公式。 殷 维栋［３２］阐述了主方向神经网络及覆盖框架的概念， 通过分析及实验，说明了主方向神经网络的原理，通 过获知训练样本的细节分布，降低了主方向神经网 络的噪声敏感度，获得了较好的映射逼近性能，从而 具备一定的鲁棒性。 但如何选取可调参数、如何确 定隐层的神经元数目是主方向神经网络需要解决的 问题。 仿生模式识别方法研究可总结如表 ２ 所示。 表 ２ 仿生模式识别实现方法研究总结 Ｔａｂｌｅ ２ Ｒｅｓｅａｒｃｈ ｓｕｍｍａｒｙ ｏｎ ｔｈｅ ｒｅａｌｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ＢＰＲ 内容 主要思想方法 性能及特点 样本点分 布的拓扑 分析 设定 严 格 的 采 集 条 件，按照一定的规律 或顺 序 采 集 训 练 样 本［４，８，９］ 拓扑结构是已知的或者是 可以估计的，对训练样本 采集要求严格，学习效果 优 假定样本呈一维流形 分布［４，１０⁃１２］ 通常与实际拓扑结构相 符，算法简单、有效 不限定流形维数［１３］ 随着覆盖维数的增加，样 本的识别率也逐渐提高， 但提高幅度逐渐变小。 实 验结果表明，覆盖维数在 ２ 维时综合性能最优。 同类样本 点覆盖方 法 构造神经网 络［８，１１，１６⁃１７，１９］ 依据不同的流形维数构造 神经网络，网络的复杂度 与流形维数、神经元数量、 神经网络层数相关 高维空间点分布分析 方法［１３，２３］ 通过对简单几何体合并或 相交的方法实现对复杂几 何体的覆盖 被识别样 本点的归 属判别 相对子空间划分［２７］ 随着训练样本数量增加， 在保持较高的稳定性和不 显著增加误识率的前提 下， 比 ＢＰＲ 的识别率更优 基于类条件后验概率 的判别［２８］ 实现因空间重叠造成拒识 的样本的相对划分，获得 更优识别效果 ３ 应用研究 相比仿生模式识别的方法研究，技术应用研究 更受关注，其研究成果更为丰富，包括目标识别、生 物特征识别、近红外定性分析、信号处理、医学图像 识别和基因预测等，涉及计算机视觉、安防、农业、生 物医学、通信以及互联网等领域。 仿生模式识别技 术的通用性及有效性使其在众多应用中展现出活 力，在众多的研究中，仿生模式识别都获得了比传统 模式识别更优的综合性能。 与此同时，仿生模式识 别对未训练样本的极低误识率以及低训练样本下高 识别率的优点更为突出。 下面将按照技术分类对这 些技术应用研究进行总结。 ·６· 智 能 系 统 学 报 第 １１ 卷