時(shí)間：2023-05-30 09:58:49
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇模式識別，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
英文名稱：Pattem Recognition and Aitificial Intelligence
主管單位：中國科學(xué)技術(shù)協(xié)會(huì)
主辦單位：中國自動(dòng)化學(xué)會(huì);國家智能計(jì)算機(jī)研究開發(fā)中心;中國科學(xué)院合肥智能機(jī)械研究所
出版周期：雙月刊
出版地址：安徽省合肥市
語
種：中文
開
本：16開
國際刊號：1003-6059
國內(nèi)刊號：34-1089/TP
郵發(fā)代號：26-69
發(fā)行范圍：國內(nèi)外統(tǒng)一發(fā)行
創(chuàng)刊時(shí)間：1989
期刊收錄：
CBST 科學(xué)技術(shù)文獻(xiàn)速報(bào)(日)(2009)
EI 工程索引(美)(2009)
中國科學(xué)引文數(shù)據(jù)庫(CSCD―2008)
核心期刊：
期刊榮譽(yù)：
聯(lián)系方式
摘 要 該文在人工免疫系統(tǒng)和克隆選擇原理的基礎(chǔ)上，給出了clonalg算法，并對該算法的實(shí)現(xiàn)原理、參數(shù)選擇等進(jìn)行了詳細(xì)研究；給出了利用該算法進(jìn)行數(shù)字識別的實(shí)例。 關(guān)鍵詞 克隆選擇；人工免疫系統(tǒng)；數(shù)字識別 1 引言 生物免疫系統(tǒng)是一個(gè)高度進(jìn)化的生物系統(tǒng)，它旨在區(qū)分外部有害抗原和自身組織，從而清除抗原并保持有機(jī)體的穩(wěn)定。從計(jì)算的角度來看，生物免疫系統(tǒng)是一個(gè)高度并行、分布、自適應(yīng)和自組織的系統(tǒng)，具有很強(qiáng)的學(xué)習(xí)、識別、記憶和特征提取的能力。人們希望從生物免疫系統(tǒng)的運(yùn)行機(jī)制中獲取靈感，開發(fā)出面向應(yīng)用的免疫系統(tǒng)模型——人工免疫系統(tǒng)(artificial immune system， ais)，用于解決實(shí)際問題。目前，ais已發(fā)展成為計(jì)算智能研究的一個(gè)嶄新的分支。其應(yīng)用領(lǐng)域逐漸擴(kuò)展到了信息安全、模式識別、智能優(yōu)化、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自動(dòng)控制、故障診斷等諸多領(lǐng)域，顯示出ais強(qiáng)大的信息處理和問題求解能力以及廣闊的研究前景。 克隆選擇是一種常用的ais算法。本文主要探討該算法在數(shù)字識別中的應(yīng)用。 克隆選擇原理最先由jerne提出，后由burnet給予完整闡述。其大致內(nèi)容為：當(dāng)淋巴細(xì)胞實(shí)現(xiàn)對抗原的識別(即抗體和抗原的親和度超過一定閥值)后，b細(xì)胞被激活并增殖復(fù)制產(chǎn)生b細(xì)胞克隆，隨后克隆細(xì)胞經(jīng)歷變異過程，產(chǎn)生對抗原具有特異性的抗體。克隆選擇理論描述了獲得性免疫的基本特性，并且聲明只有成功識別抗原的免疫細(xì)胞才得以增殖。經(jīng)歷變異后的免疫細(xì)胞分化為效應(yīng)細(xì)胞(抗體)和記憶細(xì)胞兩種。 克隆選擇的主要特征是免疫細(xì)胞在抗原刺激下產(chǎn)生克隆增殖，隨后通過遺傳變異分化為多樣性效應(yīng)細(xì)胞(抗體細(xì)胞)和記憶細(xì)胞。克隆選擇對應(yīng)著一個(gè)親合度成熟(affinity maturation)的過程，即對抗原親合度較低的個(gè)體在克隆選擇機(jī)制的作用下，經(jīng)歷增殖復(fù)制和變異操作后，其親合度逐步提高而“成熟”的過程。因此親合度成熟本質(zhì)上是一個(gè)達(dá)爾文式的選擇和變異的過程，克隆選擇原理是通過采用交叉、變異等遺傳算子和相應(yīng)的群體控制機(jī)制實(shí)現(xiàn)的。 根據(jù)克隆選擇原理，decastro提出了克隆選擇算法(clonalg算法)模型，并在模式識別、組合優(yōu)化和多峰值函數(shù)優(yōu)化中得到了驗(yàn)證。其算法的核心在于增殖復(fù)制算子和變異算子，前者與個(gè)體親合度成正比，保證群體親合度逐步增大，后者與個(gè)體的親合度成反比例關(guān)系，保留最佳個(gè)體并改進(jìn)較差個(gè)體。 2 clonalg算法 clonalg算法是根據(jù)克隆選擇原理設(shè)計(jì)的免疫算法。解決問題時(shí)，一般把問題定義為抗原，而問題的解就是抗體集合。在特定的形態(tài)空間中，隨機(jī)產(chǎn)生的抗體試圖與抗原發(fā)生匹配，即嘗試解決問題。匹配度高的抗體有可能產(chǎn)生更好的解，被賦予更大的克隆概率參與下一次匹配。 抗體和抗原之間的距離d采用漢明距離，如式(1)所示。
抗體和抗原之間的親和力aff與它們的距離成反比，即aff=1/d。 免疫算法的實(shí)現(xiàn)步驟如下： 步驟1 初始化抗體集合，隨機(jī)產(chǎn)生n個(gè)抗體。 步驟2 計(jì)算抗體集合ab中所有抗體與抗原ag的親和力。 步驟3 選擇n個(gè)親和力最高的抗體，組成一個(gè)新的抗體集合。并將這n個(gè)抗體按照親和力升序排列。 步驟4 將選中的n個(gè)抗體按照對應(yīng)的親和力進(jìn)行克隆，產(chǎn)生新的集合c，親和力越高的抗體，克隆的數(shù)量就越多，總的數(shù)量計(jì)算公式如式(2)。 nc是總的克隆數(shù)，式(2)右邊是一個(gè)和式，其中第i項(xiàng)代表抗體abi產(chǎn)生的克隆數(shù)， 是預(yù)設(shè)的參數(shù)因子，n是抗體集合包含的元素個(gè)數(shù)。 步驟5 新的集合c按照基因重組概率進(jìn)行基因重組，產(chǎn)生成熟的克隆集合c*。 步驟6 計(jì)算成熟克隆集合的親和力。 步驟7 從成熟克隆集合中選擇n個(gè)親和力最高的抗體作為記憶抗體的候選，親和力超過現(xiàn)有記憶抗體的候選抗體稱為新的記憶抗體。 步驟8 替換掉親和力最低的d個(gè)抗體，并用新的隨機(jī)抗體補(bǔ)充。 步驟9 如果抗體集合沒有達(dá)到匹配精度要求且進(jìn)化代數(shù)小于最大進(jìn)化代數(shù)，則轉(zhuǎn)到步驟2，否則算法結(jié)束。
3 應(yīng)用clonalg算法識別數(shù)字 模式識別技術(shù)是根據(jù)研究對象的特征和屬性，利用一定的分析算法，確定研究對象的歸屬和類別，并使結(jié)果盡可能符合真實(shí)。一般模式識別系統(tǒng)都包括問題描述、系統(tǒng)訓(xùn)練和模式識別幾個(gè)部分。 本系統(tǒng)要解決的問題是識別0到9這十個(gè)數(shù)字。每個(gè)字符都用一個(gè)長度l=120的二進(jìn)制串表示(每一個(gè)像素用一個(gè)二進(jìn)制數(shù)表示)。原始字符(待識別的字符)(抗原)如圖1所示。
圖1 待識別的字符(抗原) 抗體指令集由10個(gè)抗體組成，即取n=10。每次選中5個(gè)親和力最高的抗體進(jìn)行克隆，即n=5。參數(shù) =5。變異率初始值pm=0.05，并根據(jù)進(jìn)化情況進(jìn)行變化。最大進(jìn)化代數(shù)gen=100，匹配精度取0，即要求完全匹配。 10個(gè)抗原(待識別數(shù)字)都達(dá)到了完全匹配，具體匹配情況如表1所示。 表1 數(shù)字0-9的完全匹配代數(shù) 抗原(待識別字符) 0 1 2 3 4 5 6 7 8 9 完全匹配代數(shù) 36 42 54 47 47 53 49 42 40 53 從表1可以看出，該算法的收斂速度是很快的。 由于篇幅所限，下面僅以數(shù)字“3”為例，觀察一下算法的實(shí)現(xiàn)過程。 圖2 識別數(shù)字“3”的過程 圖2中，第一排按照從左向右的次序：第1幅圖是原始字符，第2幅圖是隨機(jī)產(chǎn)生的抗體集，第3幅圖和第4幅圖分別是進(jìn)化到第10代和第20代的抗體集。第二排按照從左向右的次序：第1幅圖，第2幅圖分別是進(jìn)化到第30代，第40代的抗體集。最后一幅圖是進(jìn)化到第47代的抗體集。進(jìn)化過程中抗體與抗原的距離變化情況如表2所示。 表2 識別“3”時(shí)抗體與抗原的距離d的變化 進(jìn)化代數(shù) 5 10 15 20 25 30 35 40 45 47 抗體與抗原的距離d 30 19 12 8 5 3 1 1 1 0 從表2可以看出，實(shí)際上進(jìn)化到35代時(shí)，抗體與抗原的距離d=1，在大多數(shù)應(yīng)用中，這已經(jīng)可以很好地滿足要求了。 4 總結(jié) 從上面的討論可以看出，clonalg算法是一種高效、快速收斂的算法，非常適合應(yīng)用于模式識別。 參考文獻(xiàn) [1] 閻平凡等著，人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算，清華大學(xué)出版社，2000 [2] 陳慰峰著，醫(yī)學(xué)免疫學(xué)，人民出版社，2001 [3] 李濤著，計(jì)算機(jī)免疫學(xué)，電子工業(yè)出版社，2004
關(guān)鍵詞：CDIO；工程教育；主動(dòng)學(xué)習(xí)；經(jīng)驗(yàn)學(xué)習(xí)
作者簡介：袁立（1978-），女，河北邢臺(tái)人，北京科技大學(xué)自動(dòng)化學(xué)院，副教授；李曉理（1971-），男，遼寧沈陽人，北京科技大學(xué)自動(dòng)化學(xué)院，教授，博士生導(dǎo)師。（北京 100083）
基金項(xiàng)目：本文系教育部第五批高等學(xué)校特色專業(yè)建設(shè)項(xiàng)目“自動(dòng)化CDIO特色專業(yè)建設(shè)”（項(xiàng)目編號：TS2422）的研究成果。
中圖分類號：G642.0 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-0079（2013）04-0051-02
CDIO是由美國麻省理工學(xué)院、瑞典皇家技術(shù)學(xué)院、瑞典查爾姆斯技術(shù)學(xué)院、瑞典林克平大學(xué)等四所大學(xué)從2000年起合作研究探索的一種新型的工程教育模式。CDIO教育模式力圖培養(yǎng)學(xué)生能夠在現(xiàn)代的、基于團(tuán)隊(duì)的環(huán)境下構(gòu)思（Conceive）—設(shè)計(jì)（Design）—實(shí)施（Implement）—運(yùn)行（Operate）復(fù)雜、高附加值的工程產(chǎn)品、過程和系統(tǒng)，讓其成為成熟、有責(zé)任感的人。[1]CDIO改革有三個(gè)總體目標(biāo)，即教育學(xué)生，使他們能夠更深層次地掌握技術(shù)基礎(chǔ)知識，不是通過被動(dòng)的聽講過程獲取知識，而是讓學(xué)生自己構(gòu)建他們的知識，面對和糾正自身的錯(cuò)誤理解；教育學(xué)生能夠領(lǐng)導(dǎo)新產(chǎn)品、過程和系統(tǒng)的創(chuàng)造與運(yùn)行，在此過程中培養(yǎng)學(xué)生的個(gè)人能力和人際交往能力，個(gè)人能力包括工程推理和解決問題的能力、科學(xué)探索、系統(tǒng)思維和批判性及創(chuàng)造性思維，人際交往能力包括交流溝通和團(tuán)隊(duì)工作能力；第三個(gè)目標(biāo)是使學(xué)生能夠理解和研究技術(shù)發(fā)展對社會(huì)的重要性和戰(zhàn)略影響。可以看出，CDIO模式注重扎實(shí)的工程基礎(chǔ)理論和專業(yè)知識的培養(yǎng)，并通過貫穿整個(gè)人才培養(yǎng)過程中的團(tuán)隊(duì)設(shè)計(jì)和實(shí)踐環(huán)節(jié)的訓(xùn)練，從而培養(yǎng)既有過硬的專業(yè)技能又有良好綜合素質(zhì)的國際化工程師。[2]
作為高等工程教育的一種新的教育理念，CDIO模式受到越來越多工程學(xué)科的重視。北京科技大學(xué)（以下簡稱“我校”）自動(dòng)化專業(yè)在2009年以自動(dòng)化專業(yè)工程化、鋼鐵流程自動(dòng)化為工程背景和專業(yè)特色加入了CDIO項(xiàng)目。“模式識別”課程是模式識別與智能系統(tǒng)學(xué)科的基礎(chǔ)課，是一門基礎(chǔ)理論與工程實(shí)踐相結(jié)合的課程。本課程主要討論統(tǒng)計(jì)模式識別的分類和識別基本原理、方法。要求學(xué)生掌握統(tǒng)計(jì)模式識別的基本概念、基本識別原理和方法，了解其發(fā)展動(dòng)態(tài)，有效地運(yùn)用所學(xué)知識和方法解決實(shí)際問題，為研究新的模式識別的理論和方法打下基礎(chǔ)。[3，4]那么如何在該課程的教學(xué)過程中培養(yǎng)學(xué)生的綜合素質(zhì)，滿足學(xué)科學(xué)習(xí)和能力學(xué)習(xí)的雙重目標(biāo)，成為需要迫切思考的問題。本文在深入研究和分析“模式識別”課程現(xiàn)有教學(xué)模式的問題和不足的基礎(chǔ)上，探索將CDIO教育理念引入該課程，進(jìn)行教學(xué)設(shè)計(jì)、規(guī)劃教學(xué)方案、確定教學(xué)手段、安排教學(xué)內(nèi)容和考核方式，以促進(jìn)學(xué)生綜合能力的培養(yǎng)。
一、“模式識別”課程傳統(tǒng)教學(xué)模式中存在的問題
“模式識別”課程從應(yīng)用角度來看，屬于人工智能、機(jī)器學(xué)習(xí)的領(lǐng)域，從學(xué)術(shù)內(nèi)涵角度來看是進(jìn)行數(shù)據(jù)處理、信息分析的學(xué)科。該課程在縱向上與概率論、數(shù)理統(tǒng)計(jì)密不可分，在橫向上注重與數(shù)字圖像處理、信號處理、通信原理等專業(yè)課程有關(guān)聯(lián)。可見，該課程對于鞏固已學(xué)知識、開展后續(xù)專業(yè)課學(xué)習(xí)及未來工作具有積極的指導(dǎo)意義。
該課程內(nèi)容本身比較抽象性，其概念、原理和方法都隱藏在數(shù)學(xué)符號中，講課過程中學(xué)生往往會(huì)感到枯燥、難懂。教師的講解和學(xué)生的學(xué)習(xí)難度都比較大，理論知識學(xué)完后學(xué)生對于其實(shí)際應(yīng)用有時(shí)仍是一頭霧水。傳統(tǒng)教學(xué)模式下存在以下一些問題：在教師的授課環(huán)節(jié)中，往往以教師的授課為中心，而不是以學(xué)生為主體，這種重“教”輕“學(xué)”的模式不利于學(xué)生對基礎(chǔ)知識的掌握；課時(shí)的安排上，總課時(shí)（32學(xué)時(shí)）中28學(xué)時(shí)為理論授課，4學(xué)時(shí)為實(shí)驗(yàn)。在實(shí)驗(yàn)環(huán)節(jié)中，學(xué)生上機(jī)動(dòng)手編程，根據(jù)課上內(nèi)容設(shè)計(jì)相應(yīng)的分類器實(shí)現(xiàn)。這種課時(shí)安排不利于充分開展工程項(xiàng)目實(shí)踐活動(dòng)，使學(xué)生失去了了解模式識別在工程項(xiàng)目中真實(shí)應(yīng)用的機(jī)會(huì)，限制了其對專業(yè)技能的掌握；在實(shí)驗(yàn)環(huán)節(jié)中，實(shí)驗(yàn)內(nèi)容的安排基本上以個(gè)體為單位的驗(yàn)證性實(shí)驗(yàn)為主，缺乏多人合作的設(shè)計(jì)性、綜合性及創(chuàng)新性的實(shí)驗(yàn)，不利于學(xué)生團(tuán)隊(duì)協(xié)作能力、批判思考能力、綜合解決問題能力及創(chuàng)新能力的綜合培養(yǎng)。
可見，以上重理論輕實(shí)踐、強(qiáng)調(diào)個(gè)人學(xué)術(shù)能力而忽視團(tuán)隊(duì)協(xié)作精神、重視知識學(xué)習(xí)而輕視開拓創(chuàng)新的培養(yǎng)模式與CDIO理念還有很大差距。
二、基于CDIO的“模式識別”課程教學(xué)改革探索
針對目前“模式識別”課程教學(xué)中存在的問題對原有的課程體系進(jìn)行改革，以適應(yīng)CDIO教育模式下的人才培養(yǎng)目標(biāo)。我校按照CDIO教學(xué)大綱的標(biāo)準(zhǔn)來進(jìn)行教學(xué)設(shè)計(jì)和教學(xué)活動(dòng)的安排，進(jìn)行如下一些主要的變革：
第一，從教學(xué)內(nèi)容的安排上進(jìn)行改革。在教學(xué)過程中優(yōu)化、精選教學(xué)內(nèi)容，確保教學(xué)內(nèi)容相對穩(wěn)定而又不斷地更新，保持內(nèi)容的先進(jìn)性。對基礎(chǔ)理論部分如貝葉斯決策理論、線性與非線性判別函數(shù)、近鄰法和集群、聚類分析、特征提取與選擇等知識單元，將主要精力放在精講、訓(xùn)練與總結(jié)這三個(gè)環(huán)節(jié)，對重點(diǎn)、難點(diǎn)講深講透。此外，還根據(jù)模式識別領(lǐng)域最近的發(fā)展，引入最新科技成果，為學(xué)生適當(dāng)補(bǔ)充統(tǒng)計(jì)理論與支持向量機(jī)、流行學(xué)習(xí)理論和稀疏編碼理論等知識。另外，還從橫向上注重與同一層次相關(guān)課程（如“數(shù)字圖像處理”）的關(guān)聯(lián)性，使學(xué)生把從不同課程上學(xué)到的知識整合起來，為將來從事工程項(xiàng)目活動(dòng)打下基礎(chǔ)。
第二，從教學(xué)方式上進(jìn)行改革。傳統(tǒng)授課方式的一般模式是：教授、復(fù)述、周作業(yè)、期末一個(gè)小的設(shè)計(jì)項(xiàng)目和最終筆試。要改變這種以教師為中心的教學(xué)方式，按照CDIO專業(yè)計(jì)劃中提倡的一體化學(xué)習(xí)的思想來完成教學(xué)任務(wù)。為了考試而死記硬背理論知識會(huì)使學(xué)生對學(xué)習(xí)內(nèi)容理解膚淺，缺少長期學(xué)習(xí)的積極性。所以在教學(xué)中采用主動(dòng)學(xué)習(xí)方式使學(xué)生直接參與思考和解決問題的活動(dòng)，讓學(xué)生思考概念，特別是新的想法，并要求他們做出明確地反應(yīng)，使他們明白學(xué)到了什么和怎樣學(xué)習(xí)的。
主動(dòng)學(xué)習(xí)方法在課堂教學(xué)中有許多靈活的手段，比如授課疑點(diǎn)卡、概念問題、小組討論等等。授課疑點(diǎn)卡通過收集課堂上的反饋來測定學(xué)生在理解方面的不足。針對學(xué)生提出的問題，教師可以在課程的網(wǎng)頁上回答，也可以在下次課的開始時(shí)回答。對學(xué)生來講，寫下問題的過程有助于他們組織思路并進(jìn)行更有效地學(xué)習(xí)；對教師來講，這些疑點(diǎn)卡能及時(shí)糾正學(xué)生的錯(cuò)誤的理解，并幫助教師改進(jìn)后續(xù)的內(nèi)容。概念問題是一個(gè)多項(xiàng)選擇題，用來收集學(xué)生對課堂上的反饋，從而了解學(xué)生是否理解教學(xué)內(nèi)容并糾正學(xué)生的誤解之處。教師在課前把“模式識別”的重要概念以及通常可能的錯(cuò)誤理解準(zhǔn)備成問題，在課堂上適時(shí)提出來，學(xué)生通過舉手來回答即可。根據(jù)回答情況，學(xué)生可進(jìn)行討論或由教師進(jìn)行點(diǎn)評。小組討論：對于一些相對簡單的內(nèi)容，讓學(xué)生提前預(yù)讀，在課上采用分組討論、學(xué)生講解、教師總結(jié)的方式進(jìn)行。
第三，采用經(jīng)驗(yàn)學(xué)習(xí)法為學(xué)生創(chuàng)造建立信心的機(jī)會(huì)。工程教育的CDIO教學(xué)模式正是基于經(jīng)驗(yàn)學(xué)習(xí)理論的。經(jīng)驗(yàn)學(xué)習(xí)讓學(xué)生能夠在模擬工程師角色和工程實(shí)踐的環(huán)境中進(jìn)行教學(xué)活動(dòng)。對大多數(shù)學(xué)生而言，學(xué)習(xí)和理解理論的動(dòng)力就是應(yīng)用理論并與實(shí)踐相結(jié)合。通過實(shí)踐學(xué)習(xí)能激發(fā)他們更大的積極性，并使他們認(rèn)識到所學(xué)的知識是有用的，學(xué)習(xí)積極性的提高使他們對所學(xué)的知識和即得能力更有信心。其結(jié)果是讓學(xué)生有能力勝任未來工程師的角色。
常用的經(jīng)驗(yàn)學(xué)習(xí)方法就是基于項(xiàng)目的學(xué)習(xí)。在授課過程中增加模式識別應(yīng)用項(xiàng)目的內(nèi)容，如字符識別、車牌識別、人臉識別、膚色分割、圖像檢索等，通過項(xiàng)目講解幫助學(xué)生回顧所學(xué)的知識，并將理論與實(shí)際相結(jié)合，使學(xué)生學(xué)會(huì)分析和解決實(shí)際問題的方法。另外，還將教師從事的與“模式識別”相關(guān)的科研項(xiàng)目介紹給學(xué)生，拓展學(xué)生的知識面。從實(shí)際效果來看，有些學(xué)生對實(shí)際工程案例和科研工作很感興趣，主動(dòng)申請“模式識別”方向的本科創(chuàng)新項(xiàng)目和發(fā)表學(xué)術(shù)論文。
對于一些典型的“模式識別”工程項(xiàng)目，學(xué)生分團(tuán)隊(duì)后選擇某個(gè)工程項(xiàng)目，以團(tuán)隊(duì)合作方式收集和整理有關(guān)信息資料，提出解決方案，研究結(jié)束后做出演示系統(tǒng)并在課堂上進(jìn)行講解。
第四，對學(xué)習(xí)效果的評估方法進(jìn)行改革，采用多種方法來收集學(xué)生在課程學(xué)習(xí)期間和學(xué)習(xí)之后等不同時(shí)期的學(xué)習(xí)證據(jù)，全面了解學(xué)生的學(xué)習(xí)成績和學(xué)習(xí)態(tài)度有何轉(zhuǎn)變。第一種方式仍然是傳統(tǒng)的筆試。第二種是口試，可以用于概念問題來判定學(xué)生對知識的理解層次。口頭考核能從深層次上反映學(xué)生對概念的理解和應(yīng)用，因?yàn)楝F(xiàn)實(shí)中工程師每天都會(huì)應(yīng)用基礎(chǔ)概念進(jìn)行理性表述，這種方式可以評估學(xué)生進(jìn)行理性表達(dá)的能力。第三種是表現(xiàn)評分，通過學(xué)生在口頭演講和團(tuán)隊(duì)工作等特定任務(wù)中的表現(xiàn)情況來進(jìn)行評估。第四種是項(xiàng)目審查，對團(tuán)隊(duì)完成的項(xiàng)目進(jìn)行評估。模式識別項(xiàng)目主要是從分類性能上對學(xué)生完成的項(xiàng)目進(jìn)行評估。
結(jié)合CDIO教育模式，通過以上四方面的改革，能夠創(chuàng)設(shè)積極的學(xué)習(xí)情景，激發(fā)課堂活力，調(diào)動(dòng)學(xué)生的積極性和主動(dòng)性。這套新的教學(xué)體系可以用圖1來描述。
三、結(jié)束語
本文在CDIO工程教育模式下，探討了如何對傳統(tǒng)“模式識別”課程教學(xué)方法進(jìn)行改革，提出了一種新的教學(xué)體系。近兩年的授課結(jié)果表明，新授課體系在CDIO模式下對激發(fā)學(xué)生學(xué)習(xí)興趣、明確學(xué)習(xí)方向、轉(zhuǎn)變學(xué)習(xí)態(tài)度、提高專業(yè)基礎(chǔ)水平和團(tuán)隊(duì)合作意識及提高教學(xué)效果等方面發(fā)揮出了明顯的積極作用。
參考文獻(xiàn)：
[1]顧佩華，沈民奮，陸小華.重新認(rèn)識工程教育——國際CDIO培養(yǎng)模式與方法[M].北京：高等教育出版社，2009.
[2]陸鑫，任立勇，王雁東.CDIO模式下軟件工程專業(yè)課程的教學(xué)評價(jià)方式[J].計(jì)算機(jī)教育，2011，（16）：64-67.
關(guān)鍵詞：遺傳算法，混沌，圖像分割
0引言
遺傳算法是一種全局優(yōu)化搜索算法，它使用了群體搜索技術(shù)，用種群代表一組問題解，通過對當(dāng)前種群施加選擇、交叉和變異等一系列遺傳操作，從而產(chǎn)生新的一代種群，并逐漸使種群進(jìn)化到包含最優(yōu)解或近似最優(yōu)解的狀態(tài)。近幾年來借助于混沌改進(jìn)遺傳算法的性能是遺傳算法領(lǐng)域研究的熱點(diǎn)之一，遺傳算法和混沌優(yōu)化的組合,可以使遺傳算法的全局尋優(yōu)能力，搜索精度，搜索速度等幾方面得到較明顯的改進(jìn)。
1混沌的特征和蟲口方程
混沌是存在于非線形系統(tǒng)中的一種較為普遍的現(xiàn)象，具有遍歷性、隨機(jī)性等特點(diǎn)，混沌運(yùn)動(dòng)能在一定的范圍內(nèi)按照其自身的規(guī)律不重復(fù)地遍歷所有狀態(tài)。因此，如果利用混沌變量進(jìn)行優(yōu)化搜索，無疑會(huì)比隨機(jī)搜索更具有優(yōu)越性。科技論文。
描述生態(tài)學(xué)上的蟲口模型Logistic映射自May于1976年開始研究以來，受到了非線形科學(xué)家的高度關(guān)注，Logistic映射是混沌理論發(fā)展史上不可多得的典范性的混沌模型，如下式所示：
2混沌遺傳算法
基于混沌遺傳算法的二維最大熵算法基本步驟如下：
1.設(shè)置混沌遺傳算法的種群規(guī)模以及最大進(jìn)化代數(shù)；
2.生成初始群體。隨機(jī)產(chǎn)生S 和T ,其中, S ,T ∈(0 ,1) 。然后利用式
計(jì)算每個(gè)個(gè)體的適應(yīng)值。式（2-1）中的s 和t 分別由以下公式確定：s =(int)( S*255) ，t = (int)(T*255) 。對初始種群執(zhí)行混沌擾動(dòng)，如果在C1 步之內(nèi)找到更優(yōu)個(gè)體，則替換原來的個(gè)體，否則保留原個(gè)體。科技論文。混沌擾動(dòng)方式按式(1-1)進(jìn)行。
3.如果當(dāng)前進(jìn)化代數(shù)大于G，轉(zhuǎn)步驟5，否則執(zhí)行變異操作。變異方式按如下公式進(jìn)行：
其中，fRandom()產(chǎn)生（0,1）之間的隨機(jī)數(shù)，如果變異后的個(gè)體具有更優(yōu)的適應(yīng)值,則把該個(gè)體加入當(dāng)前種群；
4.執(zhí)行混沌操作。如果在C2 步之內(nèi)找到更優(yōu)解,則替代原來的個(gè)體, 否則保留原個(gè)體。混沌擾動(dòng)按公式(1-1)進(jìn)行。結(jié)束后轉(zhuǎn)步驟6。
5. 在較小范圍內(nèi)執(zhí)行混沌擾動(dòng)。擾動(dòng)方式：
其中m1,m2為混沌變量，且m1,m2∈（0,1）。如果變異后的個(gè)體具有更優(yōu)的適應(yīng)值, 則替換原來的個(gè)體,否則保留原個(gè)體。
6.按規(guī)定的種群規(guī)模直接選擇最優(yōu)個(gè)體進(jìn)入下一代。
7.如果滿足終止條件, 返回最優(yōu)解, 否則從步驟3重復(fù)上述過程。
8.利用最優(yōu)解分割圖像。
3實(shí)驗(yàn)結(jié)果與分析
為了檢驗(yàn)本算法的效果，用文中提出的基于混沌遺傳算法（以下簡稱為B算法） 和基于傳統(tǒng)遺傳算法的二維最大熵算法（以下簡稱為A算法）對Couple.bmp 圖像進(jìn)行了實(shí)驗(yàn)比較。科技論文。當(dāng)文中算法和基于傳統(tǒng)遺傳算法的二維最大熵算法中各取最大進(jìn)化代數(shù)為10 時(shí),分割效果如圖3、4所示。
圖1 Couple 原圖圖2 Couple圖像直方圖
圖3 A算法結(jié)果圖圖4 B算法結(jié)果圖
4結(jié)論
混沌遺傳算法是混沌思想與遺傳算法思想的結(jié)合，比傳統(tǒng)遺傳算法具有更好的群體多樣性、更強(qiáng)的全局尋優(yōu)能力。文中將混沌遺傳算法與二維最大熵圖像分割算法結(jié)合，應(yīng)用于圖像分割，對比于基于傳統(tǒng)遺傳算法的二維最大熵算法，文中算法具有更強(qiáng)的穩(wěn)定性,更快的執(zhí)行速度，分割效果好。
參考文獻(xiàn)
[1]吳薇，鄧秋霞，何曰光．基于免疫遺傳算法的圖像閾值分割．紡織高校基礎(chǔ)科學(xué)學(xué)報(bào)，2004，17(2)：160-163
[2]薛景浩，章毓晉，林行剛．二維遺傳算法用于圖像動(dòng)態(tài)分割．自動(dòng)化學(xué)報(bào)，2000，26(5)：685-689
[3]王小平，曹立明．遺傳算法－理論、應(yīng)用與軟件實(shí)現(xiàn)．西安交通大學(xué)出版社．2002
【關(guān)鍵詞】入侵檢測系統(tǒng) 人工智能 模式識別
伴隨著互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用，基于計(jì)算機(jī)網(wǎng)絡(luò)的業(yè)務(wù)應(yīng)用領(lǐng)域已經(jīng)逐步深入到社會(huì)各行各業(yè)范圍中，計(jì)算機(jī)網(wǎng)絡(luò)的安全性能顯得十分關(guān)鍵。計(jì)算機(jī)網(wǎng)絡(luò)的安全定義主要包括保密性、完整性、可用性以及認(rèn)證等四個(gè)重要環(huán)節(jié)。因?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)在理念設(shè)計(jì)、實(shí)踐部署以及實(shí)際應(yīng)用過程中存在較大的缺陷，使得計(jì)算機(jī)網(wǎng)絡(luò)安全服務(wù)無法得到滿意的結(jié)果，所以研發(fā)安全可靠的信息安全互聯(lián)網(wǎng)產(chǎn)品已經(jīng)發(fā)展成為學(xué)術(shù)界領(lǐng)域努力的前進(jìn)方向。入侵檢測技術(shù)作為擴(kuò)充計(jì)算機(jī)系統(tǒng)安全確保能力、提高信息安全基礎(chǔ)架構(gòu)完整性的關(guān)鍵性領(lǐng)域。因?yàn)槿肭謾z測的操作過程需要面對復(fù)雜的網(wǎng)絡(luò)環(huán)境與變化多端的攻擊方式，這就需要入侵檢測系統(tǒng)具備靈活性、主動(dòng)性以及自適應(yīng)性等優(yōu)秀性能。模式識別環(huán)境下入侵檢測技術(shù)已經(jīng)逐步社會(huì)重點(diǎn)關(guān)注的方向，尤其是模式識別的實(shí)際運(yùn)用，更加是提高入侵檢測系統(tǒng)性能的重要方法。
1 入侵檢測系統(tǒng)的概述
入侵檢測系統(tǒng)的理論定義主要是指在入侵檢測過程中所需要具備的各種基本軟件與硬件的配置組合，其通過對計(jì)算機(jī)網(wǎng)絡(luò)信息系統(tǒng)的實(shí)際工作狀態(tài)進(jìn)行實(shí)時(shí)性的有效監(jiān)測，發(fā)現(xiàn)各種類型的攻擊意圖、攻擊行為或者攻擊后果同時(shí)作出相應(yīng)的響應(yīng)，從而可以確保計(jì)算機(jī)系統(tǒng)資源的安全性、運(yùn)行性與可靠性。其主要功能分別表現(xiàn)在：監(jiān)控行為、分析系統(tǒng)用戶與執(zhí)行活動(dòng)；檢測計(jì)算機(jī)系統(tǒng)的技術(shù)配置與操作漏洞；評估系統(tǒng)取決于計(jì)算機(jī)資源與數(shù)據(jù)信息的完整性；模式識別已具備的攻擊行為、統(tǒng)計(jì)分析異常行為；對于操作系統(tǒng)進(jìn)行日志的操作管理；模式識別違反安全策略的系統(tǒng)用戶活動(dòng)；系統(tǒng)響應(yīng)入侵行為的事件等。
2 智能入侵檢測技術(shù)
現(xiàn)階段大部分入侵檢測系統(tǒng)可以符合大部分系統(tǒng)用戶的實(shí)際需求，然而在重點(diǎn)技術(shù)領(lǐng)域（金融、商務(wù)以及軍事等）的實(shí)際應(yīng)用仍然存在各方面問題，通常表現(xiàn)在：誤報(bào)率比較高、報(bào)警信息比較多；缺少檢測未知入侵行為的有效技術(shù)；自適應(yīng)與自學(xué)習(xí)能力比較低；互操作性比較差，無法形成協(xié)同防御的完善體系等。人工智能技術(shù)的實(shí)際應(yīng)用，為能夠解決上述各種問題積累堅(jiān)實(shí)的基礎(chǔ)。模式識別技術(shù)的基本原理是：把一個(gè)輸入模式和儲(chǔ)存在計(jì)算機(jī)系統(tǒng)中的多個(gè)參考模式相互對比，尋找出最接近的參考模式，把這種參考模式所代表的類名作為輸入模式的類名輸出。模式識別技術(shù)能夠分成學(xué)習(xí)與識別這兩個(gè)具體過程。學(xué)習(xí)是為了構(gòu)造識別系統(tǒng)而進(jìn)行的一種行為，參考模式是通過學(xué)習(xí)之后確定的。在應(yīng)用識別系統(tǒng)的過程中，必須實(shí)時(shí)更新參考模式以增強(qiáng)系統(tǒng)的自適應(yīng)性，這需要對識別結(jié)果集進(jìn)行學(xué)習(xí)。本質(zhì)上，模式識別是對未知樣本進(jìn)行類歸屬判定的過程；而入侵檢測也是將一個(gè)新的實(shí)例與原有的規(guī)則集進(jìn)行比較歸類的過程。兩者工作機(jī)理非常相似。模式識別的應(yīng)用對于改善入侵檢測系統(tǒng)的識別精度、識別能力以及智能特性有著重要的影響。
3 智能入侵檢測系統(tǒng)
智能入侵檢測系統(tǒng)主要采取模塊化思想進(jìn)行設(shè)計(jì)，其中包含數(shù)據(jù)采集模塊，特征提取模塊，規(guī)則處理模塊，分析檢測模塊和異常響應(yīng)模塊等。
系統(tǒng)各個(gè)模塊的功能如下：
數(shù)據(jù)采集模塊：實(shí)時(shí)采集計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)的原始數(shù)據(jù)信息，同時(shí)根據(jù)各自不同的網(wǎng)絡(luò)協(xié)議進(jìn)行解碼操作，然后對解碼處理之后的數(shù)據(jù)信息進(jìn)行分片重組、流重組以及代碼轉(zhuǎn)換等種技術(shù)處理，還原數(shù)據(jù)包的原始數(shù)據(jù)含義與數(shù)據(jù)包相關(guān)之間的實(shí)際關(guān)系。
特征提取模塊：對于數(shù)據(jù)采集模塊直接采集得到的數(shù)據(jù)信息進(jìn)行特征化選取，然后對信息數(shù)據(jù)進(jìn)行向量化處理，最后生成待檢測的數(shù)據(jù)樣本。
規(guī)則處理模塊：進(jìn)行規(guī)則集的向量化與聚類處理工作。首先根據(jù)條讀入的處理規(guī)則，對于各條規(guī)則進(jìn)行向量化處理，獲得一個(gè)規(guī)則向量集，然后對規(guī)則向量集進(jìn)行聚類分析處理，在向量集規(guī)模較小的情況不需要進(jìn)行聚類入生成精簡的參考規(guī)則集。
分析檢測模塊：這是計(jì)算機(jī)系統(tǒng)的核心控制模塊。把待檢測的數(shù)據(jù)樣本和參考規(guī)則集進(jìn)行比較分析處理，從而確定是否出現(xiàn)入侵狀況。具體的處理過程為：
（1）采取近鄰法分析待檢測的數(shù)據(jù)樣本和參考規(guī)則集。
（2）當(dāng)歐氏距離d=0的時(shí)候，即待檢測的數(shù)據(jù)樣本和參考規(guī)則集中某部分規(guī)則進(jìn)行匹配處理，從而得到分析結(jié)果。
（3）當(dāng)d≠0的時(shí)候則采取k-近鄰法進(jìn)行二次檢測處理，從而得到相應(yīng)的分析結(jié)果。
（4）根據(jù)具體的分析結(jié)果從而判斷分析待檢測數(shù)據(jù)樣是否出現(xiàn)異常行為。
（5）假如是異常行為，則會(huì)馬上啟動(dòng)異常響應(yīng)的處理措施，同時(shí)對原規(guī)則數(shù)據(jù)庫進(jìn)行更新操作；假如是正常行為，則直接退出。
異常響應(yīng)模塊：對于入侵行為作出響應(yīng)（報(bào)警、日志記錄等）。
4 結(jié)語
入侵檢測理論是防火墻技術(shù)、數(shù)據(jù)加密技術(shù)以及訪問控制等各種傳統(tǒng)安全技術(shù)的重要基礎(chǔ)，作為網(wǎng)絡(luò)信息安全防護(hù)體系的關(guān)鍵構(gòu)成環(huán)節(jié)。入侵檢測系統(tǒng)能夠?qū)τ?jì)算機(jī)網(wǎng)絡(luò)入侵行為作出相應(yīng)的識別與響應(yīng)，其不但能夠檢測來自計(jì)算機(jī)網(wǎng)絡(luò)的實(shí)際攻擊行為，也能夠監(jiān)督系統(tǒng)內(nèi)部用戶未經(jīng)授權(quán)的訪問活動(dòng)。模式識別是處于不斷提升發(fā)展的新型學(xué)科技術(shù)，其理論基礎(chǔ)與應(yīng)用范圍也處于不斷發(fā)展的階段。本文提出將模式識別方法具體運(yùn)用在入侵檢測的技術(shù)領(lǐng)域中，把入侵檢測的相關(guān)問題轉(zhuǎn)變成模式識別問題來進(jìn)行處理，這實(shí)際上是一種富有價(jià)值的技術(shù)解決方案。基于模式識別的入侵檢測系統(tǒng)自適應(yīng)/學(xué)習(xí)能力強(qiáng)、成本低和健壯性好，能有效提高系統(tǒng)的安全性。但是，本系統(tǒng)仍存在缺陷：為保證參考規(guī)則集的有效性和實(shí)時(shí)性，需要提取海量的對象行為特征；在高帶寬的網(wǎng)絡(luò)環(huán)境下，為縮短檢測響應(yīng)時(shí)間，對檢測算法的時(shí)空效率提出更高的要求。這兩點(diǎn)對入侵檢測系統(tǒng)的效能來說具有決定性意義，如何快速構(gòu)建入侵參考模式知識庫、進(jìn)一步提高檢測算法的智能性和效率，將是進(jìn)一步研究的方向。
參考文獻(xiàn)
[1]溝口理一郎，石田亨.人工智能[Ml.北京：科學(xué)出版社，2005.
[2]蔡自興，徐光v.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社，2004.
[3]簡清明，曾黃麟，葉曉彤.粗糙集特征選擇和支持向量機(jī)在入侵檢測系統(tǒng)中的應(yīng)用[J].四川理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2009，22（5）.
[4]趙麗萍.基于模式識別的入侵檢測模型[J].電腦開發(fā)與應(yīng)用，2008，21（6）.
[5]胡煜.主分量分析法和K近鄰法應(yīng)用于基因芯片數(shù)據(jù)分析[J].北華大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，9（1）.
[關(guān)鍵詞] 模式識別 風(fēng)險(xiǎn)分類 適用性
一、引言
貸款風(fēng)險(xiǎn)分類，就是根據(jù)借款人的當(dāng)前經(jīng)營情況和違約跡象來判斷其按時(shí)還款的可能性并給予風(fēng)險(xiǎn)等級評價(jià)，是銀行綜合了借款人財(cái)務(wù)、非財(cái)務(wù)因素，對貸款未來安全收回可能性的評價(jià)。如何判斷借款人的每個(gè)因素對貸款償還的影響程度,以及如何將上述各種因素定性和定量分析歸納匯總,作出全面科學(xué)的風(fēng)險(xiǎn)評定是貸款風(fēng)險(xiǎn)分類操作的難點(diǎn)和關(guān)鍵。
在現(xiàn)代信用風(fēng)險(xiǎn)度量模型出現(xiàn)以前，測度信貸信用風(fēng)險(xiǎn)的方法主要有：專家制度法、評級法和信用評分法。近年來，一些大的金融機(jī)構(gòu)相繼構(gòu)建了比較規(guī)范的、有重大影響的四大信用風(fēng)險(xiǎn)度量模型:JP 摩根的Credit Metrics 方法;KMV公司的KMV 模型;CSFP(Credit Suisse Financial Products) 的Credit Risk + 方法;麥肯錫公司的信用組合觀點(diǎn)模型（Credit portfolio View）。這四大信用風(fēng)險(xiǎn)度量模型對中國銀行業(yè)都有一定的借鑒意義。模型最大的問題是任何一個(gè)模型都沒有全面考慮到借款人的道德風(fēng)險(xiǎn)，還有借款人的具體情況，如銀行合同、貸款合同、擔(dān)保能力、借款期限等，而且由于經(jīng)濟(jì)制度、金融發(fā)展水平等方面的差異，因此，借用西方信用風(fēng)險(xiǎn)模型應(yīng)慎重，我國應(yīng)用這些大型量化模型的條件還不成熟。
本文把貸款風(fēng)險(xiǎn)分類看作是一個(gè)模式識別問題，在此框架下，就統(tǒng)計(jì)模式識別領(lǐng)域中最新使用的神經(jīng)網(wǎng)絡(luò)方法、分類樹法、以及支持向量機(jī)三種方法的建模思想、適用性進(jìn)行比較，并給出有關(guān)結(jié)論。
二、貸款風(fēng)險(xiǎn)分類是一個(gè)模式識別問題
所謂模式識別，就是用計(jì)算機(jī)的方法來實(shí)現(xiàn)人對各種事物或現(xiàn)象的分析、描述、判斷和識別。目前我國實(shí)行的貸款風(fēng)險(xiǎn)五級分類法（簡稱風(fēng)險(xiǎn)分類），它是根據(jù)貸款對象的第一還款來源與第二還款來源共同特征（財(cái)務(wù)指標(biāo)）或?qū)傩裕ǚ秦?cái)務(wù)指標(biāo)）進(jìn)行識別判斷而進(jìn)行分類的，其核心在于它以借款人的償還能力作為分類標(biāo)志。
貸款風(fēng)險(xiǎn)分類的模式識別系統(tǒng)的精度及其正確性，主要取決于(1.3)式中的一些參數(shù)的估計(jì)的精度。訓(xùn)練時(shí)如果輸入模式樣本的類別信息是已知的，這時(shí)可以用“有監(jiān)督”的模式識別技術(shù)，讓識別系統(tǒng)執(zhí)行一個(gè)合適的學(xué)習(xí)訓(xùn)練過程，把系統(tǒng)“教”成可使用各種適應(yīng)修改技術(shù)再去識別模式。如果采集到樣本模式是未知類別的，這時(shí)可用“無監(jiān)督的模式識別技術(shù)，即必須通過系統(tǒng)的學(xué)習(xí)過程去得到其所屬的范疇。
三、模式識別技術(shù)的建模思路及其適用性分析
目前用于統(tǒng)計(jì)模式識別的方法很多，主要有判別分析法、回歸分析法、人工智能（專家系統(tǒng)）、神經(jīng)網(wǎng)絡(luò)、決策樹法、K近鄰法、支持向量機(jī)等。本文僅就目前最為流行的人工神經(jīng)網(wǎng)絡(luò)、決策樹法、支持向量機(jī)三種非參數(shù)模式識別方法建模思路、適用性進(jìn)行比較分析。
1.神經(jīng)網(wǎng)絡(luò)模型（ANN）
(1)建模思路
人工神經(jīng)網(wǎng)絡(luò)(Artficial Neural Networks ANN )是一種具有模式識別能力，自組織、自適應(yīng)，自學(xué)習(xí)特點(diǎn)的計(jì)算方法。神經(jīng)網(wǎng)絡(luò)模型建模思路是，首先找出影響分類的一組因素，作為ANN的輸入，然后通過有導(dǎo)師或無導(dǎo)師的訓(xùn)練擬合形成ANN風(fēng)險(xiǎn)分析模型。對于新的樣本輸入（即一組影響因素值），該模型可產(chǎn)生貸款風(fēng)險(xiǎn)的判別。
（2)適用性分析
神經(jīng)網(wǎng)絡(luò)的適用性首先表現(xiàn)為分類的準(zhǔn)確性比較高。特別是在測試數(shù)據(jù)為非線性關(guān)系的情況下，尤其如此；其次是神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的適應(yīng)訓(xùn)練樣本變化的能力，當(dāng)訓(xùn)練樣本增加新的數(shù)據(jù)時(shí)，能夠記憶原有的知識，根據(jù)新增的數(shù)據(jù)作恰當(dāng)?shù)恼{(diào)整，使之表示的映射關(guān)系能夠更好的刻畫新樣本所含的信息。這一點(diǎn)不僅使得神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的適應(yīng)樣本變化的能力，還使它具有動(dòng)態(tài)刻畫映射關(guān)系能力，也克服了線性判別分析方法的靜態(tài)特點(diǎn)；再次是其具有魯棒性。神經(jīng)網(wǎng)絡(luò)對于樣本的分布、協(xié)方差等沒有要求，對樣本中存在的噪音數(shù)據(jù)、偏差數(shù)據(jù)不敏感。監(jiān)管部門在面對眾多監(jiān)管對象銀行時(shí), 可以根據(jù)其報(bào)表中的監(jiān)管指標(biāo)與監(jiān)控指標(biāo)的輸出結(jié)果,迅速、準(zhǔn)確地判斷商業(yè)銀行的經(jīng)營狀況，就可以輔助以現(xiàn)場檢查的手段,對商業(yè)銀行進(jìn)行適當(dāng)、適時(shí)的干預(yù)。
神經(jīng)網(wǎng)絡(luò)方法的主要缺點(diǎn)一是對樣本的依賴性過強(qiáng)，對樣本提出了很高的要求。因?yàn)樗苌儆腥说闹饔^判斷因素的介入；二是解釋功能差。它僅能給出一個(gè)判斷結(jié)果，而不能告訴你為什么；三是在神經(jīng)網(wǎng)絡(luò)方法中輸入特征變量的確定出關(guān)鍵指標(biāo)問題時(shí)，需要依賴于其他的統(tǒng)計(jì)分析方法；四是是樣本分成多少個(gè)種類，這些問題都是神經(jīng)網(wǎng)絡(luò)方法無法獨(dú)自解決的，要依賴于其他方法；五是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度慢且極易收斂于局部極小點(diǎn)，推廣能力差，以及容易出現(xiàn)“過學(xué)習(xí)”現(xiàn)象。
2.分類樹方法（CART）
(1)建模思路
分類樹方法（CART）是一種由計(jì)算機(jī)實(shí)現(xiàn)，基于統(tǒng)計(jì)理論的非參數(shù)識別方法。其建模思路是：在整體樣本數(shù)據(jù)的基礎(chǔ)上，生成一個(gè)多層次、多節(jié)點(diǎn)的樹，按廣度優(yōu)先建立直到每個(gè)葉節(jié)點(diǎn)包含相同的類為止，以充分反映數(shù)據(jù)間的聯(lián)系。然后對其進(jìn)行刪減，參照一定規(guī)則從中進(jìn)行選擇適當(dāng)大小的樹，用于對新數(shù)據(jù)進(jìn)行分類即建造最大樹，對樹刪減，選擇適當(dāng)?shù)臉溆糜谛聵颖痉诸悺?/p>
(2)適用性分析
分類樹方法在銀行貸款風(fēng)險(xiǎn)分類中的適用性首先在于通過借款人經(jīng)營狀況的變化及其破產(chǎn)的可能性的判斷，來估計(jì)其違約的可能性，進(jìn)而來推測該借款人持有的貸款風(fēng)險(xiǎn)程度。它不但具有哲學(xué)上的二分法的優(yōu)點(diǎn)，而且其分類標(biāo)準(zhǔn)的選擇也包含著經(jīng)濟(jì)理論上的合理性。反映申請者信用關(guān)系中各項(xiàng)指標(biāo)之間的相關(guān)性是應(yīng)用分類樹于信貸信用分類的有利條件，它可以有效地利用定性變量進(jìn)行分類。
分類樹的缺陷表現(xiàn)在：一是計(jì)算量大；二是在一些連續(xù)型定量變量的處理上，分類樹就顯得有些力不從心；三是對結(jié)點(diǎn)屬性的判定上，往往以葉結(jié)點(diǎn)中所含多數(shù)樣本的屬性來決定該葉結(jié)點(diǎn)的屬性。但如果碰到訓(xùn)練樣本中某種樣本（譬如好樣本，占大多數(shù)）。此時(shí)分類的結(jié)果很可能是幾乎每個(gè)葉結(jié)點(diǎn)都是好樣本占多數(shù)，或出現(xiàn)一些好壞樣本的個(gè)數(shù)相當(dāng)?shù)娜~結(jié)點(diǎn)。于是就可能出現(xiàn)幾乎所有的葉結(jié)點(diǎn)都是好樣本集合，或其中一些結(jié)點(diǎn)無法判斷。無論哪種情況出現(xiàn)，都將導(dǎo)致對壞樣本的辨別率降低，進(jìn)而導(dǎo)致分類樹的效率降低。
3.支持向量機(jī)模型（SVM）
(1)建模思路
(2)適用性分析
由于支持向量機(jī)出色的學(xué)習(xí)性能、泛化性能、良好表現(xiàn)和所估計(jì)的參數(shù)少等特點(diǎn)，能夠較好地解決小樣本、高維數(shù)、非線性、局部極小等問題。鑒于支持向量機(jī)的諸多優(yōu)點(diǎn)，國外學(xué)者 Van.Gestel（2003）將支持向量機(jī)應(yīng)用到信貸風(fēng)險(xiǎn)分類與評估領(lǐng)域，并與神經(jīng)網(wǎng)絡(luò)及Logistic回歸相比較，得到了較好的結(jié)果。同時(shí)利用支持向量機(jī)，能提高學(xué)習(xí)機(jī)的泛化能力，能成功地解決風(fēng)險(xiǎn)分類、函數(shù)逼近和時(shí)間序列預(yù)測等方面，對構(gòu)建貸款分類模型也具有重要的實(shí)踐意義。
但SVM是解決一個(gè)二分類問題，現(xiàn)實(shí)中遇到的大都是多分類問題，如支持向量機(jī)無法解決信貸風(fēng)險(xiǎn)的五級分類問題。另外，影響支持向量機(jī)模型分類能力的參數(shù)選擇存在人為確定的主觀性等。
四、結(jié)論
從信貸風(fēng)險(xiǎn)管理角度看，信貸風(fēng)險(xiǎn)分類與量化管理是一個(gè)必然趨勢。為了提高貸款分類的準(zhǔn)確性，必須將上述兩種或兩種以上的方法結(jié)合起來使用，取長補(bǔ)短。同時(shí)，中國銀行業(yè)在運(yùn)用這些相對復(fù)雜的預(yù)測技術(shù)時(shí)，不僅要根據(jù)國內(nèi)的實(shí)際情況和銀行業(yè)自身發(fā)展階段，科學(xué)地制定信貸風(fēng)險(xiǎn)管理流程，還要加強(qiáng)人才培養(yǎng)和數(shù)據(jù)庫建設(shè)，盡可能地運(yùn)用信貸風(fēng)險(xiǎn)管理先進(jìn)技術(shù)將信貸風(fēng)險(xiǎn)損失降到最低限度，實(shí)現(xiàn)可持續(xù)發(fā)展。
參考文獻(xiàn):
[1]J.P. Morgan.Credit Metrics―Technical Document.1997, 4:2
[2]KMV.Global Correlation Factor Structure. San Francisco:KMV Corporation.1996,8 :16～17
[3]Credit Suisse First Boston. Credit Risk+, A Credit Risk management Framework. Credit Suisse First Boston Internation, 1997
[4]McKinsey and Co, Credit Portfolio View. New York, Mckinsey and Co.1997
[5]曹道勝等:商業(yè)銀行信用風(fēng)險(xiǎn)模型的比較及其應(yīng)用[J].金融研究，2006年第10期
[6]王振民，中國商業(yè)銀行貸款風(fēng)險(xiǎn)分析[D].天津大學(xué)博士論文，2005年5月，P33
本文在分析輸配電線路安全運(yùn)行存在問題的基礎(chǔ)上，分別從在輸配電線路的管理中積極運(yùn)用信息技術(shù);強(qiáng)化輸配電線路的技術(shù)管理等方面對輸配電線路的安全運(yùn)行技術(shù)進(jìn)行了探討。
【關(guān)鍵詞】輸配電線路 安全運(yùn)行 問題 措施
輸配電線路是一種將電力用戶與供電系統(tǒng)連接在一起的電力傳輸設(shè)施，其運(yùn)行安全與否直接決定著電力系統(tǒng)的運(yùn)行質(zhì)量，從而直接影響到我們?yōu)豸斖咛崴Πl(fā)電廠的經(jīng)濟(jì)效益。近年來，隨著輸配電線路事故發(fā)生率節(jié)節(jié)攀升，對人們的生命安全造成嚴(yán)重威脅。因此，為了確保烏魯瓦提水力發(fā)電廠的正常運(yùn)行以及用戶用電的正常，我們必須采取相應(yīng)維護(hù)措施，加強(qiáng)輸配電線路的安全運(yùn)行。結(jié)合多年實(shí)踐經(jīng)驗(yàn)，筆者從以下幾個(gè)方面對此問題進(jìn)行探究。
1 輸配電線路安全運(yùn)行的問題分析
在實(shí)際運(yùn)行過程中，輸配電線路所處的環(huán)境較為復(fù)雜，影響其安全運(yùn)行的因素（見表1）也較多。筆者結(jié)合自身多年一線實(shí)踐經(jīng)驗(yàn)，分析、總結(jié)輸配電網(wǎng)安全運(yùn)行中存在的問題。
2 提高輸配電線路安全運(yùn)行的措施探究
2.1 在輸配電線路的管理中積極運(yùn)用信息技術(shù)
科技是第一生產(chǎn)力，在任何行業(yè)都如此。如果能夠熟練運(yùn)用最新科技產(chǎn)物將給整個(gè)輸配電線路的管理工作帶來極大便利。信息技術(shù)在配電網(wǎng)中的應(yīng)用主要在管理設(shè)備、檢測運(yùn)行狀態(tài)、管理用電等方面。安全問題一直都是電力行業(yè)的重點(diǎn)，要保證電力設(shè)備的安全狀態(tài)必須對其進(jìn)行實(shí)時(shí)監(jiān)控，對出現(xiàn)的異常及時(shí)的進(jìn)行分析排查。例如我們可以用絕緣系統(tǒng)為例來說明信息技術(shù)對配電網(wǎng)的重要作用。對電力設(shè)備來說，決定其使用年限的重要因素之一就是絕緣材料，它的使用壽命將直接決定設(shè)備的使用壽命。絕緣系統(tǒng)在工作過程長期暴露在電、物理、化學(xué)、自然災(zāi)害等不可抗的損害之下，將不可避免的逐漸老化，嚴(yán)重影響其使用性能。在嚴(yán)重的情況下，甚至?xí)霈F(xiàn)絕緣缺陷的嚴(yán)重問題，一旦這些問題沒有及時(shí)發(fā)現(xiàn)并進(jìn)行有效改進(jìn)措施，將會(huì)引起運(yùn)行障礙甚至引發(fā)安全事故。而信息技術(shù)可以自動(dòng)實(shí)時(shí)監(jiān)控配電網(wǎng)絡(luò)中的各個(gè)設(shè)備和線路，一旦參數(shù)出現(xiàn)異常，信息技術(shù)都將可以在第一時(shí)間發(fā)現(xiàn)并排查，以最快的速度恢復(fù)正常。提高供電網(wǎng)絡(luò)的可靠性。對配電網(wǎng)進(jìn)行信息技術(shù)管理可以提供以下管理功能：
（1）輸配電線路內(nèi)出現(xiàn)故障時(shí)可以及時(shí)發(fā)現(xiàn)，隔離并排查恢復(fù)。
（2）整個(gè)恢復(fù)過程由電腦自動(dòng)化全程控制。
（3）在輸配電線路進(jìn)行故障維修或維護(hù)時(shí)，能自動(dòng)實(shí)現(xiàn)負(fù)荷平衡的配電網(wǎng)供電過程。
（4）對輸配電線路的監(jiān)控?cái)?shù)據(jù)都顯示在配有街區(qū)線路圖的顯示器上。
（5）可以提供用戶與設(shè)備連接的信息。
（6）各種數(shù)據(jù)顯示結(jié)果與檢測報(bào)告可以紙質(zhì)化。
（7）為進(jìn)一步保證安全配電，可以為相關(guān)工作人員提供比較真實(shí)的培訓(xùn)演練過程。
2.2 強(qiáng)化輸配電線路的技術(shù)管理
輸配電線路的安全管理是一項(xiàng)涉及項(xiàng)目多、技術(shù)要求高、更新速度快的系統(tǒng)工作，在配電網(wǎng)的實(shí)際運(yùn)行維護(hù)階段，工作人員應(yīng)積極引進(jìn)和運(yùn)用先進(jìn)的科學(xué)技術(shù)，強(qiáng)化輸配電網(wǎng)的技術(shù)管理。目前，在輸配電網(wǎng)的運(yùn)行過程中往往需要用到以下技術(shù)，如表2所示。
3 結(jié)束語
總而言之，維持輸配電線路的安全運(yùn)行是一項(xiàng)長期、系統(tǒng)的工作。輸配電線路的正常運(yùn)行是保證電力系統(tǒng)安全運(yùn)行的關(guān)鍵，也是用戶正常用電的安全保障。因此，對輸配電線路進(jìn)行安全管理是極為重要的。但是當(dāng)前我國在輸配電線路的安全運(yùn)行和管理中還存在一定的不足之處，給輸配電線路的安全運(yùn)營帶來了隱患。這就需要電力工作人員在日常的工作中及時(shí)發(fā)現(xiàn)不足，并采取一定的措施如做好日常安全管理;強(qiáng)化輸配電線路的技術(shù)管理;在輸配電線路的管理中積極運(yùn)用信息技術(shù)，全面保證電力系統(tǒng)的安全可靠運(yùn)行，給人們營造一個(gè)安全的用電環(huán)境，不斷提高人們的生活品質(zhì)。
參考文獻(xiàn)
[1]吳若愚，彭學(xué)洪，張雷.輸配電線路的安全運(yùn)行問題與對策[J].企業(yè)技術(shù)開發(fā)（下半月），2014（06）.
[2]程浩.對輸配電線路安全運(yùn)行的探究[J].中國科技信息，2013（15）.
[3]劉達(dá)應(yīng).輸電線路人為因素外力破壞原因分析和應(yīng)對措施探討[J].中國科技博覽， 2011（35）.
關(guān)鍵詞：膠合板； 聲發(fā)射； 小波包變換； 神經(jīng)網(wǎng)絡(luò)
中圖分類號：TN911.7-34; TB52+9文獻(xiàn)標(biāo)識碼：A文章編號：1004-373X(2011)21-0096-04
Wavelet Feature Extraction and Neural Network Pattern
Recognition of Plywood Acoustic Emission Signals
XU Feng， ZHAO Ming-zhong, LIU Yun-fei
(College of Information Science and Technology, Nanjing Forestry University, Nanjing 210037, China)
Abstract：
To identify the different damage types of plywood, a feature extraction method of plywood acoustic emission signal based on time-frequency and proportion of energy is proposed by combining wavelet-packet time-frequency analysis with energy spectrum. The research indicates that dilatational wave and flexural wave are main modes of plywood matrix cracks signal with wide frequency spectrum, and the energy of signal is mainly concentrated in the first, second, third, fourth and seventh-band of the wavelet power spectrum. Delamination and fiber fracture signals of five-story plywood are mainly dominated by dilatational wave and flexural wave mode respectively, the former frequency is unitary and amplitude is higher, the latter energy mostly focus on the first, second band. Degumming signal waveform are composed of dilatational wave and flexural wave， and the flexural wave is dominant, whose signal energy focus on the first, second, third and fourth band of the wavelet power spectrum. An intelligent pattern classifier with BP neural network was used in recognition of those four kinds of AE signals, the recognition accuracy of flaws amounted to 92.6%.
Keywords： plywood； acoustic emission； wavelet package transform； neural network
0 引 言
聲發(fā)射(Acoustic Emission,AE)是材料受外力或內(nèi)力作用產(chǎn)生變形或斷裂時(shí)，以彈性波的形式釋放出應(yīng)變能的現(xiàn)象［1］。目前聲發(fā)射技術(shù)作為一種成熟的無損檢測方法，已被廣泛應(yīng)用于石油化工工業(yè)、電力工業(yè)、材料試驗(yàn)等多個(gè)領(lǐng)域，但對膠合板的損傷監(jiān)測，AE技術(shù)鮮有報(bào)道。
膠合板(也稱夾板)是按相鄰層木紋方向互相垂直的單板，經(jīng)組坯膠合而成的板材，在我國已廣泛應(yīng)用于家具工業(yè)和建筑工業(yè)。膠合板的損傷模式主要包括基體開裂、纖維斷裂、脫膠、分層等，每一種損傷都對應(yīng)特定的聲發(fā)射信號。然而，不同的損傷模式通常以組合形式出現(xiàn)，類別特征相互重疊［2］，同時(shí)由于傳播介質(zhì)的各向異性和多源性噪聲的污染，加大了AE信號鑒別的難度。因此，提取各聲源信號特征與識別其損傷模式是聲發(fā)射應(yīng)用的首要任務(wù)和核心技術(shù)。
由于小波分析同時(shí)具有時(shí)域和頻域表征信號局部特征的能力，所以特別適合分析瞬態(tài)特性的聲發(fā)射信號。文獻(xiàn)［3］用小波變換的方法分析了薄板中的彈性波，指出在波的傳播過程中，多模式和頻散的特性、模式的分離有助于準(zhǔn)確提取信號中的信息。文獻(xiàn)［4］用Daubechies離散小波進(jìn)行了多尺度分解，利用頻率能量分析玻璃纖維增強(qiáng)復(fù)合材料的不同損傷模式。通過區(qū)分能量的大小和不同能量所處的頻率范圍揭示了材料的破損模式。同時(shí)，近年來的研究發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)可對數(shù)據(jù)量多、特征復(fù)雜的信號提供準(zhǔn)確度較高的自動(dòng)分類能力。因此，本文結(jié)合小波分析和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對膠合板不同損失聲發(fā)射信號進(jìn)行特征提取和模式識別。
1 小波包能量特征提取算法
1.1 小波包定義［5］
給定正交尺度函數(shù)Е(t)和小波函數(shù)(t)，其中：
1.2 基于小波包分解的能量特征提取算法
小波包分解是在多分辨率基礎(chǔ)上構(gòu)成的一種更精細(xì)的正交分解方法。它根據(jù)被分析信號本身的特點(diǎn)，自適應(yīng)地選擇頻帶，確定信號在不同頻段的分辨率。分解得到的各個(gè)頻段分量既包含了信號的局部特征，也包含了不同的時(shí)間尺度信息，從而精確地給出信號能量隨頻率和時(shí)間的聯(lián)合分布情況，即各頻帶能量的變化表征了各種信源的特征。因此，本文提取各尺度下各頻段分量的能量占比作為各信號特征向量來識別聲源類型。基于小波包分解的能量特征提取步驟如下：
(1) 對原始信號進(jìn)行k層小波包分解，分別選擇第k層從低頻到高頻包含主要信息的前n(n≤2k)個(gè)頻段分量的信號特征；
(2) 對小波包分解系數(shù)重構(gòu)(重構(gòu)信號設(shè)為Ski)，提取各頻段范圍的信號；
(3) 求各頻帶信號的總能量Eki：
И
И
2 人工神經(jīng)網(wǎng)絡(luò)模式識別方法
2.1 神經(jīng)網(wǎng)絡(luò)的選擇
人工神經(jīng)網(wǎng)絡(luò)是一個(gè)高度非線性的自適應(yīng)并行分布處理信息系統(tǒng)，其信息處理由神經(jīng)元之間的相互作用來實(shí)現(xiàn)。信息的存貯表現(xiàn)為神經(jīng)元之間的物理聯(lián)系。網(wǎng)絡(luò)的學(xué)習(xí)取決于神經(jīng)元連接權(quán)系的動(dòng)態(tài)演化過程。神經(jīng)網(wǎng)絡(luò)的類型多種多樣，但與模式識別的結(jié)合最成功的是多層前饋網(wǎng)絡(luò)，也就是通常簡稱的BP(Back-propagation Network)網(wǎng)絡(luò)［6］，本文即選其進(jìn)行模式識別。
2.2 BP網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)
由BP定理可知, 一個(gè)帶S型激活函數(shù)的三層BP網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)數(shù)足夠多，能以任意精度逼近有界區(qū)域上的任意連續(xù)函數(shù)，即一個(gè)三層的BP網(wǎng)絡(luò)就能完成任意的n維到m維的映射。BP神經(jīng)網(wǎng)絡(luò)最重要的是隱含層的確定。雖然隱層神經(jīng)元數(shù)目的選擇不存在一個(gè)理想的解析式，但隱單元數(shù)目與問題的要求、輸入/輸出單元的數(shù)目都有著直接關(guān)系。綜合現(xiàn)有文獻(xiàn)，隱含層元個(gè)數(shù)的計(jì)算公式為:
И
n1=n+m+a
(7)
И
式中:n1為隱單元數(shù)；m為輸出神經(jīng)元數(shù)；n為輸入單元數(shù)；a是［0，10］之間的常數(shù)。
輸入層節(jié)點(diǎn)數(shù)一般由一組特征值樣本的數(shù)據(jù)量決定。在分類網(wǎng)絡(luò)中輸出層節(jié)點(diǎn)數(shù)可取類別數(shù)x或┆log x。П疚囊含層采用雙曲正切S型激活函數(shù)，輸出層采用對數(shù)S型激活函數(shù)。
2.3 訓(xùn)練函數(shù)的選擇
采用不同的訓(xùn)練函數(shù)對網(wǎng)絡(luò)的性能可能會(huì)有影響，比如收斂速度等。本文應(yīng)用各種典型訓(xùn)練函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，觀察各種訓(xùn)練算法的收斂速度和誤差，最后確定Levenberg-Marquardt算法為本識別的最優(yōu)訓(xùn)練函數(shù)。
3 實(shí)驗(yàn)和分析
3.1 實(shí)驗(yàn)方法［7］
試驗(yàn)對普通膠合板的膠合強(qiáng)度進(jìn)行測試研究。樣品選用德華裝飾有限公司的“兔寶寶”牌5層膠合板，其內(nèi)部為雜木夾芯，外覆桃花芯面板，由環(huán)保脲醛膠粘合而成。試樣(如圖1所示)按GB9846.9定義的普通膠合板力學(xué)性能測試試件方法鋸制，尺寸為250 mm×25 mm×5 mm。試驗(yàn)測試溫度為25 ℃，樣品為氣干狀態(tài)。加載系統(tǒng)為深圳新三思有限公司SANS-CMT6104臺(tái)式萬能試驗(yàn)機(jī)；采集系統(tǒng)選用美國PAC公司PCI-2聲發(fā)射采集系統(tǒng)，用兩個(gè)寬帶傳感器S9208組成線定位陣列方式，同時(shí)采集各個(gè)波擊的波形。
試驗(yàn)中為保證傳感器與材料表面良好耦合，選用真空脂作為耦合劑，傳感器采用透明膠帶固定在試樣的表面。試樣兩端夾緊于試驗(yàn)機(jī)的一對活動(dòng)夾具中，使其成一直線，試樣中心通過活動(dòng)夾具的軸線，拉伸沿試樣長度方向進(jìn)行，等速加荷，速度為3 mm/min，最大破壞荷重的讀數(shù)精確到5 N，拉伸過程在準(zhǔn)靜態(tài)條件下進(jìn)行，直到試樣斷裂為止。拉伸模型如圖2所示。
圖1 五層膠合板拉伸試樣圖(單位：mm)
3.2 膠合板加載聲發(fā)射信號特征分析
對于厚度方向尺寸遠(yuǎn)小于其他兩個(gè)方向的板而言，相應(yīng)于一定的激勵(lì)條件，在其中主要形成的是板波(Lamb波)。由文獻(xiàn)［8-9］可知，受激勵(lì)后，板中存在多種模式的板波，但當(dāng)板厚遠(yuǎn)小于波長時(shí)，主要以兩種模式的波為主，即最低階的對稱波S0和最低階的反對稱波A0。前者即是膨脹波，其傳播速度是一個(gè)定值，沒有頻散效應(yīng)；后者亦稱彎曲波，它的傳播速度與角頻率的平方根成正比，有頻散效應(yīng)。一般情況下，板中的波是這兩種波的組合，這兩種波位移的相對幅度同激勵(lì)方式有關(guān)。研究發(fā)現(xiàn)［8］，當(dāng)激勵(lì)力源作用方向與板平面垂直時(shí)，在板中主要產(chǎn)生的是彎曲波。相反，當(dāng)力源作用方向沿板方向時(shí)，產(chǎn)生的主要是膨脹波。一般而言，膨脹波的高頻成分要比彎曲波豐富。膠合板受載形變作為強(qiáng)聲發(fā)射源，其聲源有基體開裂、纖維斷裂、脫膠、分層等。理想上，纖維斷裂總在平面內(nèi)完成，其類似于一個(gè)沿板平面方向的力源，因此，激發(fā)的聲發(fā)射信號應(yīng)以膨脹波為主，無頻散效應(yīng)；而分層損傷則明顯沿板厚方向發(fā)生，類似于一個(gè)沿板平面垂直方向的力源，因此，所激發(fā)的聲信號波形當(dāng)以彎曲波為主，存在頻散效應(yīng)；基體開裂、脫膠產(chǎn)生的聲發(fā)射信號，其特征介于兩者之間，┮話閿ν時(shí)表現(xiàn)為膨脹波和彎曲波兩種組合形式。
3.3 實(shí)驗(yàn)結(jié)果分析
本文選用db3小波［10-12］對采集的聲發(fā)射信號做5層小波包分解，并進(jìn)行第五層系數(shù)重構(gòu)，計(jì)算各葉子能量占比，繪制時(shí)頻、小波包譜和頻譜圖，比較各典型信號的特征差異。由實(shí)驗(yàn)結(jié)果得知，聲發(fā)射源主要集中在主損傷區(qū)或斷裂部位。考慮到聲源的位置、材料物理特性及波的傳播對類別特征的復(fù)雜影響［2］，將所有樣本取自主損傷區(qū)寬20 mm范圍內(nèi)的事件。對比四種典型的聲發(fā)射源波形、頻譜和小波包譜圖，篩選出四類樣本數(shù)據(jù)集，并應(yīng)用小波閾值法消噪，得到各類別信號的典型波形如圖3～圖6所示。觀察圖3～圖6中信號的傅立葉頻譜發(fā)現(xiàn)，膠合板破壞損傷多以低于300 kHz以下的頻率信號為主，且難以區(qū)分其特征差別。為獲取各損傷信號的特征，必須結(jié)合小波包時(shí)頻和小波包譜圖分析。
圖2 五層膠合板拉伸模型示意圖
基體開裂如圖3所示，波形以低幅度較寬脈沖為主，頻段較寬，膨脹波和彎曲波模式并舉。FFT主峰頻率位于40～180 kHz，小波時(shí)頻圖特征峰約集中在100 kHz以下和200 kHz處，發(fā)生的時(shí)間約在0.5～1.2 ms之間。小波包譜峰位于第一至第四和第七頻段內(nèi)，其中第一、第二頻段的能量接近，總和約占總能量的60％，剩余40％幾乎集中于第三、四、七段。
圖3 膠合板基體開裂原始信號(去噪)
及其頻譜、時(shí)頻、小波包能量譜圖
圖4為五層膠合板纖維斷裂圖，由圖中得出的信號主要以高幅度較寬脈沖形式出現(xiàn)，頻率較低且單一，無頻散現(xiàn)象。纖維斷裂的FFT峰值主要集中在22～40 kHz，時(shí)頻圖特征峰位于40 kHz處，持續(xù)時(shí)間約為1 ms，小波譜峰值主要位于第二頻段，能量占到總能量的70％以上，第一、四頻段能量約占20％。結(jié)合樣品斷口紋理分析，斷裂主要沿垂直于纖維方向擴(kuò)展，呈剪切斷裂方式，波形以膨脹波為主導(dǎo)，基本與第3.2節(jié)的信號分析一致。
五層膠合板脫膠信號如圖5所示，信號以中低幅窄脈沖為主，波形為彎曲波模式和膨脹波模式的混合型，且彎曲波模式占主導(dǎo)。受膨脹波成分的影響，在200 kHz頻率處也出現(xiàn)峰值，能量在大于100 kHz頻域上有所分布，但主要集中在小于50 kHz的頻域。從失效樣品查看，明顯存在分層和互相滑移現(xiàn)象，與上述分析基本一致。
圖4 膠合板纖維斷裂原始信號(去噪)
及其頻譜、時(shí)頻、小波包能量譜圖
圖5 膠合板脫膠原始信號(去噪)
及其頻譜、時(shí)頻、小波包能量譜圖
觀察圖6發(fā)現(xiàn)，五層膠合板分層信號中傅里葉頻譜的峰值主要位于11～55 kHz，小波時(shí)頻圖的特征峰主要集中在40 kHz處，持續(xù)時(shí)間約為1.2 ms，小波包譜能量主要集中在第一、二、三、四段，且第一、二段能量所占比重接近，總和占到了總能量的85％。信號多以中幅度寬脈沖形式為主，信號持續(xù)時(shí)間較長。分層是典型的垂直板平面方向的力源作用，信號明顯存在頻散現(xiàn)象，波形以彎曲波模式為主，能量主要集中在40 kHz以下。
圖3～圖6表明，信號的波形、頻譜和小波包譜等類別特征均有不同程度的重疊，但對5種類別的信號均顯示出一定的鑒別能力，尤其以小波包分析提取的特征更為明顯，以該特征作為樣本可為后續(xù)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別提供依據(jù)。
3.4 模式識別
按照第1.2所述方法對聲發(fā)射信號進(jìn)行5層小波包分解，將整個(gè)頻段分成32個(gè)頻帶，考慮反應(yīng)聲源信號特征的能量主要集中在前10個(gè)頻段，因此提取前10個(gè)葉子的能量分布為聲發(fā)射信號特征，以此作為BP網(wǎng)絡(luò)的訓(xùn)練樣本。樣本包含膠合板脫膠10組、纖維斷裂10組、分層12組和基體開裂8組共計(jì)40組。網(wǎng)絡(luò)在經(jīng)過81次訓(xùn)練后達(dá)到設(shè)定的最小期望誤差0.001(見┩7)。采用網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)進(jìn)行識別，識別正確率達(dá)到 100%。證明該網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，能夠按照給定的輸入/輸出正確建模。
圖6 膠合板分層原始信號(去噪)
及其頻譜、時(shí)頻、小波包能量譜圖
為檢驗(yàn)網(wǎng)絡(luò)的推廣應(yīng)用性能，采用該網(wǎng)絡(luò)對118組測試樣本(脫膠30組、纖維斷裂30組、分層28組和基體開裂30組)進(jìn)行檢驗(yàn)，識別正確率達(dá)到 92.6%。這表明該人工神經(jīng)網(wǎng)絡(luò)的范化能力較高，設(shè)計(jì)結(jié)構(gòu)合理，達(dá)到自動(dòng)識別聲發(fā)射信號類別的目標(biāo)，具有良好的推廣價(jià)值。
4 結(jié) 論
(1) 針對聲發(fā)射這種瞬間的突變信號，小波分析確實(shí)能很好地同時(shí)表現(xiàn)出時(shí)域和頻域的局部特征;
(2) 綜合各類模式信號的波形、頻譜、小波包時(shí)頻圖和小波包能譜圖分布等特征，可確定不同損傷機(jī)制所對應(yīng)的聲發(fā)射信號特征，為神經(jīng)網(wǎng)絡(luò)模式識別提供質(zhì)量較高的模式樣本;
(3) 設(shè)計(jì)的BP人工神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確度較高地識別出4種不同損傷機(jī)制造成的聲發(fā)射信號。
由于木質(zhì)膠合板的聲發(fā)射研究國內(nèi)開展的不多，對該類材料的聲發(fā)射特征的分析及識別還待進(jìn)一步研究，尤其對多層膠合板聲發(fā)射特征的定量研究還有待于大量實(shí)驗(yàn)數(shù)據(jù)的積累和歸納。
參考文獻(xiàn)
［1］袁振明，馬羽寬，何澤云．聲發(fā)射技術(shù)及其應(yīng)用［M］．北京：機(jī)械工業(yè)出版社，1985.
［2］殷冬萌，王軍，劉云飛．木塑復(fù)合材料缺陷及損傷的聲發(fā)射信號特征分析及神經(jīng)網(wǎng)絡(luò)模式識別［J］．應(yīng)用聲學(xué)，2007，26(6)：352-356．
［3］JIAO Jing-pin， HE Cun-fu， WU Bin，et al．Application of wavelet transform on modal acoustic emission source location in thin plates with one sensor \[J\]. International Journal of Pressure Vessels and Piping, 2004, 81: 427-431.
［4］QI Gang. Wavelet-based AE characterization of composite materials \[J\]. NDT& E International, 2000, 3(3): 133-144.
［5］胡昌華，張軍波，夏軍，等．基于Matlab的系統(tǒng)分析與設(shè)計(jì):小波分析［M］．西安：西安電子科技大學(xué)出版社，1999.
［6］毛漢穎，成建國，黃振峰．基于BP神經(jīng)網(wǎng)絡(luò)的金屬裂紋聲發(fā)射信號特征參數(shù)的提取［J］．機(jī)械設(shè)計(jì)，2010，27(2)：84-86．
［7］陸仁書．膠合板制造學(xué)［M］．2版.北京：中國林業(yè)出版社，1993.
［8］耿榮生，沈功田，劉時(shí)風(fēng)．基于波形分析的聲發(fā)射信號處理技術(shù)［J］．無損檢測，2002，24(6):257-261．
［9］LOWE M J S， DILIGENT O． Low-frequency reflection characteristics of the s0 Lamb wave from a rectangular notch in a plate \[J\]. Acoustical Society of America, 2002, 111 (1): 64-74.
［10］徐長發(fā)，李國寬．實(shí)用小波方法［M］．2版.武漢：華中科技大學(xué)出版社，2004.
［11］楊曉楠，唐和生，陳榮，等．鋼結(jié)構(gòu)損傷識別中db族小波函數(shù)選擇［J］．同濟(jì)大學(xué)學(xué)報(bào)，2006，34(12):1568-1572．
［12］周小勇，葉銀忠．故障信號檢測的小波基選擇方法［J］．控制工程，2003，10(4):308-311．
關(guān)鍵詞：仿生；模式識別；神經(jīng)網(wǎng)絡(luò)；分類器
中圖分類號： F224-39 文獻(xiàn)標(biāo)識碼： A 文章編號： 1673-1069（2017）02-154-2
1 仿生模式識別的引入
為了適應(yīng)現(xiàn)實(shí)需要，人們開始希望機(jī)器能夠代替人類完成某些繁重的識別工作。我們通常所說的模式識別就是指運(yùn)用機(jī)器進(jìn)行分類識別。以往的識別方法，多數(shù)是建立在“分類劃分”的基礎(chǔ)上，根據(jù)給定的分類準(zhǔn)則來找尋“最優(yōu)的分類界面”，具體的實(shí)現(xiàn)算法也都是注重于不同類樣本的區(qū)別，即，一類樣本與有限種類已知樣本之間的區(qū)分。基于此出發(fā)點(diǎn)的局限性，識別當(dāng)中出現(xiàn)的問題是顯而易見的：首先，如果遇見未學(xué)習(xí)過的新事物，常常會(huì)牽強(qiáng)地認(rèn)為它是某一類已學(xué)過的舊事物；其次是對未學(xué)習(xí)過的新事物進(jìn)行學(xué)習(xí)時(shí)，往往會(huì)破壞掉原來的規(guī)矩，打亂舊事物的識別。針對以上的缺陷，才有了仿生模式識別的概念。仿生模式的目標(biāo)是找到同類事物的最佳覆蓋面。
2 仿生模式識別在神經(jīng)網(wǎng)絡(luò)中的超曲面劃分
2.1 多權(quán)值神經(jīng)網(wǎng)絡(luò)的高維封閉曲面
（5）式中Wji和W′ji是方向權(quán)值，它們決定了曲面的方向，W′ji是核心權(quán)值，它決定了曲面的幾何中心。Xj為第j個(gè)輸入端的輸入；n是輸入空間維數(shù)；p為冪參數(shù)，用以控制曲面的彎曲程度；s表示單項(xiàng)正負(fù)號方法的參數(shù)，若S=0單項(xiàng)符號只能為正，若S=1時(shí)單項(xiàng)的符號和Wji的符號相同；若設(shè)置了S=0，則該式就變成了一個(gè)封閉超曲面的神經(jīng)元。f函數(shù)的基設(shè)置為一個(gè)定值時(shí)，輸入點(diǎn)的軌跡是一個(gè)封閉的超曲面，其核心位置由決定。
用p值來改變封閉超曲面的形狀，如圖1～圖8所示。若使權(quán)值取不同的值，就相當(dāng)于將封閉曲面在不同方向進(jìn)行拉伸或壓縮，θ取值不同，則偏離核心位置的程度也不同。
2.2 通用超曲面神經(jīng)網(wǎng)絡(luò)的計(jì)算式
上式中，Ymi（t+1）是輸入空間的第i個(gè)神經(jīng)元在輸入第m個(gè)對象，在t+1時(shí)間的輸出狀態(tài)值。i是神經(jīng)元數(shù)量，最大是1024。Wji與W′ji是第j個(gè)輸入節(jié)點(diǎn)至第i個(gè)神經(jīng)元的“方向”權(quán)值和“核心”權(quán)值；fki是第i個(gè)神經(jīng)元的輸出非線性函數(shù)，下標(biāo)ki是第i個(gè)神經(jīng)元的非線性函數(shù)在函數(shù)庫中的序號；Imj表示的是第m個(gè)輸入對象中的第j個(gè)輸入值；W′cgi和是Wcgi第cg個(gè)（取值范圍[1，256]）神經(jīng)元輸出到第i個(gè)（取值范圍[1，1024]）神經(jīng)元的權(quán)值“核心”和“方向”權(quán)值；p表示的是冪參數(shù)；而S是單項(xiàng)正負(fù)符號規(guī)則；（t）為當(dāng)輸入為第m個(gè)對象時(shí)第cg個(gè)神經(jīng)元在時(shí)間t的輸出狀態(tài)值，θ（[1，1024]）是第i個(gè)神經(jīng)元的閾值；λi是神經(jīng)元非線性函數(shù)坐標(biāo)比例因子；Ci是神經(jīng)元輸入規(guī)模比例因子。
由傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)向基RBF神經(jīng)網(wǎng)絡(luò)及超曲面神經(jīng)網(wǎng)絡(luò)對圖9中三類事物的分類邊界分別為折線和圓環(huán)及橢圓的并，可見超曲面神經(jīng)網(wǎng)絡(luò)具有更準(zhǔn)確的分類效果。
3 總結(jié)
仿生模式識別是對事物逐類分別訓(xùn)練“認(rèn)識”的過程。它的顯著優(yōu)點(diǎn)是對于沒有經(jīng)過訓(xùn)練的對象會(huì)拒識，而新增加樣本的訓(xùn)練不會(huì)影響到原有的識別。因此，仿生模式識別，較之原有的識別模式識別效果更佳，可以廣泛應(yīng)用在人臉識別，語音識別等眾多領(lǐng)域。
參 考 文 獻(xiàn)
[1] 覃鴻，王守覺.多權(quán)值神經(jīng)元網(wǎng)絡(luò)仿生模式識別方法在低訓(xùn)練樣本數(shù)量非特定人語音識別中與HMM及DTW的比較研究[J].電子學(xué)報(bào)，2005（5）.
【關(guān)鍵詞】 圖像識別技術(shù) 神經(jīng)網(wǎng)絡(luò)識別
模式識別研究的目的是用機(jī)器來模擬人的各種識別能力―比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計(jì)算機(jī)與外部環(huán)境直接通信這一問題。可以說，圖像識別的研究目標(biāo)是為機(jī)器配置視覺“器官”，讓機(jī)器具有視覺能力，以便直接接受外界的各種視覺信息。
一、圖像識別系統(tǒng)
一個(gè)圖像識別系統(tǒng)可分為四個(gè)主要部分：被識圖像、圖像信息獲取、圖像預(yù)處理、圖像特征提取、分類判決。
二、圖像識別方法
圖像識別的方法很多，可概括為統(tǒng)計(jì)（或決策理論）模式識別方法、句法（或結(jié)構(gòu)）模式識別方法、模糊模式識別方法以及神經(jīng)網(wǎng)絡(luò)識別方法。重點(diǎn)介紹神經(jīng)網(wǎng)絡(luò)識別方法。
2.1神經(jīng)網(wǎng)絡(luò)識別方法
2.1.1人工神經(jīng)網(wǎng)絡(luò)的組成
人工神經(jīng)網(wǎng)絡(luò)（簡稱ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡(luò)，用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱作人工神經(jīng)元。
2.1.2人工神經(jīng)網(wǎng)絡(luò)的輸出
2.1.3人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
人工神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡(luò)的不同連接模型。常見的連接模型有：前向網(wǎng)絡(luò)、從輸入層到輸出層有反饋的網(wǎng)絡(luò)、層內(nèi)有互聯(lián)的網(wǎng)絡(luò)及互聯(lián)網(wǎng)絡(luò)。
2.1.4 學(xué)習(xí)算法
1）感知器模型及其算法
算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機(jī)數(shù)，然后把有n個(gè)連接權(quán)值的輸入送入網(wǎng)絡(luò)中，經(jīng)加權(quán)運(yùn)算處理后，得到一個(gè)輸出，如果輸出與所期望的有較大的差別，就對連接權(quán)值參數(shù)按照某種算法進(jìn)行自動(dòng)調(diào)整，經(jīng)過多次反復(fù)，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。
2）反向傳播模型及其算法
反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學(xué)習(xí)算法。
算法思想是：B-P算法的學(xué)習(xí)目的是對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對任一輸入都能得到所期望的輸出。學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播用于對前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對某一輸入信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果；反向傳播用于逐層傳遞誤差，修改神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)最終得到的輸出能夠達(dá)到期望的誤差要求。
B-P算法的學(xué)習(xí)過程如下：
第一步：選擇一組訓(xùn)練樣例，每一個(gè)樣例由輸入信息和期望的輸出結(jié)果兩部分組成；第二步：從訓(xùn)練樣例集中取出一樣例，把輸入信息輸入到網(wǎng)絡(luò)中；第三步：分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出；第四步：計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差；第五步：從輸出層反向計(jì)算到第一個(gè)隱層，并按照某種原則（能使誤差向減小方向發(fā)展），調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的權(quán)值；第六步：對訓(xùn)練樣例集中的每一個(gè)樣例重復(fù)一到五的步驟，直到誤差達(dá)到要求時(shí)為止。
3）Hopfield模型及其學(xué)習(xí)算法
它是一種反饋型的神經(jīng)網(wǎng)絡(luò)，在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，使得網(wǎng)絡(luò)具有了動(dòng)態(tài)性，因此網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中。
算法思想是：
（a） 設(shè)置互連權(quán)值
其中xis是s類樣例的第i個(gè)分量，它可以為1或0，樣例類別數(shù)為m，節(jié)點(diǎn)數(shù)為n。
（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1
其中Yi（t）為節(jié)點(diǎn)I在t時(shí)刻的輸出，當(dāng)t=0時(shí)，Yi（0）就是節(jié)點(diǎn)I的初始值，Xi為輸入樣本的第I個(gè)分量。
（c） 迭代直到收斂
人 工 智 能 作 業(yè)
擁抱人工智能
學(xué)院：
年級：
專業(yè)：
學(xué)號：
姓名：
擁抱人工智能
摘 要：介紹了人工智能的含義以及模式識別的領(lǐng)域。
關(guān)鍵詞 人工智能；模式識別；AlphaGo
1 人工智能
1.1人工智能的含義
人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時(shí)代、不同的人對這種“復(fù)雜工作”的理解是不同的。AlphaGo的勝利，無人駕駛的成功，模式識別的突破性進(jìn)展，人工智能的的飛速發(fā)展一次又一次地挑動(dòng)著我們的神經(jīng)。作為人工智能的核心，機(jī)器學(xué)習(xí)也在人工智能的大步發(fā)展中備受矚目，光輝無限。
我所理解的人工智能，就是如下五個(gè)定義。定義一：AI就是讓人覺得不可思議的計(jì)算機(jī)程序。定義二：AI就是與人類思考方式相似的計(jì)算機(jī)程序。定義三：AI就是與人類行為相似的計(jì)算機(jī)程序。定義四：AI就是會(huì)學(xué)習(xí)的計(jì)算機(jī)程序。定義五：AI就是根據(jù)對環(huán)境的感知，做出合理的行動(dòng)，并獲得最大收益的計(jì)算機(jī)程。如今人工智能的時(shí)代到來，給予了我們很大的便利。如智能圖像理解軟件Google照片、智能美圖軟件美圖秀秀、只能搜索排序軟件Google、智能出行自動(dòng)駕駛軟件滴滴優(yōu)步司機(jī)、智能機(jī)器翻譯軟件有道翻譯官等。
1.2 人工智能的發(fā)展歷史
迄今為之，人工智能誕生已有62年。1956年，John McCarthy創(chuàng)造人工只能一次。1962年，IBM的阿瑟··薩繆爾開發(fā)的西洋跳棋程序就戰(zhàn)勝過一位盲人跳棋高手。1987年到1993年現(xiàn)代PC的出現(xiàn)，讓人工智能的寒冬再次降臨。1997年IBM計(jì)算機(jī)“深藍(lán)“成功擊敗世界頂級國際象棋高手之后，國際商用機(jī)器公司（IBM）又嘗試一輪新的人機(jī)博弈。2016年AlphaGo在圍棋人機(jī)大戰(zhàn)中擊敗韓國職業(yè)九段棋手李世石。
1.3 人工智能的復(fù)興
人工智能的復(fù)興可分為以下兩次。第一次AI熱潮由圖靈測試掀起。艾倫.圖靈是人工智能的開拓者，他所提出的圖靈測試，直到今天仍然是我們判定一部機(jī)器是否具有人類智慧的重要手段。假如有一臺(tái)宣稱自己會(huì)"思考"的計(jì)算機(jī)，人們該如何辨別計(jì)算機(jī)是否真的會(huì)思考呢？一個(gè)好方法是讓測試者和計(jì)算機(jī)通過鍵盤和屏幕進(jìn)行對話，測試者并不知道與之對話的到底是一臺(tái)計(jì)算機(jī)還是一個(gè)人。如果測試者分不清幕后的對話者是人還是機(jī)器，即，如果計(jì)算機(jī)能在測試中表現(xiàn)出與人等價(jià)，或至少無法區(qū)分的智能，那么，我們就說這臺(tái)計(jì)算機(jī)通過了測試并具備人工智能。第二次AI熱潮則由語音識別掀起。20世紀(jì)80年代到90年代的第二次AI熱潮中，語音識別是當(dāng)時(shí)最具代表性的幾項(xiàng)突破性進(jìn)展之一。今天我們拿出手機(jī)，使用蘋果手機(jī)內(nèi)置的語音輸入法，或者使用中文世界流行的科大訊飛語音輸入法，我們就可以直接對著手機(jī)說話以錄入文字信息。技術(shù)上，科大訊飛的語音輸入法可以達(dá)到每分鐘錄入400個(gè)漢字的輸入效率，甚至還支持十幾種方言輸入。
1.4人工智能所帶來的警示
AlphaGo帶來的警示是：如果計(jì)算機(jī)可以在兩年內(nèi)實(shí)現(xiàn)大多數(shù)人預(yù)測要花20年或更長時(shí)間才能完成的進(jìn)步，那么，還有哪些突破會(huì)以遠(yuǎn)超常人預(yù)期的速度來臨？這些突破會(huì)不會(huì)超出我們對人工智能的想象，顛覆人類預(yù)想中的未來？我們已為這些即將到來的技術(shù)突破做好準(zhǔn)備了嗎？AI真的會(huì)讓人類大量失業(yè)嗎？哪種工作最容易被AI取代？這一系列的問題，都引起我們的思考。
1.5 分析人工智能
人工智能的應(yīng)用場景有：自動(dòng)駕駛、智慧生活、智慧醫(yī)療、藝術(shù)創(chuàng)作、智慧金融、和人類同場競技等。今天的人工智能還不能做什么？情感、審美、自我意識、跨領(lǐng)域的推理、抽象能力、常識等。人工智能時(shí)代，程式化的、重復(fù)性的、僅靠記憶與練習(xí)就可以掌握的技能將是最沒有價(jià)值的技能，幾乎一定可以由機(jī)器來完成；反之，那些最能體現(xiàn)人的綜合素質(zhì)的技能，例如，人對于復(fù)雜系統(tǒng)的綜合分析、決策能力，對于藝術(shù)和文化的審美能力和創(chuàng)造性思維，由生活經(jīng)驗(yàn)及文化熏陶產(chǎn)生的直覺、常識，基于人自身的情感（愛、恨、熱情、冷漠等）與他人互動(dòng)的能力，這些是人工智能時(shí)代最有價(jià)值，最值得培養(yǎng)、學(xué)習(xí)的技能。
2 識別模式
如今，機(jī)器學(xué)習(xí)的應(yīng)用已遍及人工智能的各個(gè)分支，如專家系統(tǒng)、自動(dòng)推理、自然語言理解、模式識別、計(jì)算機(jī)視覺、智能機(jī)器人等領(lǐng)域。其中模式識別就是計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。當(dāng)我們?nèi)搜劭吹揭环嫊r(shí)，我們能夠很清晰的知道其中哪里是動(dòng)物，哪里是山，水，人等等，但是人眼又是如何識別和分辨的呢，其實(shí)很簡單，人類也是在先驗(yàn)知識和對以往多個(gè)此類事物的具體實(shí)例進(jìn)行觀察的基礎(chǔ)上得到的對此類事物整體性質(zhì)和特點(diǎn)的認(rèn)識的，并不是人類原本就有對這類事物的記憶，就好比嬰孩時(shí)期的我們，并不知道什么是狗，什么是帥哥，什么是美女，但是隨著我們的慢慢長大，我們觀察的多了，見的多了，再加上過來人的經(jīng)驗(yàn)指導(dǎo)，我們就知道的多了。 其實(shí)，每一種外界的事物都是一種模式，人類平均每天都在進(jìn)行著很多很多的各種各樣的模式識別，人們對外界事物的識別，很大部分是把事物進(jìn)行分類來完成的。而我們對事物進(jìn)行辨別，就是模式識別。
2.1 識別模式的主要方法
解決模式識別的方法主要有：模板匹配法，ANN法，基于知識的方法和基于數(shù)據(jù)的方法。基于知識的方法就是專家系統(tǒng)，句法識別就屬于基于知識的，但是句法識別不常用。基于數(shù)據(jù)的方法也就是基于統(tǒng)計(jì)的方法，即依據(jù)統(tǒng)計(jì)原理來構(gòu)造分類器，來對未知樣本進(jìn)行預(yù)測，這種學(xué)習(xí)過程是機(jī)器學(xué)習(xí)中研究最多的一個(gè)方向，也是模式識別采用的最主要方法。顧名思義，ANN也就是大名鼎鼎的神經(jīng)網(wǎng)絡(luò)。模式識別的研究范疇，存在兩個(gè)極端，要么分類和特征之間的關(guān)系完全確定，要么完全隨機(jī)。
2.2 監(jiān)督與無監(jiān)督
簡單來說，類別已定的就叫做有監(jiān)督分類，反之就是無監(jiān)督分類；前者因?yàn)槲覀冇幸阎獎(jiǎng)澐诸悇e的訓(xùn)練樣本來作為學(xué)習(xí)過程的“導(dǎo)師”，所以很多時(shí)候，有監(jiān)督和無監(jiān)督，又叫做有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)；
后者，在不知道要?jiǎng)澐值氖鞘裁搭悇e時(shí)，我們要做的工作是聚類（clustering），根據(jù)樣本特征將樣本聚成多少類，使屬于同一類的樣本在一定意義上是相似的，不同類之間的樣本則有較大差異，通過聚類得到的類別也稱作為聚類，但是通常在聚類中存在一個(gè)尺度問題，當(dāng)設(shè)置的尺度不一樣，得到的聚類也不一樣。所以在很多無監(jiān)督識別問題中，分類結(jié)果并不一定是唯一的，因此在沒有特別指定的目的情況下，很難說哪種分類方案更合理。另外，用一種方法在一個(gè)樣本集上完成了聚類分析，得到了若干個(gè)聚類，這種聚類結(jié)果只是數(shù)學(xué)上的一種劃分，對應(yīng)用的實(shí)際問題是否有意義，還需要結(jié)合更多更專業(yè)的知識來進(jìn)行解釋。
2.3 識別模式應(yīng)用
主要有：語音識別，說話人識別，OCR，復(fù)雜圖像定目標(biāo)的識別，根據(jù)地震勘探數(shù)據(jù)對地下儲(chǔ)層性質(zhì)的識別，利用基因表達(dá)數(shù)據(jù)進(jìn)行癌癥的分類等等。
2.4 模式識別系統(tǒng)的構(gòu)成
一個(gè)模式識別系統(tǒng)通常包括典型的四個(gè)部分（如下圖）：對原始數(shù)據(jù)的獲取和預(yù)處理，特征提取與特征選擇，分來或聚類，后處理；以上四個(gè)部分，無論是監(jiān)督的還是無監(jiān)督的都共有的，可以說是整個(gè)系統(tǒng)的核心所在，也是模式識別學(xué)科的主要研究內(nèi)容。
3 總結(jié)與期望
AI來了，有思想的人生并不會(huì)因此而黯然失色，因?yàn)槲覀內(nèi)康淖饑?yán)就在于思想。機(jī)器帶給人類的不是失業(yè)，而是更大的自由與更加個(gè)性化的人生體驗(yàn)。未來也將是一個(gè)人類和機(jī)器共存、協(xié)作完成各類工作的全新時(shí)代。正如譚鐵牛院士在中科院第十九次院士大會(huì)上的報(bào)告《人工智能:天使還是魔鬼？》所說的那樣，高科技本身沒有天使和魔鬼之分，人工智能也是如此，這一把雙刃劍，是天使還是魔鬼取決于人類自身。人工智能在天使手里是天使，在魔鬼手里就是魔鬼。因此我們有必要未雨綢繆形成合力，確保人工智能正面效應(yīng)，確保人工智能造福于人類。
參考文獻(xiàn)
[1]張學(xué)工，模式識別[M].北京:清華大學(xué)出版社,2000.1
1 交通方式識別關(guān)鍵技術(shù)研究
1.1 交通方式識別概述
模式是客觀事物活動(dòng)的方式，它包括客觀事物本身，也包括有客觀事物在時(shí)間和空間分布的信息。時(shí)間萬物都有其獨(dú)特性，這種獨(dú)特性可用三個(gè)方面來理解，即可觀察性、可區(qū)分性和相似性。
在AI（人工智能）領(lǐng)域，模式識別已經(jīng)是一個(gè)重要的分支，和人類自身的識別系統(tǒng)相比，計(jì)算機(jī)的模式識別，其優(yōu)勢在于計(jì)算機(jī)擁有極強(qiáng)的計(jì)算能力，他可以儲(chǔ)存數(shù)量極大的樣本，并通過對這些樣本的分析來提取特征，而完成這些工作，計(jì)算機(jī)是高效的。如圖1所示為計(jì)算機(jī)模式識別系統(tǒng)的五個(gè)基本組成單元。
如圖1所示，現(xiàn)階段的模式識別系統(tǒng)一般都是由五個(gè)基本單元來組成。
（1）數(shù)據(jù)獲取單元；（2）預(yù)處理單元；（3）特征提取和選擇單元；（4）分類器設(shè)計(jì)單元；（5）決策單元。
1.2 定位技術(shù)研究
1.2.1 基站定位技術(shù)
在各種定位技術(shù)中，基站定位技術(shù)是最早開始應(yīng)用的，基站定位目前采用的主要技術(shù)是COO（Cell of Origin）技術(shù)，COO技術(shù)的基本原理是，在移動(dòng)終端登錄到網(wǎng)絡(luò)以后會(huì)上報(bào)自己的小區(qū)ID，移動(dòng)網(wǎng)絡(luò)會(huì)據(jù)此估算用戶的當(dāng)前位置，如圖2所示。
1.2.2 GPS定位技術(shù)
GPS由衛(wèi)星、地面監(jiān)控系統(tǒng)和移動(dòng)終端三個(gè)部分組成。衛(wèi)星提供精密的時(shí)間標(biāo)準(zhǔn)并提供定位信息，地面監(jiān)控系統(tǒng)主要是對衛(wèi)星工作狀態(tài)和運(yùn)行軌道的監(jiān)控。
1.2.3 A-GPS定位技術(shù)
A-GPS定位技術(shù)，即輔助GPS定位技術(shù)，它是一種對GPS定位方法的改進(jìn)，A-GPS定位技術(shù)仍然無法解決數(shù)據(jù)缺失和數(shù)據(jù)漂移問題，但由于有A-GPS服務(wù)器的存在，它可以起到很多輔助的作用。
1.3 典型識別算法研究
在數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和模式識別等領(lǐng)域中，都需要分類算法，分類算法可以分為三個(gè)步驟：（1）對已知類別訓(xùn)練集進(jìn)行分析；（2）生成分類規(guī)則；（3）通過規(guī)則預(yù)測新數(shù)據(jù)的類別。
2 基于智能手機(jī)功能的交通方式識別研究
2.1 數(shù)據(jù)采集
按照現(xiàn)階段智能手機(jī)的流行配置，本系統(tǒng)要求智能手機(jī)含有GPS模塊、加速度傳感器、陀螺儀、聲音傳感器和SIM卡。因?yàn)楝F(xiàn)在一般的智能手機(jī)都能夠滿足這個(gè)要求，本文就不再贅述手機(jī)選型。但是采樣頻率還是需要預(yù)先設(shè)定：GPS數(shù)據(jù)每秒采樣1次，加速度傳感器和陀螺儀的采樣頻率為32Hz，聲音傳感器每秒采樣30次。
2.2 特征提取
特征量主要包括時(shí)域上的特征量，如均值、過均值率、標(biāo)準(zhǔn)差、中位數(shù)、最大值與最小值的差、個(gè)數(shù)等，頻域上的特征量包括和、方差兩類。
（1）與速度相關(guān)的特征量；（2）與加速度相關(guān)的特征量；（3）與聲音相關(guān)的特征量；（4）與交通站點(diǎn)相關(guān)的特征量。
2.3 基于改進(jìn)隨機(jī)森林算法的模式識別
獲取所有的特征之后，隨機(jī)森林算法過程可做如下描述：（1）輸入的數(shù)據(jù)即樣本集，每個(gè)樣本包含有若干個(gè)特征屬性和一個(gè)類別屬性。（2）訓(xùn)練樣本集由Bagging方法隨機(jī)抽取，最后形成的是由N個(gè)樣本組成的訓(xùn)練樣本集。（3）從樣本的特征屬性中抽取部分屬性作為分裂屬性。（4）以上步驟重復(fù)n次，最后形成由n棵決策樹構(gòu)成的森林，最后再進(jìn)行匯總排序。
2.4 特征量有效性的驗(yàn)證
特征量有效性的驗(yàn)證即比較使用和不使用的情況下F值的大小就可以了。
2.4.1 陀螺儀
如圖3所示為陀螺儀有效性驗(yàn)證結(jié)果，驗(yàn)證結(jié)果表明，在不使用陀螺儀的情況下， 8種類別的F值均有下降，這也說明，陀螺儀的引入對于交通方式識別起到了一定的作用。
2.4.2 聲音傳感器
如圖4所示為聲音傳感器有效性驗(yàn)證結(jié)果，驗(yàn)證結(jié)果表明，相比較陀螺儀，聲音傳感器的引入對于交通方式識別起到的作用更大。
2.5 模型簡化
（1）特征重要性排序；（2）模型簡化結(jié)果。
模型簡化包含兩個(gè)部分，一個(gè)是特征集的簡化，那么在特征集簡化之后，就可以進(jìn)行模型本身的簡化。
