论文部分内容阅读
在人工智能领域,模式识别是一个非常重要的方面。本文就如何提高识别性能对模式识别系统进行了研究。 本文首先对基于BP学习算法的神经网络模式识别方法进行分析和研究,指出了其存在的缺点,利用模糊逻辑的知识表达能力,在神经网络中引入模糊逻辑,构成模糊神经网络来改善网络性能,针对模糊神经网络的参数难以选择问题,提出了基于遗传算法的模糊神经网络学习模型。但是单一分类器由于其采用的特征类型单一性以及自身的局限性,改进的网络模型虽然在一定程度上提高了识别性能,但是这种提高有限。 研究发现,不同分类器在识别性能上有互补作用,因此如何把各种分类器结合在一起,从而能够集成各个分类器的优点,而抑制它们的缺点,是提高识别性能的关键,对该问题的研究,虽然已经取得了一些成果,但是研究主要集中于抽象级信息的集成,而忽略了表征分类器性能的完整信息——度量级信息,因此不能从根本上解决分类器性能的互补问题。 针对上述问题,本文对多分类器集成进行了深入研究。首先总结了用于模式识别的多分类器集成机理以及存在的问题,并对各种基于抽象级信息的建模方法进行分析和比较,指出了基于抽象级信息的分类器集成存在的缺点,提出了基于度量级信息的分类器集成,并采用模糊积分进行集成建模,对于模型中的模糊积分密度难以确定问题,采用了一种动态评价方法——贝叶斯方法,仿真结果表明了该建模方法的有效性。