论文部分内容阅读
[摘 要]模式识别是一门交叉性学科，涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。电子信息提取就是从大量的电子信息中发现隐含知识和模式的一种方法和工具，它从数据挖掘发展而来，但与传统的数据挖掘又有许多不同。电子信息的识别及其特征项的选取是数据挖掘、信息检索的一个基本问题，它把从电子信息中抽取出的特征进行量化来表示其信息。
[关键词]模式识别；电子信息；特征；提取
中图分类号：TP217 文献标识码：A 文章编号：1009-914X（2018）36-0213-01
1模式识别技术的研究现状
模式识别是人工智能领域的一个重要的分支，模式识别技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于統计方法、基于神经网络等。模式识别算法采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对信号进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，同时可以对不清晰的图像、动态的图像进行较为精确的识别，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的信号库进行训练，使得模式识别模型的准确度非常高，同时时间减小，可以达到万分之一秒。
据大家观察，人类的很多行为都是以模式的形式体现的其中包括说话、写字、运动、表达等等。人们生活在各种环境中，而各种模式组成了人们生活的环境。根据模式所表示的内容，人们作出相应的判断。因此，人们的大部分判断都源于模式识别的所表示的内容。人们的行为是由许多部分组成，模式识别是其中的一个部分。如果拥有了模式识别能力，计算机就可以使用机器完成很多活动。由此可见，对于模式识别来说，对于它的研究具有广阔领域和前景。现在，模式识别技术已经广泛地应用于很多领域，其中包括军事、医疗、钢铁、资源、天文地理、生产加工等等。
根据研究手段不一，模式识别在理论上可分为统计、结构、模糊、智能等多种模式识别。统计法模式识别与结构法模式识别是模式识别的传统方法。对于统计法模式识别来说，它是将许多样本进行统计分析，选择最有特点的属性作为分类决策的依靠。目前，许多系统都应用统计方法，这些系统包括油田化工、医疗设备等等。对于结构法模式识别来说，它是是通过采用基元选择，根据结构关系，建立合适的文法，通过分析文法来做出分类决策。对于结构方法模式识别来说，这种模式识别方法通常用在细胞分析、机器翻译等方面。对于模糊识别方法来说，它是根据模式信息的隶属关系来建立隶属度函数。然后计算取样的隶属度，并分析模糊关系、模糊集合、模糊特征，最后产生分类决策。这种方法可以应用到很多方面，其中包括识别手写字符，理解非标准语音等等方面。对于智能识别方法来说，这种方法是一种逻辑推理，一种基于知识的逻辑推理。对于基于知识的逻辑推理来说，它是一种技术手段，这种技术手段是对于有待于识别的客体，运用客体的表达符号，通过逻辑推理来识别客体。而对于智能识别法模式识别来说，这种模式识别通常用于很多方面，其中包括军事、取景等方面。对于模式识别来说，虽然按方法可以分为统计法模式识别、结构法模式识别、模糊法模式识别和智能法模式识别。近些年以来，对于模式识别理论与技术的研究来说，它们都具有良好的科学意义与广阔的应用范围，全世界都将模式识别的研究列为未来发展计划中的主要内容。在我国，模式识别技术的研究发展很快，并成立了一些专门研究模式识别的研究院院所实验室。目前，模式识别在很多领域都列为重要的研究方向，其中包括信息领域与自动化领域。
从二十世纪二十年代开始发展，至今对于模式识别来说，它没有对所有模式识别问题都适用的单一模型和解决所有模式识别问题的统一技术。所以需要根据具体问题，要把统计的句法和统计的识别结合起来，使用支持向量机判别分析、不确定推理、人工神经元网络等方法进行研究求解。伴随科技的发展，在文化、军事、工业、能源、交通等各个领域，模式识别的研究与应用将会有更好的发展。
2模式识别技术在电子信息特征提取中的应用
2.1概述
图像处理是模式识别领域的一个重要的分支，图像处理技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于统计方法、基于神经网络等。该方法以模式识别为基础，融合人工智能的先进方法，模拟人通过环境反馈进行学习的思路，所以其被称为是一种极度接近于人工智能的优化提取识别方法，受到了学界的广泛关注，在很多场合都进行了相关的尝试与应用。
2.2主流数字图像信息处理方法
2.2.1基于几何特征
基于几何特征的方法，主要是在图像中寻找特征，将特征点之间的距离和比例进行归纳，通过临近的方法来识别图像，这样的方法比较快，内存占用少，但是对于光照变化来说不敏感，同时对于动态变化的图像，它将无法识别。
2.2.2基于模型
基于模型的方法，主要采用马尔科夫模型，这种模型的方法，主要是通过数学的统计性的问题。这种方法对于样本的要求较高，需要建立较为可靠的模型。
2.2.3基于统计
基于统计学的方法，主要是通过提取图像中光照、位置等特征向量，来进行图像的重构，来判断这些特征所表现的否是被识别的物体，优点在于识别速度较快，缺点在于对于动态的图像处理较差。
2.2.4基于神经网络
基于神经网络的图像处理方法，主要是采用机器学习的方案，就是通过多张图像进行模型的训练，然后对其参数进行调整，然后对所要识别的图像进行分类，来判断它是否是被识别的图像，这样的算法识别成功率较高，但是运算时间较长。
2.2.5基于深度学习
深度学习也是一种复杂的神经网络，主要是采用一些低层的特征来进行高层特征的表示，它对于计算性能要求较高，可以利用空间的相对关系来进行降维，使得训练性能提升，结合实际情况下的深度学习，效率非常高。
3结语
随着计算速度和准确率的不断提升，电子信息特征提取的应用越来越普遍，同时推动了各种信号识别技术的发展速度，模式识别虽然有很多无法克服的缺点，但是借助这一重要的科技发展趋势，也在一步一步推动各行业蓬勃发展，让生活更加智能化，大大的减少了人力的成本，提升了工作的效率，模式识别是重要的技术基础，它在工业生产领域有着深远的影响。
参考文献
[1]范会敏，王浩.模式识别方法概述[J].电子设计工程，2012，20（19）：48-51.
[2]李新良.模式识别理论的研究与应用[J].北京电子科技学院学报，2011，19（04）：75-79.
[3]薛志文.基于模式识别的图像处理及其在车牌识别中的应用[J].吕梁学院学报，2016，6（02）：15-18.
[4]高翔，邢玉娟.模式识别及其在图像处理中的应用[J].自动化与仪器仪表，2015（03）：102-103.
[5]杨海峰，张德祥.模式识别理论和技术在语音识别研究中的应用[J].合肥学院学报（自然科学版），2009，19（01）：20-23.
[关键词]模式识别；电子信息；特征；提取
中图分类号：TP217 文献标识码：A 文章编号：1009-914X（2018）36-0213-01
1模式识别技术的研究现状
模式识别是人工智能领域的一个重要的分支，模式识别技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于統计方法、基于神经网络等。模式识别算法采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对信号进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，同时可以对不清晰的图像、动态的图像进行较为精确的识别，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的信号库进行训练，使得模式识别模型的准确度非常高，同时时间减小，可以达到万分之一秒。
据大家观察，人类的很多行为都是以模式的形式体现的其中包括说话、写字、运动、表达等等。人们生活在各种环境中，而各种模式组成了人们生活的环境。根据模式所表示的内容，人们作出相应的判断。因此，人们的大部分判断都源于模式识别的所表示的内容。人们的行为是由许多部分组成，模式识别是其中的一个部分。如果拥有了模式识别能力，计算机就可以使用机器完成很多活动。由此可见，对于模式识别来说，对于它的研究具有广阔领域和前景。现在，模式识别技术已经广泛地应用于很多领域，其中包括军事、医疗、钢铁、资源、天文地理、生产加工等等。
根据研究手段不一，模式识别在理论上可分为统计、结构、模糊、智能等多种模式识别。统计法模式识别与结构法模式识别是模式识别的传统方法。对于统计法模式识别来说，它是将许多样本进行统计分析，选择最有特点的属性作为分类决策的依靠。目前，许多系统都应用统计方法，这些系统包括油田化工、医疗设备等等。对于结构法模式识别来说，它是是通过采用基元选择，根据结构关系，建立合适的文法，通过分析文法来做出分类决策。对于结构方法模式识别来说，这种模式识别方法通常用在细胞分析、机器翻译等方面。对于模糊识别方法来说，它是根据模式信息的隶属关系来建立隶属度函数。然后计算取样的隶属度，并分析模糊关系、模糊集合、模糊特征，最后产生分类决策。这种方法可以应用到很多方面，其中包括识别手写字符，理解非标准语音等等方面。对于智能识别方法来说，这种方法是一种逻辑推理，一种基于知识的逻辑推理。对于基于知识的逻辑推理来说，它是一种技术手段，这种技术手段是对于有待于识别的客体，运用客体的表达符号，通过逻辑推理来识别客体。而对于智能识别法模式识别来说，这种模式识别通常用于很多方面，其中包括军事、取景等方面。对于模式识别来说，虽然按方法可以分为统计法模式识别、结构法模式识别、模糊法模式识别和智能法模式识别。近些年以来，对于模式识别理论与技术的研究来说，它们都具有良好的科学意义与广阔的应用范围，全世界都将模式识别的研究列为未来发展计划中的主要内容。在我国，模式识别技术的研究发展很快，并成立了一些专门研究模式识别的研究院院所实验室。目前，模式识别在很多领域都列为重要的研究方向，其中包括信息领域与自动化领域。
从二十世纪二十年代开始发展，至今对于模式识别来说，它没有对所有模式识别问题都适用的单一模型和解决所有模式识别问题的统一技术。所以需要根据具体问题，要把统计的句法和统计的识别结合起来，使用支持向量机判别分析、不确定推理、人工神经元网络等方法进行研究求解。伴随科技的发展，在文化、军事、工业、能源、交通等各个领域，模式识别的研究与应用将会有更好的发展。
2模式识别技术在电子信息特征提取中的应用
2.1概述
图像处理是模式识别领域的一个重要的分支，图像处理技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于统计方法、基于神经网络等。该方法以模式识别为基础，融合人工智能的先进方法，模拟人通过环境反馈进行学习的思路，所以其被称为是一种极度接近于人工智能的优化提取识别方法，受到了学界的广泛关注，在很多场合都进行了相关的尝试与应用。
2.2主流数字图像信息处理方法
2.2.1基于几何特征
基于几何特征的方法，主要是在图像中寻找特征，将特征点之间的距离和比例进行归纳，通过临近的方法来识别图像，这样的方法比较快，内存占用少，但是对于光照变化来说不敏感，同时对于动态变化的图像，它将无法识别。
2.2.2基于模型
基于模型的方法，主要采用马尔科夫模型，这种模型的方法，主要是通过数学的统计性的问题。这种方法对于样本的要求较高，需要建立较为可靠的模型。
2.2.3基于统计
基于统计学的方法，主要是通过提取图像中光照、位置等特征向量，来进行图像的重构，来判断这些特征所表现的否是被识别的物体，优点在于识别速度较快，缺点在于对于动态的图像处理较差。
2.2.4基于神经网络
基于神经网络的图像处理方法，主要是采用机器学习的方案，就是通过多张图像进行模型的训练，然后对其参数进行调整，然后对所要识别的图像进行分类，来判断它是否是被识别的图像，这样的算法识别成功率较高，但是运算时间较长。
2.2.5基于深度学习
深度学习也是一种复杂的神经网络，主要是采用一些低层的特征来进行高层特征的表示，它对于计算性能要求较高，可以利用空间的相对关系来进行降维，使得训练性能提升，结合实际情况下的深度学习，效率非常高。
3结语
随着计算速度和准确率的不断提升，电子信息特征提取的应用越来越普遍，同时推动了各种信号识别技术的发展速度，模式识别虽然有很多无法克服的缺点，但是借助这一重要的科技发展趋势，也在一步一步推动各行业蓬勃发展，让生活更加智能化，大大的减少了人力的成本，提升了工作的效率，模式识别是重要的技术基础，它在工业生产领域有着深远的影响。
参考文献
[1]范会敏，王浩.模式识别方法概述[J].电子设计工程，2012，20（19）：48-51.
[2]李新良.模式识别理论的研究与应用[J].北京电子科技学院学报，2011，19（04）：75-79.
[3]薛志文.基于模式识别的图像处理及其在车牌识别中的应用[J].吕梁学院学报，2016，6（02）：15-18.
[4]高翔，邢玉娟.模式识别及其在图像处理中的应用[J].自动化与仪器仪表，2015（03）：102-103.
[5]杨海峰，张德祥.模式识别理论和技术在语音识别研究中的应用[J].合肥学院学报（自然科学版），2009，19（01）：20-23.