《第10章-模板匹配與模式識(shí)別技術(shù)ppt課件.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《第10章-模板匹配與模式識(shí)別技術(shù)ppt課件.ppt（33頁(yè)珍藏版）》請(qǐng)?jiān)趨R文網(wǎng)上搜索。

1、第第1010章章 模板匹配與模式識(shí)別技術(shù)模板匹配與模式識(shí)別技術(shù)10.1 10.1 模板匹配模板匹配 10.2 10.2 統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)模式識(shí)別10.3 10.3 結(jié)構(gòu)模式識(shí)別法結(jié)構(gòu)模式識(shí)別法10.4 10.4 人工神經(jīng)網(wǎng)絡(luò)識(shí)別法人工神經(jīng)網(wǎng)絡(luò)識(shí)別法10.1 10.1 模板匹配模板匹配 10.1.1 10.1.1 模板匹配的原理模板匹配的原理 模板模板：待識(shí)別目標(biāo)的標(biāo)準(zhǔn)圖像，也稱為待識(shí)別目標(biāo)的標(biāo)準(zhǔn)圖像，也稱為樣板樣板。例如：汽車牌照識(shí)別中使用的部分模板圖像：例如：汽車牌照識(shí)別中使用的部分模板圖像：模板匹配模板匹配：將模板放在圖像上滑動(dòng)；將模板放在圖像上滑動(dòng)；每滑動(dòng)一個(gè)像素點(diǎn)，求重合區(qū)域的每滑動(dòng)一

2、個(gè)像素點(diǎn)，求重合區(qū)域的相關(guān)度相關(guān)度（相似程度）（相似程度）；當(dāng)相關(guān)度達(dá)到最大時(shí)，模板下面的圖像就是待識(shí)別的目標(biāo)。當(dāng)相關(guān)度達(dá)到最大時(shí)，模板下面的圖像就是待識(shí)別的目標(biāo)。模板模板t(i,j)相關(guān)度相關(guān)度：設(shè)：設(shè)：原圖像為原圖像為 f(x,y)，尺寸為，尺寸為 MN。模板圖像為模板圖像為 t(i,j)，m i m,n j n。定義定義：t(i,j)與與 f(x,y)在在(x,y)處的相關(guān)度處的相關(guān)度 R(x,y)為：為：相關(guān)度的值在相關(guān)度的值在 0 1.0 之間。相關(guān)度為之間。相關(guān)度為 1.0 表示完全相同表示完全相同.ijnnmm為消除平均灰度的影響，應(yīng)先作如下處理：為消除平均灰度的影響，應(yīng)先作如下

3、處理：從從 f(x,y)中減去平均灰度中減去平均灰度:從從 t(i,j)中減去平均灰度中減去平均灰度:其中，其中，F(xiàn) 為模板下面圖像的為模板下面圖像的平均灰度平均灰度;T 為模板圖像的為模板圖像的平均灰度。平均灰度。于是，相關(guān)度公式變?yōu)椋河谑?，相關(guān)度公式變?yōu)椋簩?duì)目標(biāo)圖像灰度規(guī)范化對(duì)目標(biāo)圖像灰度規(guī)范化或?qū)憺椋夯驅(qū)憺椋簩?duì)樣板圖像灰度規(guī)范化對(duì)樣板圖像灰度規(guī)范化簡(jiǎn)寫為：簡(jiǎn)寫為：滑動(dòng)模板匹配算法：滑動(dòng)模板匹配算法：將各個(gè)模板規(guī)范化；將各個(gè)模板規(guī)范化；Rm=0；for(x=m;x M-m;x+)/遍歷圖像上有效區(qū)域的所有像素遍歷圖像上有效區(qū)域的所有像素 for(y=n;y N-n;y+)對(duì)模板下面的圖像規(guī)

4、范化；對(duì)模板下面的圖像規(guī)范化；計(jì)算各個(gè)模板在計(jì)算各個(gè)模板在(x,y)點(diǎn)的相關(guān)度點(diǎn)的相關(guān)度 R；if(Rm R)Rm=R;/總是保存較大的相關(guān)度總是保存較大的相關(guān)度 xc=x;yc=y;Temp=取得最大相關(guān)度的模板編號(hào)；取得最大相關(guān)度的模板編號(hào)；結(jié)果結(jié)果：Rm為最大相關(guān)度；為最大相關(guān)度；(xc,yc)為最大相關(guān)度發(fā)生的位置；為最大相關(guān)度發(fā)生的位置；Temp為取得最大相關(guān)度的模板編號(hào)為取得最大相關(guān)度的模板編號(hào)。模板匹配識(shí)別目標(biāo)的特點(diǎn)：模板匹配識(shí)別目標(biāo)的特點(diǎn)：（1）與目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切有關(guān)。）與目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切有關(guān)。解決辦法：解決辦法：方法方法1：匹配前，先矯正目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切；匹

5、配前，先矯正目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切；目標(biāo)的定位、大小、旋轉(zhuǎn)、錯(cuò)切檢測(cè)必須準(zhǔn)確。目標(biāo)的定位、大小、旋轉(zhuǎn)、錯(cuò)切檢測(cè)必須準(zhǔn)確。方法方法2：準(zhǔn)備各種大小、旋轉(zhuǎn)角、錯(cuò)切角的模板，一一進(jìn)行匹配；準(zhǔn)備各種大小、旋轉(zhuǎn)角、錯(cuò)切角的模板，一一進(jìn)行匹配；模板的數(shù)量極大，實(shí)際中難以應(yīng)用。模板的數(shù)量極大，實(shí)際中難以應(yīng)用。（2）具有較強(qiáng)的抗干擾能力。具有較強(qiáng)的抗干擾能力。若匹配前目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切矯正良好，則對(duì)模糊、污損字符若匹配前目標(biāo)的大小、旋轉(zhuǎn)、錯(cuò)切矯正良好，則對(duì)模糊、污損字符 也能較好地識(shí)別。也能較好地識(shí)別。10.1.2 模板匹配方法的改進(jìn)模板匹配方法的改進(jìn)問(wèn)題：模板匹配計(jì)算量很大：?jiǎn)栴}：模板匹配計(jì)算量很大：模

6、板數(shù)量多。例如：汽車牌照識(shí)別中，有上百個(gè)（字符、漢字）；在模板數(shù)量多。例如：汽車牌照識(shí)別中，有上百個(gè)（字符、漢字）；在 每一像素位置都要計(jì)算一個(gè)相關(guān)度。每一像素位置都要計(jì)算一個(gè)相關(guān)度。解決辦法：解決辦法：（1）SSDA方法方法 序貫相似性檢測(cè)法序貫相似性檢測(cè)法 在求相關(guān)度之前，先求模板與圖像之間的灰度差：在求相關(guān)度之前，先求模板與圖像之間的灰度差：若若 D(x,y)較大，則該位置不可能是目標(biāo)。否則，該位置可能是較大，則該位置不可能是目標(biāo)。否則，該位置可能是目標(biāo)，再進(jìn)一步計(jì)算相關(guān)度。目標(biāo)，再進(jìn)一步計(jì)算相關(guān)度。因?yàn)椴钪涤?jì)算量較小，且大部分位置不存在目標(biāo)，故速度大大因?yàn)椴钪涤?jì)算量較小，且大部分位置不

7、存在目標(biāo)，故速度大大提高。提高。（2）兩步檢測(cè)法）兩步檢測(cè)法 先粗檢測(cè)，再精檢測(cè)。先粗檢測(cè)，再精檢測(cè)。每隔幾個(gè)像素檢測(cè)一次，目標(biāo)一般在相關(guān)度較高的位置附近。再每隔幾個(gè)像素檢測(cè)一次，目標(biāo)一般在相關(guān)度較高的位置附近。再在相關(guān)度較高的位置附近進(jìn)行精檢測(cè)。在相關(guān)度較高的位置附近進(jìn)行精檢測(cè)。（3）邊緣匹配法）邊緣匹配法 應(yīng)采用邊緣型模板。應(yīng)采用邊緣型模板。先抽取圖像的邊緣。在相關(guān)度計(jì)算時(shí)，僅考慮邊緣點(diǎn)。因邊緣點(diǎn)先抽取圖像的邊緣。在相關(guān)度計(jì)算時(shí)，僅考慮邊緣點(diǎn)。因邊緣點(diǎn)較少，故計(jì)算量大大減少。較少，故計(jì)算量大大減少。（4）局部匹配法）局部匹配法 先對(duì)模板上的一部分作匹配。當(dāng)匹配程度較高時(shí)，再考慮全部模先對(duì)模

8、板上的一部分作匹配。當(dāng)匹配程度較高時(shí)，再考慮全部模板匹配。否則放棄。板匹配。否則放棄。10.2 10.2 統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)模式識(shí)別10.2.1 統(tǒng)計(jì)模式識(shí)別的基本思想統(tǒng)計(jì)模式識(shí)別的基本思想 （1）生成樣本庫(kù)生成樣本庫(kù)特征特征參數(shù)參數(shù)提取提取輸入樣輸入樣板圖像板圖像特征特征參數(shù)參數(shù)優(yōu)化優(yōu)化得到樣本庫(kù)，備用。得到樣本庫(kù)，備用。每個(gè)樣板圖像都有一每個(gè)樣板圖像都有一組特征參數(shù)。組特征參數(shù)。（2）對(duì)待識(shí)別的目標(biāo)圖像，按同樣的算法，得到優(yōu)化后的特征參數(shù)對(duì)待識(shí)別的目標(biāo)圖像，按同樣的算法，得到優(yōu)化后的特征參數(shù)特征特征參數(shù)參數(shù)提取提取輸入待輸入待識(shí)別圖識(shí)別圖像像特征特征參數(shù)參數(shù)優(yōu)化優(yōu)化得到一組特征參數(shù)得到一組特

9、征參數(shù)提取提取特征特征參數(shù)參數(shù)輸入樣輸入樣板圖像板圖像特征特征參數(shù)參數(shù)優(yōu)化優(yōu)化（3）設(shè)計(jì)一個(gè)分類器，對(duì)待識(shí)別圖像分類，判別待識(shí)別圖像的特征參設(shè)計(jì)一個(gè)分類器，對(duì)待識(shí)別圖像分類，判別待識(shí)別圖像的特征參數(shù)屬于樣本庫(kù)中的哪一個(gè)。數(shù)屬于樣本庫(kù)中的哪一個(gè)。提取提取特征特征參數(shù)參數(shù)輸入待輸入待識(shí)別圖識(shí)別圖像像特征特征參數(shù)參數(shù)優(yōu)化優(yōu)化分類器分類器識(shí)別識(shí)別結(jié)果結(jié)果 特征參數(shù)是表征圖像的一組參數(shù)，例如，下列參數(shù)可作為特征參數(shù)：特征參數(shù)是表征圖像的一組參數(shù)，例如，下列參數(shù)可作為特征參數(shù)：Hu矩組：矩組：(M1,M2,M3,M4,M5,M6,M5 )對(duì)圖像作傅立葉變換得到的主要系數(shù)：對(duì)圖像作傅立葉變換得到的主要系數(shù)：

10、(F00,F01,F02,F03,F10,F11,F12,F13,F20,F21,F22,F23,F30,F31,F32)圖像的傅立葉描述子：圖像的傅立葉描述子：(a0,a1,a2,a3,a4,a5,b1,b2,b3,b4,b5)樣板圖像的特征參數(shù)稱為樣板圖像的特征參數(shù)稱為樣本樣本。不同的樣板圖像有不同的樣本值。不同的樣板圖像有不同的樣本值。通過(guò)提取特征參數(shù)，使表示圖像的數(shù)據(jù)大大減少。通過(guò)提取特征參數(shù)，使表示圖像的數(shù)據(jù)大大減少。10.2.2 特征參數(shù)提取特征參數(shù)提取10.2.3 特征參數(shù)優(yōu)化特征參數(shù)優(yōu)化（1）特征參數(shù)選擇特征參數(shù)選擇 從從 m 個(gè)特征參數(shù)中，選出個(gè)特征參數(shù)中，選出 n(n m)

11、個(gè)區(qū)分性、獨(dú)立性、可靠個(gè)區(qū)分性、獨(dú)立性、可靠性好的特征。性好的特征。例：以直線穿越字符筆畫的次數(shù)作為特征參數(shù)，如下表。例：以直線穿越字符筆畫的次數(shù)作為特征參數(shù)，如下表。l12121111122l22111221112l32121122121l42133233233l51000101021l1l2l3l4在在5個(gè)特征中選擇個(gè)特征中選擇 4 個(gè)，有個(gè)，有 5 種選法。究竟選哪種好？種選法。究竟選哪種好？從獨(dú)立性看從獨(dú)立性看 去掉去掉 l2 或或 l3 均可；均可；從區(qū)分性看從區(qū)分性看 去掉去掉 l2 較好。因較好。因 l3中的數(shù)據(jù)有較大的熵。中的數(shù)據(jù)有較大的熵。l5 是孔數(shù)是孔數(shù)（2）特征參數(shù)變換

12、特征參數(shù)變換 特征參量實(shí)際上是一個(gè)多維空間的矢量。記為特征參量實(shí)際上是一個(gè)多維空間的矢量。記為 例：上例中，剩下的例：上例中，剩下的 4 個(gè)特征參量記為：個(gè)特征參量記為：這是這是 4 維空間的矢量。每個(gè)樣本對(duì)應(yīng)此維空間的矢量。每個(gè)樣本對(duì)應(yīng)此 4 維空間的一個(gè)矢量。維空間的一個(gè)矢量。對(duì)于字符對(duì)于字符“0”，X=（2,2,2,2,1)由線性代數(shù)可知，可以通過(guò)線性空間的線性變換，使這由線性代數(shù)可知，可以通過(guò)線性空間的線性變換，使這10個(gè)樣本矢?jìng)€(gè)樣本矢量之間的相關(guān)性減少。量之間的相關(guān)性減少。10.2.4 統(tǒng)計(jì)分類統(tǒng)計(jì)分類1 1統(tǒng)計(jì)分類的基本概念統(tǒng)計(jì)分類的基本概念 找到一個(gè)判別函數(shù)找到一個(gè)判別函數(shù) a(

13、X)，能有效地將待識(shí)別目標(biāo)的特征矢量，能有效地將待識(shí)別目標(biāo)的特征矢量 X劃分為幾類。劃分為幾類。即：當(dāng)輸入特征矢量即：當(dāng)輸入特征矢量 X 時(shí)，時(shí)，a(X)的輸出為的輸出為 X 所屬的類。所屬的類。x1x2xn樣本輸入樣本輸入判別函數(shù)判別函數(shù)a(X)輸出類號(hào)輸出類號(hào)統(tǒng)計(jì)分類分為監(jiān)督分類和非監(jiān)督分類。統(tǒng)計(jì)分類分為監(jiān)督分類和非監(jiān)督分類。2 2 監(jiān)督分類法監(jiān)督分類法 利用現(xiàn)有的樣本矢量，對(duì)各種判別函數(shù)進(jìn)行試驗(yàn)，當(dāng)某判別函數(shù)能將各利用現(xiàn)有的樣本矢量，對(duì)各種判別函數(shù)進(jìn)行試驗(yàn)，當(dāng)某判別函數(shù)能將各樣本在特征空間劃分開(kāi)來(lái)，且樣本在特征空間劃分開(kāi)來(lái)，且各類樣本之間的距離各類樣本之間的距離最大時(shí)，該函數(shù)就是希望最大

14、時(shí)，該函數(shù)就是希望的判別函數(shù)，可作為實(shí)際識(shí)別中采用的判別函數(shù)。的判別函數(shù)，可作為實(shí)際識(shí)別中采用的判別函數(shù)。上述試驗(yàn)過(guò)程稱為上述試驗(yàn)過(guò)程稱為“學(xué)習(xí)學(xué)習(xí)”，學(xué)習(xí)的目的是選擇一個(gè)最佳的判別函數(shù)。，學(xué)習(xí)的目的是選擇一個(gè)最佳的判別函數(shù)。g1g2gnx1x2xn輸入樣本輸入樣本X判別函數(shù)集判別函數(shù)集max選擇選擇a(x)a(x)特征空間特征空間類別類別3類別類別1類別類別2常用判別函數(shù)常用判別函數(shù)（1）距離函數(shù)）距離函數(shù) 設(shè)兩矢量分別為：設(shè)兩矢量分別為：則則 X 和和 Y 之間的距離為：之間的距離為：歐幾里德距離：歐幾里德距離：L 距離：距離：相關(guān)度：相關(guān)度：距離越大（或相關(guān)度距離越大（或相關(guān)度 越?。?/p>

15、表示兩矢量的差別越大。越?。硎緝墒噶康牟顒e越大。用距離函數(shù)可計(jì)算樣本類之間的距離。有兩種計(jì)算方法。用距離函數(shù)可計(jì)算樣本類之間的距離。有兩種計(jì)算方法。最小距離最小距離 各類之間的距離各類之間的距離 最近鄰距離最近鄰距離 各類中最靠近的樣本之間的距離各類中最靠近的樣本之間的距離類別類別3類別類別1類別類別2d12d13d23最小距離最小距離類別類別3類別類別1類別類別2d12d13d23最近鄰距離最近鄰距離（2）線性判別函數(shù)）線性判別函數(shù) g(X)=aX+b 是多維空間的平面。是多維空間的平面。只能將各樣本劃分為兩類，用于只能將各樣本劃分為兩類，用于 2 類識(shí)別問(wèn)題。類識(shí)別問(wèn)題。類別類別1類別

16、類別2線性判別線性判別aX+b3 3 統(tǒng)計(jì)決策理論統(tǒng)計(jì)決策理論 貝葉斯貝葉斯(BayesBayes)決策決策引例：引例：設(shè)在模板匹配的汽車牌照識(shí)別中，因字符模糊，求得第設(shè)在模板匹配的汽車牌照識(shí)別中，因字符模糊，求得第1字符為字符為“湘湘”的相關(guān)度為的相關(guān)度為0.79；為；為“浙浙”的相關(guān)度為的相關(guān)度為0.80。因相關(guān)度接近，不能判定是二者中的哪一個(gè)。但是，如果在湖南，因相關(guān)度接近，不能判定是二者中的哪一個(gè)。但是，如果在湖南，判定為判定為“湘湘”的正確度要遠(yuǎn)遠(yuǎn)高于的正確度要遠(yuǎn)遠(yuǎn)高于“浙浙”；反之，如果在浙江，判定為；反之，如果在浙江，判定為“浙浙”的正確度要遠(yuǎn)遠(yuǎn)高于的正確度要遠(yuǎn)遠(yuǎn)高于“湘湘”；貝

17、葉斯決策貝葉斯決策的基本思路：的基本思路：設(shè)要將目標(biāo)設(shè)要將目標(biāo) X 分成分成 m 類，類的編號(hào)為：類，類的編號(hào)為：由大量統(tǒng)計(jì)知，由大量統(tǒng)計(jì)知，X 屬于第屬于第 i 類的概率類的概率 由計(jì)算求出，由計(jì)算求出，X 屬于第屬于第 i 類的概率類的概率 則將則將 X 劃分為第劃分為第 i 類的正確度類的正確度(似然度似然度)取似然度值最大的劃分作為分類結(jié)果。取似然度值最大的劃分作為分類結(jié)果。在引例中，假設(shè)在湖南長(zhǎng)沙在引例中，假設(shè)在湖南長(zhǎng)沙 統(tǒng)計(jì)知：出現(xiàn)統(tǒng)計(jì)知：出現(xiàn)“湘湘”的概率的概率 出現(xiàn)出現(xiàn)“浙浙”的概率的概率 計(jì)算出：計(jì)算出：X 屬于屬于“湘湘”的概率的概率 X 屬于屬于“浙浙”的概率的概率 則：

18、則：將將 X 劃分為劃分為“湘湘”的似然度的似然度 將將 X 劃分為劃分為“浙浙”的似然度的似然度 分類結(jié)果分類結(jié)果：X 屬于屬于“湘湘”要使用似然法，必須先求出要使用似然法，必須先求出 和和可由大量統(tǒng)計(jì)數(shù)據(jù)獲得，稱為先驗(yàn)概率；可由大量統(tǒng)計(jì)數(shù)據(jù)獲得，稱為先驗(yàn)概率；問(wèn)題：?jiǎn)栴}：函數(shù)是什么函數(shù)？函數(shù)是什么函數(shù)？假定：假定：為正態(tài)分布函數(shù)：為正態(tài)分布函數(shù)：計(jì)算概率的函數(shù)。算出待識(shí)別目標(biāo)計(jì)算概率的函數(shù)。算出待識(shí)別目標(biāo) X 屬于第屬于第 i 類的概率。類的概率。其中：其中：Ui 是第是第 i 類樣本矢量的平均矢量。類樣本矢量的平均矢量。是第是第 i 類樣本的協(xié)方差矩陣，類樣本的協(xié)方差矩陣，是是 的逆矩陣

19、，的逆矩陣，是是 的行列式值。的行列式值。是矢量或矩陣的轉(zhuǎn)置運(yùn)算。是矢量或矩陣的轉(zhuǎn)置運(yùn)算。Bayes分類操作步驟：分類操作步驟：由大量實(shí)際數(shù)據(jù)統(tǒng)計(jì)出各類目標(biāo)出現(xiàn)的概率由大量實(shí)際數(shù)據(jù)統(tǒng)計(jì)出各類目標(biāo)出現(xiàn)的概率 ；采集一批樣本，提取各樣本的特征，由特征求出計(jì)算實(shí)際目標(biāo)屬于采集一批樣本，提取各樣本的特征，由特征求出計(jì)算實(shí)際目標(biāo)屬于樣本中的哪一類的概率函數(shù)樣本中的哪一類的概率函數(shù) ；對(duì)實(shí)際目標(biāo)進(jìn)行分類：對(duì)實(shí)際目標(biāo)進(jìn)行分類：計(jì)算似然度：計(jì)算似然度：分類判別式：分類判別式：取似然度最大者。取似然度最大者。似然法的特點(diǎn)：似然法的特點(diǎn)：要求各類樣本的特征矢量形成正態(tài)分布。否則將產(chǎn)生分類錯(cuò)誤。要求各類樣本的特征矢

20、量形成正態(tài)分布。否則將產(chǎn)生分類錯(cuò)誤。10.3 10.3 結(jié)構(gòu)模式識(shí)別法結(jié)構(gòu)模式識(shí)別法當(dāng)我們提取到目標(biāo)的特征矢量后：當(dāng)我們提取到目標(biāo)的特征矢量后：按上面討論的分類方法，是讓特征矢量的各個(gè)分量一齊參加分類。按上面討論的分類方法，是讓特征矢量的各個(gè)分量一齊參加分類。結(jié)構(gòu)模式分類法，研究組成特征矢量的各個(gè)分量的構(gòu)造機(jī)制，按結(jié)構(gòu)結(jié)構(gòu)模式分類法，研究組成特征矢量的各個(gè)分量的構(gòu)造機(jī)制，按結(jié)構(gòu)層次逐步推理，最后實(shí)現(xiàn)將目標(biāo)歸到某一類。層次逐步推理，最后實(shí)現(xiàn)將目標(biāo)歸到某一類。結(jié)構(gòu)模式分類法內(nèi)容豐富，本節(jié)介紹結(jié)構(gòu)模式分類法內(nèi)容豐富，本節(jié)介紹文法文法（句法）和（句法）和樹(shù)分類法樹(shù)分類法。10.3.1 10.3.1 文

21、法（句法）文法（句法）用用 形式語(yǔ)言形式語(yǔ)言（數(shù)理語(yǔ)言）來(lái)描述目標(biāo)。（數(shù)理語(yǔ)言）來(lái)描述目標(biāo)。引例：用形式語(yǔ)言描述字符引例：用形式語(yǔ)言描述字符“A”和和 “4”定義定義符號(hào)集符號(hào)集 a,b,c,d abcd 重寫規(guī)則集重寫規(guī)則集（產(chǎn)生式集）（產(chǎn)生式集）P=p1,p2,p3,p4 p1：S cdA or cbB p3：B aB p2：A acd p4：B b 其中，其中，S 稱為起始符，稱為起始符，A、B 稱為中間符。稱為中間符。用產(chǎn)生式生成句子（描述目標(biāo)）用產(chǎn)生式生成句子（描述目標(biāo)）產(chǎn)生產(chǎn)生“A”：p1,p2 S cd A cd acd 產(chǎn)生產(chǎn)生“4”：p1,p3,p3,p4 S cb B cb

22、 aB cb aaB cb aab accddcaabb產(chǎn)生式產(chǎn)生式系列系列就描述了目標(biāo)。就描述了目標(biāo)。（1）文法識(shí)別目標(biāo)的操作步驟：）文法識(shí)別目標(biāo)的操作步驟：提取樣本的特征矢量，定義符號(hào)集。如提取樣本的特征矢量，定義符號(hào)集。如 a,b,c,d 由特征矢量制訂描述各個(gè)樣本的產(chǎn)生式系列由特征矢量制訂描述各個(gè)樣本的產(chǎn)生式系列 制訂重寫規(guī)則集。制訂重寫規(guī)則集。完備性，可行性。完備性，可行性。優(yōu)化重寫規(guī)則集。優(yōu)化重寫規(guī)則集。刪除、合并某些規(guī)則，使中間符最少。刪除、合并某些規(guī)則，使中間符最少。對(duì)每個(gè)樣本寫出產(chǎn)生式系列對(duì)每個(gè)樣本寫出產(chǎn)生式系列 識(shí)別目標(biāo)識(shí)別目標(biāo) 提取待識(shí)別目標(biāo)的特征矢量提取待識(shí)別目標(biāo)的特征

23、矢量 由重寫規(guī)則寫出產(chǎn)生式系列由重寫規(guī)則寫出產(chǎn)生式系列 由產(chǎn)生式系列判定目標(biāo)由產(chǎn)生式系列判定目標(biāo)（2）文法識(shí)別目標(biāo)的特點(diǎn)：文法識(shí)別目標(biāo)的特點(diǎn)：由于干擾（如筆畫斷裂、粘連等），待識(shí)別目標(biāo)的產(chǎn)生式系列中可能出由于干擾（如筆畫斷裂、粘連等），待識(shí)別目標(biāo)的產(chǎn)生式系列中可能出現(xiàn)缺少、多余的項(xiàng)，甚至超出重寫規(guī)則范圍。（例如：不存在的單詞）現(xiàn)缺少、多余的項(xiàng)，甚至超出重寫規(guī)則范圍。（例如：不存在的單詞）研究重寫規(guī)則的抗異常能力、如何分辨和處理產(chǎn)生式系列中的非正常項(xiàng)，研究重寫規(guī)則的抗異常能力、如何分辨和處理產(chǎn)生式系列中的非正常項(xiàng)，是當(dāng)前的關(guān)鍵問(wèn)題。是當(dāng)前的關(guān)鍵問(wèn)題。10.3.2 10.3.2 樹(shù)分類法樹(shù)分類法

24、用樹(shù)描述目標(biāo)。用樹(shù)描述目標(biāo)。引例：引例：用樹(shù)描述字符分類用樹(shù)描述字符分類l12121111122l32121122121l42133233233l5100010102121n1 n3 122n2 1n4 n5 n6n7 l1l3l4n8 n9l51n122“0 0”“1 1”2“9 9”n113n18n1720“2 2”“8 8”3n13n100“7 7”“4 4”n141“3 3”n15n1601“5 5”“6 6”（2）樹(shù)分類法的操作步驟：）樹(shù)分類法的操作步驟：提取樣本的特征矢量，定義符號(hào)集。如提取樣本的特征矢量，定義符號(hào)集。如 l1,l2,l4,l5 由特征矢量構(gòu)造分類樹(shù)由特征矢量構(gòu)造分

25、類樹(shù) 識(shí)別目標(biāo)識(shí)別目標(biāo)樹(shù)分類法識(shí)別目標(biāo)的特點(diǎn)：樹(shù)分類法識(shí)別目標(biāo)的特點(diǎn)：由于干擾（如筆畫斷裂、粘連等），待識(shí)別目標(biāo)可能出現(xiàn)缺少、多余的由于干擾（如筆畫斷裂、粘連等），待識(shí)別目標(biāo)可能出現(xiàn)缺少、多余的項(xiàng)，以至在樹(shù)中無(wú)對(duì)應(yīng)的路徑，造成無(wú)法識(shí)別項(xiàng)，以至在樹(shù)中無(wú)對(duì)應(yīng)的路徑，造成無(wú)法識(shí)別 研究分類樹(shù)的抗異常能力、如何分辨和處理非正常路徑，是當(dāng)前的關(guān)鍵研究分類樹(shù)的抗異常能力、如何分辨和處理非正常路徑，是當(dāng)前的關(guān)鍵問(wèn)題。問(wèn)題。10.4 10.4 人工神經(jīng)網(wǎng)絡(luò)識(shí)別法人工神經(jīng)網(wǎng)絡(luò)識(shí)別法 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一種特殊構(gòu)造分類器，其輸入為待識(shí)別目標(biāo)的特征是一種特殊構(gòu)造分類器，其輸入為待識(shí)別目標(biāo)的特征矢量，輸出為分

26、類號(hào)。矢量，輸出為分類號(hào)。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)x1x2xny輸入輸入輸出輸出 待識(shí)別目標(biāo)待識(shí)別目標(biāo)X=（x1,x2,xn)分類結(jié)果分類結(jié)果 y=f(X)當(dāng)輸入當(dāng)輸入X后，在網(wǎng)絡(luò)內(nèi)部進(jìn)行計(jì)算，計(jì)算結(jié)果為分類號(hào)。后，在網(wǎng)絡(luò)內(nèi)部進(jìn)行計(jì)算，計(jì)算結(jié)果為分類號(hào)。因此，人工神經(jīng)網(wǎng)絡(luò)可以理解為一個(gè)數(shù)學(xué)函數(shù)，其自變量為因此，人工神經(jīng)網(wǎng)絡(luò)可以理解為一個(gè)數(shù)學(xué)函數(shù)，其自變量為X，函，函數(shù)值為分類號(hào)。數(shù)值為分類號(hào)。該數(shù)學(xué)函數(shù)是什么函數(shù)？這正是人工神經(jīng)網(wǎng)絡(luò)要解決的核心問(wèn)題。該數(shù)學(xué)函數(shù)是什么函數(shù)？這正是人工神經(jīng)網(wǎng)絡(luò)要解決的核心問(wèn)題。10.4.1 10.4.1 人工神經(jīng)網(wǎng)絡(luò)的計(jì)算模型人工神經(jīng)網(wǎng)絡(luò)的計(jì)算模型 人工神經(jīng)網(wǎng)絡(luò)有多種計(jì)算模型，下面僅介紹經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)有多種計(jì)算模型，下面僅介紹經(jīng)典的 BP 神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)。w12w11w1n+w21w22w2nwn1wn2wnnu12u11u22u2nun2unn+un1u21u1n+x1x2xny輸入層輸入層隱含層隱含層輸出層輸出層