模式识别范文

模式识别范文第1篇

关键词： 模式识别系统 统计模式识别 发展趋势

1.引言

通常我们所说的机器识别、计算机识别等都属于模式识别。它是通过某种方法对事物进行分析比较，根据某种判别规则识别事物。如：手写数字识别，是对0～9数字进行模式匹配，计算出相似度较高的对应值作为识别结果。模式识别研究的内容是使机器完成曾经只有人类才能完成的事，它具有分析、描述与判断事物的能力。经过多年的迅速发展，当前模式识别已经广泛应用于各个领域，如工、农、医、自然科学、社会科学等。在农业中，通过分析土壤成分及农产品的收成，决定种植何种作物、了解养料是否充足，以提高产量。在工业生产中，有语音识别、过程控制、地下探测、图像分割等。医学中主要有心电图与向量心电图分析、显微观察与生物医学数据分析、基因染色体研究、医学图像分割等。在自然科学中有地球和行星探测、卫星数据分析、遥感图像地质勘探等方面应用广泛。然而，种种应用都是随着问题的出现而出现的解决方法，至今模式识别还没有发展成统一的、有效的可以应用于所有模式识别的理论。模式识别的技术对国民经济建设和国防科技发展的重要性已得到人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。

2.模式识别系统

模式识别系统在工作时，只要判别被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声等导致的变异性，可通过预处理部分消除；模式本身固有的变异性可通过特征提取和选择得到控制。因此，一个典型的模式识别系统由数据获取、预处理、特征提取、分类决策及分类器设计组成。对应部分分别完成未知类别模式分类、分类器设计训练和对识别样品的分类决策。基本的模式识别方法有统计模式识别方法和结构模式识别方法。除此之外，还有模糊模式识别、神经网络模式识别和多分类器融合方法。以下对模式识别系统中五个组成部分简单介绍：

（1）数据获取

通常获取的数据类型有二维图像、一维波形、物理参量逻辑值三种。计算机使用可运算的符号研究文字、指纹、心电图、体温等对象。

（2）预处理

预处理的目的就是对原退化或干扰、冗余的数据信息进行去噪、复原，提取有用的信息。

（3）特征提取和选择

一般来说它包含将所获取的原始量测数据转换成能反映事物本质，并能将其最有效分类的特征表示，输入的是经过预处理的量测数据。通过将原始量测数据转换成有效方式表示的信息，分类器能根据这些信息决定样本的类别，对所获取的信息实现高维量测空间转换成地维特征空间。

（4）分类决策

模式识别系统工作有训练方式和分类决策两种方式。前一种是在确定的特征空间中，对测量数据进行特征选择与提取，得到样本的特征空间分布，并决定分类器参数。后一种方式是对待分类样本进行分类决策的过程。

（5）分类器设计

模式识别研究的主要目的是利用计算机进行模式分类。分类器设计的基本做法是在样品训练集的基础上来确定判别函数、改进判别函数和误差检验。我们把执行模式识别的计算机系统成为模式识别系统。

3.统计模式识别

统计模式识别（Statistic Pattern Recognition）的基本原理是，相似性高的样本在模式空间中相互接近，形成“簇”，根据模式所得的特征向量，判归所属类目。统计模式识别的方法有：

（1）贝叶斯决策方法

贝叶斯决策包含三种基本假设：首先是各类别总体的概率分布式已知的，其次是被决策的分类数是一定的，最后是被识别的事物或对象有多个特征观测值。运用统计决策理论设计的分类系统又称为分类器。分类器的判别准则有：最小错误概率贝叶斯判别准则、最小风险贝叶斯判别和聂曼・皮尔逊判别准则。

（2）判别函数法

判别函数可以是线性的，也可以使非线性的。利用已知类别的训练集，通过统计方法，求得判别函数的具体形式和参数，求出未知样本类别。由于该方法无需依赖条件分布密度等先验知识，因此，在一些场合要比基于贝叶斯公式的概率分类法简单。

（3）监督参数统计法

包括该方法分为KNN法（K最近邻法）和Fisher判别分析法。前者的基本原理是将分好类别的训练样本点映射到多维空间中，建立与待分类的未知样本对应关系，若近邻中某一类样本最多，则将该未知样本判为该类。该方法的优势在于对数据的结构没有特定要求，也无需训练，缺点在于计算量大。

（4）非监督参数统计法

有基于概率密度函数估计的直接方法和与样本空间相似性度量的间接聚类方法。

（5）聚类分析法

该方法是在没有训练集的情况在，对一批没有类别划分的样本根据相似度进行划分类属的方法。通常被称是一种无教师的非监督分类方法。

（6）近邻函数法

该方法根据距离测度，判别样本的类属，如基于最近邻规范的试探法和最大最小距离法。

4.结语

模式识别是一个快速发展的学科，其在国民经济和国防现代化建设中应用广泛。本文围绕模式识别的一些基础知识、模式识别系统和统计模式识加以介绍，着重介绍了模式识别系统中的五个组成部分和统计模式识别方法。随着模式识别理论与技术的不断发展前进，其应用领域和实际需求将会不断增长。

参考文献：

模式识别范文第2篇

“全国联网”格局的初步形成，使互联电网在空间上的广域分布给电力系统的安全、稳定与可靠运行均带来了新的挑战，电力系统的低频振荡问题也日益凸显[1]。随着基于GPS的WAMS系统的逐步推广，从量测信号的角度出发，使用各种信号处理的方法，有效识别振荡模式，找到振荡特征参数，进行振荡机理分析，已成为研究热点，许多专家学者在这方面进行了大量探索[2-6]。目前基于量测轨迹的低频振荡分析方法主要有傅里叶变换法、小波算法、希尔伯特-黄变换(HHT)法、Prony算法等[2-6]，这些方法在低频振荡的研上取得了一定成就，但仍存在明显不足之处[6]：傅里叶算法通过频谱分析得到信号频率，无法分析信号的阻尼特性；小波算法在傅里叶变换基础上通过小波基函数给信号加窗，能有效反映信号的时频特性，但小波变换因频域混叠使其分辨率有限，且小波基函数不易确定；HHT方法可处理非平稳信号，但Hilbert-Huang变换阻尼比的求取需要高准确度的衰减系数和振荡频率；Prony算法通过指数函数的多阶线性组合来拟合采样信号，识别出的信息量大、自适应能力较强，但其对噪声敏感，且准确性依赖于正确定阶[6]。近年来，提出一种新算法，即信号能量分析法[7-9]，具有快捷简便、抗噪声干扰能力强的特点，曾被用于估计电力系统暂态稳定传输极限[10]和识别结构的机械阻尼比[11]。本文综合EMD、TEO及能量分析法提出一种识别低频振荡主导模式的方法，其核心是EMD预处理算法和主导振荡模态参数辨识。利用EMD进行信号预处理，除了解决传统能量分析法应用范围受限问题外，不需要考虑定阶问题即将信号分解得到少量的内蕴模式函数分量IMF，与Prony算法相比，能以较小的计算量完成对主导模式的准确筛选；Teager算子具有快速响应能力和健壮性，算子的引进提高了频率辨识准确度；在阻尼比的辨识中结合能量分析法对IMF简化处理，使算法简单易行。该方法能准确、有效地分离出低频振荡主导模式。

2基于EMD-TEO的信号能量法原理

2.1Teager能量算子TEO能够解决频带信号的快速检测问题，该算子由Teager进行语音信号的非线性建模时首次提出，广泛应用于语音信号处理[12]。文献[13]将能量算子应用到电能质量检测方面，文献[14]用算子进行机械故障诊断，均取得了较好效果。由式（2）易得，TEO具有快速响应能力，只使用信号的5个样点，就能估测信号能量，并迅速跟踪信号的幅值和频率的变化，可用于离散时变信号处理；与其他方法相比，算子只有简单的乘法和加法运算，具有健壮性[13]。

2.2信号EMD预处理算法EMD是美籍华人HuangNordenE提出的一种尺度分离算法，可将复杂的非平稳信号按多尺度标准逐次分离，文献[7，8，15]均将其成功应用到低频振荡量测轨迹分析中。EMD的基本思想[16]是：对一给定信号，先获得信号极值点，利用3次样条函数拟合上下包络，信号每减去一次上下包络中心轴线，便可得到一条轴对称子波形（即内蕴模式函数分量IMF）。如此重复，获得分解结果，即z个IMF和一个残差r。任一IMF分量都满足如下条件[17]：①整个数据段内，极值点（包括极大值和极小值）数目和过零点数目需相等或仅差l；②在任何一点，由极大值确定的上包络与极小值确定的下包络计算出的局部均值为零。此法本质是将非平稳信号进行轴对称化处理，按频率由高到低依次分离出平稳的IMF分量，可更有效地反映该物理过程中能量在空间（或时间）尺度上的分布规律，为非平稳信号有效成分的提取开辟了新思路。

2.3信号能量分析法信号能量分析法[18]基于阻尼耗散能量原理，可将阻尼特性从用半周期能量描述的物理过程中提取式中，ti为某一过零点时刻，Td为振荡周期。对于经典二阶模型，设E1、E2、E3…分别为半周期能量，则其满足以下关系[7]信号能量分析法具有快捷简便、抗噪声干扰能力强的特点，有很大的发掘潜力[11]，但其理论基础是经典二阶系统，传统的信号能量分析法只能处理轴对称的信号，对具有非平稳或非轴对称性高阶模式下信号无能为力，应用范围大大受到限制，所以对数据进行预处理是应用该法进行主导振荡模式有效识别的一个重要环节。传统信号能量分析法采用零点检测辨识频率。过零点检测法只关心采样点处数值正负的变化次数，对于符号翻转处载波信号幅度衰减到零的信号，在量化精度有限的情况下，符号翻转点的载波信号变化规律就很难分辨出来，存在较大误差[19]。

2.4基于EMD-TEO的信号能量法鉴于信号能量法处理非平稳或非轴对称性高阶模式信号的局限性，新方法用EMD算法对信号进行平稳化预处理；就零点检测频率的不准确性，引进TEO，快速、准确地完成频率辨识；根据下文中阻尼比简化算法辨识出主导模式的阻尼比。新方法具体流程如图1所示，首先通过EMD算法对非平稳的量测数据进行处理，得到IMF分量，进而利用能量权重判据筛选权重最大的IMF即为主导模式分量；最后通过模态参数辨识，实现对主导模式的动态识别。IMF分量的频率变化非常小，近似认为频率恒定。于此，根据二阶模型下的信号能量分析法，提出一种阻尼比简化算法，简便快捷。式中，A1、A2、…，A2N为半周期能量对应时间段的幅值，然后根据式（14）可求得阻尼比。

3算例分析

3.1数值信号算例验证新方法对复合模式信号模式分离及参数辨识的准确性。定义能量误差?检验EMD分解效果。式中，Ei为EMD分量的半周期能量；E0为原信号能量。信号xxl的EMD分解结果如图2所示，包含2个IMF分量及1个直流分量，xx1及EMD分量能量统计见表1，能量误差为0.74%，EMD分解效果较好。EMD分解前，xx1的半周期能量如图3所示，数值无明显规律可言，具有不稳定性。分解后，能量权重较大的c1为主导振荡模式，其半周期能量如图4所示，能量分布明显规律化，满足信号能量分析法二阶模型下的阻尼比辨识条件。列出原信号幅值、频率及特征值分析的阻尼比和新方法参数辨识结果见表2，可见该法的辨识参数与计算参数一致。对比TEO与零点检测辨识出的频率值，易得TEO辨识结果更接近信号的计算参数，精度更高。故新方法对非轴对称、复合模式信号的处理是有效的。

3.28机系统算例在PSASP的WEPRI?36节点系统中仿真验证本文方法在多机系统研究中的有效性。采用以下扰动方式：1～1.1s在Bus19和Bus30之间支路设置单相接地故障。由于电力系统低频振荡问题主要是由机电振荡模式引起，为了能得到和机电振荡强相关的模态，应选择和机电振荡强相关的信号进行分析[20]。文中以7号机相对于1号机的功角曲线为例分析，该功角及EMD分解结果如图5所示，对应信号的信号能量统计见表3。功角曲线具有很强的非平稳性及非轴对称性，难以用某个单一模式来描述。这是因为在多机系统中，各机组间相互影响，每台发电机的振荡模式可能是多模式的合成，其中既包括自身模式，又含有机间模式甚至区域间模式，且每个模式起主导作用的时段也可能不同。为了验证新方法提取主导模式的正确性，列出WEPRI-36节点系统的Q-R特征值分析结果见表5，其中选择频率在0～3Hz、机电回路相关比大于1的振荡模式输出；列出该功角的Prony拟合结果见表6。表5中有7个机电振荡模式，其中0.77Hz是阻尼最弱、振幅较强的模式，也是最主要的区间振荡模式，对系统稳定性影响较大；0.98Hz模式阻尼较强，衰减较快；其余模式只和部分机组有关，属于本地振荡模式。新方法辨识结果与Q-R特征值分析结果相吻合，且与Prony算法相比，该法对阻尼比和频率的辨识结果均更接近特征值分析结果，即新方法在提取多机系统主导振荡模式时的精度更高。

3.3实际电网算例在2009年华中电网丰大运行方式下进一步验证本文方法在实际系统中的有效性。扰动方式为：鄂孝感1B220-孝感220母线附近在0～0.05s设置单相接地故障。以鄂丹江的功角（参考机为三峡左#1平衡机）为例分析，该功角及EMD结果如图6所示，能量统计见表7，c1的权重最大，为主导振荡模式。表8，表9列出了Prony拟合结果，两种方法下的主导模式基本吻合，但也稍存在差异。图7为两种方法对功角曲线的拟合结果，0～5s拟合效果差异较小，由于Prony算法对非线性适应性较差，5～10s新方法的拟合效果更优，与表8和表9中的结果一致。这进一步说明，在实际系统中，新方法的优势仍能凸显，实用性较强。

4结论

模式识别范文第3篇

关键词：模式识别；概率密度估计；特征选择和变换；分类器

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）30-6879-02

模式识别（Pattern Recognition）是对外界采集的信号如：图像信号、声音信号、视频信号、文本等进行分析和处理，这种对处理对象数据中蕴含的行为或规律进行判别、识别、解释的过程就构成了模式识别技术的基本元素。自然界中有生命的人和动物普遍都具有模式识别能力，这种识别的能力是具有此种模式能力的对象与外界进行交互的重要接口和基石。现阶段学术界和工业界所倡导的模式识别是指用人造计算机或其他设备实现模拟识别的过程，因此模式识别成为了人工智能领域的一个重要分支。早在Rosenblatt 的感知机和 Nilsson的学习机理论中就解释了机器学习、模式识别以及阐述了机器学习与模式识别相关领域的关系[1]。随着时间的推移，人类的需求不断的变化，原来专注于识别的过程现阶段转移到对事物的内在关系和未来的推理上来了。

本文首先叙述了关于模式识别领域的发展历史以及模式识别在此过程中使用的主要方法的演变过程，文章后阶段介绍了模式识别理论方法研究的最新进展并分析未来的发展趋势。由于 Jain 等人的综述[3]已经全面介绍了 2000 年以前模式分类方面的进展，该文侧重于 2000 年以后的研究进展。

1 历史回顾

早在20 世纪 40 年代，随着电子计算机的逐渐兴盛，人们对于计算机的不断探索研究，发现需要用一些科学的方法来解决计算机识别和处理等问题。在已有的模式识别在其他领域的应用范例，如：机械领域和光领域。其中在光领域最具代表性的是现代模式识别例子是德国人Gustav Tauschek与1929年关于光学字符识别的专利。

20 世纪 80 年代 BP（Back-propagation）神经网络算法的兴起以及成功的在工程和学术上的应用燃起了人们对人工神经网络技术的研究和探索的激情，仿佛人工神经网络即将会实现，用以取代人类智能。国际性的模式识别大会也不断的召开，直至2012年国际模式识别大会已经成功举办的21届。

纵观模式识别的发展历程，该文将模式识别研究的过程归纳为以下几个方面：首先，针对模式识别的原始处理识别以及模型的选择问题，人们做了大量的研究，其中最具有代表性的是 Bayes 学习理论，其产生对分类方法的研究提供了新的方法[2]。其次，一些在传统领域应用的比较多的问题，如：概率估算、可代表莫一类事物的特征向量的选择问题、针对未知问题的类别聚合问题等等，人们都期望用新的方法加以实验。第三方面，随着机器学习领域的不断发展，如粒子群优化算法、C4.5、支持向量机等技术的发展，这些都极大的促进了模式识别的进步，机器学习和模式识别领域相互交融、相互补充和融合的趋势进一步加强。第四个方面，模式识别与数据挖掘技术进一步结合，随着模式识别技术的不断发展，产生了新的问题，事物潜在的内部规律有待进一步发掘，故模式识别与数据挖掘的相关技术有进一步结合的趋势。第五，模式识别的理论和方法等不断的进步、计算机性能的不断提升人们迫切的需要将理论转化为现实的生产力，故模式识别在现实中的应用研究占据主要地位。第七，随着云计算与物联网的兴起和发展，这些技术为模式识别领域带来了新的机遇，模式识别中的大数据处理以及物物相联问题将是一种研究的趋势。

2 模式识别的研究现状

2.1 模式识别系统和方法概述

模式识别从其加工处理的过程来看，总的可以分为：前期处理、中期计算、后期融合三个阶段。其中前期处理有可以分为：数据初处理、归一化、模式分隔与计算、特征提取等，中期计算包括模式识别、模式匹配，后期融合包括数据合并、数据计算等[3]。

2.2 概率密度估计

在非监督学习技术中，其最具代表性的发的当属概率密度估计和聚类，二者都属于非监督学习方法。概率密度估计技术主要应用在诸如聚类、特征选择、分类奇异点检测等多方面。基于Bayes 决策规则理论的分类问题就应用了概率密度估计方法，通过概率密度估计方法对未知的事物进行分类。此外在支持向量机的应用基础上，利用距离向量函数与核函数等技术将为分类的数据依据最小分类间隔进行分类，这种方法有其自身的优越性，但是在算法的性能上有待提高，尤其是对于特征向量较多地情况，虽然引入了核函数，但是在运行效率上还是有待提高。

2.3 特征的选择

为了减少高纬度数据对数据处理以及计算的精确度的影响，模式识别领域以及机器学习领域引入了特征选择的概念。就是将过多的特征进行裁剪，选出最具代表性的特征，从而用这些样本的特征对同类新进元素进行分析，将新进的事物的特征向量与样本的特征向量通过函数或者概率的方法对新进事物进行判别。这样在削减特征的前提下，也提高的计算的效率，提高分类的效率以及泛化能力[4]。

3 发展趋势

对于本文中对模式识别技术前期简要介绍的方法以及研究进展外，模式识别技术还有其他的方法和技术。如，在分类问题上，怎样维持分类模型的更新，以及更新的效率等问题上都是未来需要研究的方向。此外智能信息处理中的模式识别技术应适应时代潮流与云计算和物联网技术相结合。

4 总结

本文以模式分类中模式识别问题为主线对模式识别的发展技术以及相关的理论进行了探讨。结合现阶段的现状提出了模式识别技术应与云计算和物联网技术相融合。

参考文献：

[1] Fumin Q I，XIE Xiao-yao，JING Feng-xuan， Application of Improved PSO-LSSVM on Network Threat Detection[J].Wuhan University Journal of Natural Sciences， 2013，18（5）： 418-426.

[2] Malley J D， Kruppa J， Dasgupta A， et al. Probability machines： Consistent probability estimation using nonparametric learning machines[J]. Methods of information in medicine， 2012， 51（1）： 74.

[3] Structural， Syntactic， and Statistical Pattern Recognition： Joint IAPR International Workshop， SSPR&SPR 2012， Hiroshima， Japan， November 7-9， 2012. Proceedings[M]. Springer， 2012.

模式识别范文第4篇

关键词： 模式识别； 虚拟教学平台； 网络技术； 计算机技术

中图分类号：G642 文献标志码：A 文章编号：1006-8228（2014）07-59-03

Abstract： Aiming at the existing problems in the teaching of pattern recognition course， the key issues that should be addressed in designing the virtual teaching platform of pattern recognition course are analyzed with the characteristics of the course，. The platform is constructed by the computer technology and Internet technology. The following functions including the course description， membership management， online learning， project development， online testing and online discussion are provided. The virtual teaching platform greatly expands teaching space， enriches the teaching method and improves teaching efficiency. It provides the teachers and students with a convenient and effective online environment.

Key words： pattern recognition； virtual learning platform； internet technology； computer technology

0 引言

鉴于模式识别技术的重要性，许多高等院校都将模式识别作为自动化、计算机科学与技术、控制理论与工程等相关专业研究生的主修课程。该课程理论性强、实践性突出，与学科内的多层面内容相融合，其前沿技术发展日新月异，是集理论性、实用性、创新性于一体的综合性课程[1]。但由于模式识别课程内容太多[2-3]，无法在有限的课时内全面讲授，而基于互联网的开放式虚拟教学平台为我们解决这一问题提供了有效的途径。作为传统教育教学的有益补充，虚拟教学平台可为教师和学生提供一个具有交互性、共享性、实时性和综合性的学习环境[4]。本文首先介绍构建“模式识别”虚拟教学平台的必要性，然后给出该平台的实现方法及各模块的功能。该平台整合了课程的教育教学资源，强化了教学过程中“教为主导，学为主体”的教学理念，有利于激发学生的学习兴趣，帮助学生更好地理解和掌握教学内容，培养学生的创新能力，提高教学质量。

1 “模式识别”虚拟教学平台建设的必要性

模式识别是指通过计算机用数学技术方法来研究模式的自动处理和判读，是信息科学和人工智能的重要组成部分[1]。对于机器人、机器视觉、信息获取、语音识别等研究有重要意义，已经在军事、医学、公安、交通管理、天气预报等领域得到了广泛应用。我们对广西某高校模式识别课程的教学现状作了一次调查，师生普遍反映模式识别课程内容繁杂、难讲、难学。下面我们从课程本身、教师授课和学生学习三个方面来分析该课程教学存在的主要问题。

1.1 课程内容较多、理论性强

首先，模式识别课程内容较多，通常包括贝叶斯决策与估计、特征提取与选择、分类器设计与评估、聚类分析、有监督、无监督以及半监督学习、神经网络、支持向量机、模糊分类等，要在有限课时内向学生讲授这些内容并使其掌握是很困难的一件事情；其次，模式识别课程涉及的数学知识较多，包括高等数学、线性代数、数理统计、矩阵论、随机过程、工程优化方法、小样本统计学习理论、模糊数学等，这对学生的数学功底是一个较大的挑战，同时也使得教学面临着尴尬局面：既不能花过多的时间讲数学基础知识，又要把以这些数学知识为基础的内容讲清楚；最后，模式识别还是一门实践性要求较高的课程，要求学生能运用模式识别相关理论对实际问题进行分析和抽象建模，并编程实现问题的自动化求解，因此要求学生具有较强的知识储备、自学和动手能力。

1.2 教学方法单一落后

受长期给本科生授课方式的影响，大部分导师对研究生上课仍然采取“满堂灌”的形式。他们往往会根据自己对课程的理解来上课，缺少与学生的交流，无法站在学生现有知识水平的基础上去体会课程的难度，这是其一。其二，有些导师由于缺乏与模式识别相关的课题研究经验，因此无法结合自身体会将有些深奥的模式识别公式或理论形象化和实例化，而这往往是学生喜闻乐见的教学方式。其三，教学未能与时俱进，仍采用课堂讲授为主的教学方式，学生动手实践少，因此很难将抽象知识和实践结合应用。

1.3 研究生基础和学风整体呈下滑趋势

首先，受扩招和重点大学竞争的影响，地方高校生源质量整体呈下滑趋势，大部分研究生是通过调剂录取的，其中还包括相当数量的跨专业的学生，因此这些学生的专业素养，特别是数学基础普遍较差，这给模式识别课程的教学带来了很大困难；其次，由于自身基础较差，研究生对学好模式识别课程缺乏足够的信心，在学习和科研上缺乏积极性、主动性和刻苦钻研的动力；最后，研究生的学习能力存在差异性，单一的课堂教学模式难以真正做到因材施教。

因此，有必要对现有教学模式进行改革，通过利用计算机技术和网络技术构建虚拟教学平台，以此来突破传统课堂教学的时空限制，并充分调动学生学习的积极性，最终达到在有限时间内高质量地完成课程教学之目的。

2 “模式识别”虚拟教学平台的研究

通过上一节的分析不难看出，要构建一个切实高效的虚拟教学平台，就必须从课程设计、教师教法和学生管理三个方面来进行分析和研究。下面是我们对构建“模式识别”虚拟教学平台的几点思考。

⑴ 教学平台应对课程教学信息资源进行有效整合。由于模式识别内容较多，并涉及大量数学理论，因此课堂上只能对部分内容和理论进行精简式讲解。为了使学生能对课程信息进行全面了解，虚拟教学平台必须提供更为详实的教学资料。例如，以电子教案、多媒体课件、教学视频及教学参考资料等形式对课程信息进行共享。学生可以通过该平台自主地预习和复习，打破传统教学模式的时空限制，实现课堂教学的课外延伸，使学习过程变得更加方便和灵活。

⑵ 教学平台应提供在线项目开发和管理的功能。模式识别是一门理论与实践紧密结合的课程，因此必须培养学生应用模式识别理论去解决实际问题的能力。同时，教学理论表明基于任务驱动的学习方法能有效地激发和维持学习者学习的兴趣和动机，并有助于教学者对学习者进行有效管理[5]。为了达到以上目的，我们在构建虚拟教学平台时提供了在线项目开发和管理的功能。学生可以通过平台自主地完成教师给定的项目任务，教师也可以及时地掌握学生完成项目任务的进度，并给出必要的指导和帮助。

⑶ 教学平台应提供交互式学习的功能。教学理论和实践表明，基于自由讨论和交流的学习方式能有效地提供学习效率。然而，受教学时间的限制，在课堂教学中组织充分的教学讨论和交流存在一定的现实困难，因此我们以新生代学生更愿意接受的留言板、邮件系统等形式设计了交互式学习模块。通过虚拟教学平台，学生之间可就学习过程中遇到的各种问题展开讨论并及时反馈，教师也可以通过该平台将教学心得等信息传播给学生，增强教师与学生之间的交流。

3 “模式识别”虚拟教学平台的实现

本文以Dreamweaver作为教学平台的开发环境，使用JSP技术，设计了基于B/S模式的“模式识别”虚拟教学平台。该平台主要由课程介绍、成员管理、在线学习、项目开发、在线测试和在线交流等模块组成，其功能结构如图1所示。

3.1 课程介绍模块

课程介绍模块主要由课程信息和教学模式简介两部分组成。其中第一部分提供了课程简介、教学大纲、教学计划、推荐教材等基本教学信息；第二部分介绍了该课程所倡导的教学理念、教师所采用的教学方法及对策、以及学生应该使用的学习方法等。

通过该模块学生能对模式识别课程的基本情况和教师拟采用的教学方法有一个通盘了解，从而知道该如何去执行和操纵整个学习过程，才能获得最好的教学效果。

3.2 成员管理模块

系统的成员主要有教师和学生。教师信息管理模块主要提供课程负责人和主讲教师等基本信息的维护及查看功能，并展示教学团队所有成员的教学及科研成果信息。学生信息管理模块主要介绍每个学生的基本信息、所在班级以及所承担的项目任务等情况。

通过成员管理模块学生对教师的教学水平和科研能力有了充分了解，教师也可对学生的知识基础有所了解，从而有助于制定合理的教学方案，最终实现师生之间的相互了解和沟通。

3.3 在线学习模块

该模块有教学资料管理和在线课程学习两部分。其中教学资料管理模块提供了与“模式识别”课程相关的教学资料的上传、删除等功能，如电子教案、多媒体课件、教学视频及教学参考资料等；在线课程学习模块提供了多媒体课件和教学视频的在线播放功能。对多媒体课件的制作，主要使用了Powerpoint、Authorware、Flash等软件。

该模块支持学生在课堂以外进行自主学习，通过观看相关课堂教学视频和课件等方式，达到课前预习和课后复习的目的，有效避免了教学受到时间、地域约束的影响，使学习过程变得更加便捷和灵活。

3.4 项目开发模块

项目开发模块由项目任务管理和在线项目开发两部分组成。其中第一部分主要负责项目任务的编制、介绍、分配以及测试数据的上传和维护，教师用户可以通过该模块及时掌握学生执行项目任务的情况，并给出相应指导；第二部分则提供一个基于Matlab语言的“模式识别”课程项目开发系统，学生可通过该系统实现项目任务的在线开发、程序代码的上传和在线测试。常见的项目任务有手写数字识别、人脸识别、指纹识别、虹膜识别、车牌识别等。

项目开发模块是我们这个虚拟教学平台的一大特色，它的作用是双重的，既培养了学生应用模式识别理论解决实际问题的能力，又便于教师有效地监督和管理学生学习。

3.5 在线测试模块

在线测试由测试题库管理模块和在线课程测试模块组成，其中测试题库管理提供测试题目的新增、修改、删除等维护功能。在线测试功能分为章节测试和在线考试两大类。章节测试是对某个章节的知识掌握情况进行在线测试，在线考试是对整个课程知识点的掌握情况进行综合测试。考试题型由选择题、判断题和实例设计题所构成。学生点击开始考试后，系统会根据测试题库随机生成一份考卷，测试完成后系统将测试结果及参考答案反馈给学生。

通过这种无纸化考试有助于学生进行自我检查，掌握自己的学习情况，及时查缺补漏。也有助于教师及时了解教学效果，并做出相应的调整。

3.6 在线交流模块

课程论坛为教师和学生提供讨论交流的平台，学生可以在这里学习过程中遇到的问题、学习心得及自己的学习资料等，实现一定的资源共享。学生可以通过在线答疑功能，将学习过程中遇到的问题和产生的疑问向老师提问，教师可以以留言的形式对问题进行解答。此外，教师还可以将一些具有普遍性的问题到论坛中，便于学生参考。

4 结束语

基于网络的虚拟教学平台是一种新型的教学模式，是对传统教学模式的有益补充，在高校教育中已发挥越来越重要的作用。本文构建了“模式识别”课程的虚拟教学平台，学生可以通过该平台随时随地预习、上课、复习、讨论和开发项目，这有效地促使学生进行主动学习，让师生之间的沟通与交互更加方便和灵活。此外，这种教学模式对于开展个性化教学，真正实现因材施教，也起到了积极作用。

参考文献：

[1] 史海成，王春艳，张媛媛.浅谈模式识别[J].今日科苑，2007.22.

[2] 边肇祺，张学工.模式识别[M].清华大学出版社，2002.

[3] Sergios Theodoridis. Pattern Recognition[M].San Diego： Academic Press，2006.

[4] 吴莉.数据库虚拟教学平台的构建与研究[J].无线互联网科技，2012：203-205

模式识别范文第5篇

《模式识别与人工智能》（CN：34-1089/TP）是一本有较高学术价值的大型月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。

《模式识别与人工智能》主要发表和报道模式识别、人工智能、智能系统等方面的研究成果与进展，旨在推动信息科学技术发展。

模式识别范文第6篇

[关键词] 苍术；GC-MS；综合化学模式识别；质量控制与评价

[收稿时间] 2014-03-17

[基金项目] 国家自然科学基金项目（81072985，81130070，81072989）；江苏大学第十二批学生科研立项一般项目（Y12A152）

[通信作者] 欧阳臻，教授，博士生导师，主要研究中药活性成分研究及新药开发，Tel：（0511）88791564，E-mail： ；郭兰萍，博士，主要研究中药资源生态学，E-mail：

[作者简介] 王，硕士研究生，Tel：15862980471，E-mail：

苍术Atractylodis Rhizoma是菊科植物茅苍术Atractylodes lancea （Thunb.） DC.或北苍术A. chinensis （DC.） Koidz.的干燥根状茎?苍术具有燥湿健脾?祛风散寒?明目的功能?用于湿阻中焦，脘腹胀满，泄泻，水肿，风湿痹痛，风寒感冒，夜盲，眼目昏涩[1]?茅苍术主要分布于江苏?湖北?河南?安徽?浙江?江西等省；北苍术主要分布于内蒙古?河北?山西?辽宁等省?苍术资源分布广泛，是一个受地理环境影响很大的复合体[2-3]，茅苍术与北苍术的化学成分存在很大变异[4-8]，其药效也有显著差异[9]?而通过外观形态难以区分苍术质量的优劣，导致药材混杂的现象较为普遍?因此，对苍术进行质量控制和品质评价具有重要意义?

中药化学成分复杂，采用单一的模式识别方法来表征药材的质量会存在一定局限性?综合多种模式识别方法，可以客观的反映不同因素对药材品质的影响，为药材质量控制和评价提供科学依据?本文以不同产地的33批茅苍术与北苍术样品为基础，综合运用指纹图谱相似度评价?系统聚类分析?主成分分析和判别分析等化学模式识别方法，以期建立苍术药材的质量控制与评价体系?

1 材料

美国Agilent 6890N气相色谱仪和5973型质谱联用仪（GC-MS）?石油醚，乙酸乙酯为色谱纯?

苍术药材分别采自江苏?安徽?湖北?陕西?河南?内蒙古?辽宁?河北?山西等地33个不同地区?不同品系苍术，见表1?考虑到物候期对苍术根状茎挥发的影响，所有苍术样品均在2011年7月至10月在茅苍术和北苍术的花期时采集，所有样品均经安徽中医药大学彭华胜教授鉴定?

2 方法

2.1 供试品制备

分别取不同产地苍术药材粗粉约5 g，精密称定，置具塞锥形瓶中，加入石油醚150 mL，超声（功率160 W，频率50 kHz）3次，每次30 min，合并提取液，抽滤，回收石油醚后得挥发油?取挥发油样品100 mg于5 mL量瓶中，加入醋酸乙酯至刻度，得供试品溶液，0.45 μm滤膜过滤后供GC-MS 分析用?

2.2 色谱质谱条件

色谱条件：DB-wax毛细管色谱柱（0.25 mm×60 m，0.25 μm）；载气为氦气（99.999%），流速1 mL・min-1；进样口温度250 ℃；检测器温度250 ℃；柱温：起始温度为85 ℃，保持5 min，以3 ℃・min-1升温至185 ℃，保持5 min，再以10 ℃・min-1升温至250 ℃，保持5 min?质谱条件：EI离子源，源温230 ℃，电子能量为70 eV，连接器温度280 ℃，扫描范围m/z 33～350，电子倍增器电压为2 400 V?用峰面积归一化法定量?

2.3 方法学考察

2.3.1 精密度 按照2.1项下的方法制备L1号样品供试品溶液，连续进样5次，比较共有色谱峰的相对保留时间和相对峰面积，各共有峰的相对保留时间 RSD

2.3.2 稳定性 按照2.1项下的方法制备L1号样品供试品溶液，分别在制备后 0，2，4，6，8 h 进样，比较各共有色谱峰的相对保留时间和相对峰面积?各共有指纹峰的相对保留时间 RSD

2.3.3 重复性 按照2.1项下的方法制备L1号样品供试品溶液共5份，分别进样?比较各共有色谱峰的相对保留时间和相对峰面积?结果表明，各共有指纹峰的相对保留时间 RSD

2.4 统计学分析方法

采用中药色谱指纹图谱相似度评价系统软件A版软件进行相似度分析， 采用SPSS 19.0进行主成分分析?聚类分析以及判别分析?

3 结果

3.1 GC-MS分析

精密吸取供试品溶液2 μL，注入气相色谱质谱联用分析仪，按上述色谱质谱条件测定，得GC-MS数据?33个苍术药材样品的总离子流图（TIC），见图1?

对33个苍术样品的GC-MS结果进行分析，对检出的每个色谱峰经HP-MSD化学工作站检索质谱图库检索并结合有关文献确定化合物?从33个GC-MS结果中共检识出15个共有成分，按出峰先后依次为：β-杜松烯（β-cadinene）?石竹烯（caryophyllene）?γ-榄香烯（γ-elemene）?姜烯（zingiberene）?β-桉叶烯（β-eudesmene）?α-愈创木烯（α-guaiene）?β-倍半水芹烯（β-sesquiphellandrene）?β-人参烯（β-panasinsene）?石竹烯氧化物（caryophyllene oxide）?榄香醇（elemol）?茅术醇 （hinesol）?β-桉叶油醇（β-eudesmol）?苍术酮（atractylone）?马兜铃酮（aristolone）?苍术素（atrctylodin）?

苍术酮?茅术醇?β-桉叶醇以及苍术素被认为是苍术的主要活性成分[6-7]?郭兰萍等也认为该4种成分特定的配比关系是道地茅苍术的重要特征[8]?根据GC-MS分析结果，以苍术酮?茅术醇?β-桉叶醇以及苍术素的相对含量绘制了不同居群苍术4种活性成分的雷达图，见图2?北苍术与茅苍术挥发油4种活性成分的雷达图有明显差异：北苍术以苍术酮?茅术醇?β-桉叶醇以及苍术素为主要成分?茅苍术可以明显分为2大类，一类为道地茅苍术，产区为江苏茅山，其特征是苍术酮和苍术素含量较高；另一类是茅苍术的其他产区，包括了安徽?湖北?河南等地，其特征是中茅术醇和β-桉叶醇含量较高?

3.2 指纹图谱的建立及相似度分析

采用中药色谱指纹图谱相似度评价系统软件A版软件，以5批道地茅苍术样品（L1-L5，产自江苏茅山）指纹图谱为基础，采用自动匹配及中位数法生成共有指纹图谱，见图3?

以道地茅苍术的共有指纹图谱为参照图谱，对33批不同产地苍术指纹图谱进行了相似度分析，见表2?由表可知，道地药材的相似度极高，为97.2%～98.3%；分布于安徽?陕西?河南等地的非道地茅苍术与共有指纹图谱的相似度为74.2%～82.6%；分布于内蒙?辽宁?河北等地北苍术与共有指纹图谱的相似度为87.6%～91.5%?

3.3 主成分分析

将33批苍术样品15个共有峰的GC-MS数据导入SPSS数据分析软件，进行主成分分析?其中第一和第二主成分的贡献率分别为66.993%和15.976%，累计贡献率达82.969%?取第一?第二主成分构建二维散点图，见图4?主成分散点图显示33批样品可聚成3类：第一类B1～B15为内蒙?辽宁?河北等产地的北苍术；第二类L1～L5为5批道地茅苍术；第三类 L6～L18为安徽?湖北?河南等产地的非道地茅苍术?

3.4 系统聚类分析

运用SPSS 19.0数据统计分析软件，将33批苍术样品15个共有峰的GC-MS数据，选择离差平方和法 （Ward′s method）进行聚类分析，测量距离采用欧氏距离平方法 （Squared Euclidean distance） ，标准化选择“Z得分"?聚类结果见图5?由图中结果可将33批苍术样品聚为3大类：5批道地茅苍术聚为一类，15批来自内蒙古?辽宁?河北等地的北苍术聚为一类，13批来自安徽?湖北?河南等地的非道地茅苍术聚为一类?

3.5 判别分析

根据主成分分析与聚类分析将样品划分为 3类的结果?从 3 类样品中随机各抽取 1/3 的样品作为建模样本用于建立判别函数，余下 2/3 样品作为检验样本用于检验判别函数的判别准确性?结果显示判别结果与主成分?聚类分析结果一致，见表3?

4 讨论

4.1 苍术苍术挥发油特征

茅苍术与北苍术的分类学关系一直有争议?2010年版《中国药典》以及现行的《中药鉴定学》[10]均认为北苍术是独立的种?石铸等[2-3]认为苍术是一个多型种，茅苍术与北苍术在形态上难以划分，因为一些标本上有的叶分裂，有的叶不分裂，因此将北苍术作为茅苍术的异名?《中国植物志》和《Flora of China》[11]均将北苍术作为苍术A. lancea的异名?Huasheng Peng等[13]通过ITS和trnL-F分子系统树表明，茅苍术呈现一定遗传分化，建议北苍术作为茅苍术的变种?本实验发现苍术的挥发油组成呈现地域分化，其中所有的北苍术聚为一类，挥发油特征是以苍术酮（3.93%～18.37%）?茅术醇（6.43%～18.76%）?β-桉叶醇（6.25%～19.94%）以及苍术素（7.09%～19.33%）为主要成分?这表明在挥发油的组成上，北苍术具有一定的明显特征?但是茅苍术与北苍术在种的水平并没有形成明显独立的2种挥发油类型?本实验支持将北苍术作为茅苍术的变种处理?

4.2 茅苍术的化学型及其地理分布

茅苍术分布与秦岭-淮河以南的广大区?茅苍术的挥发油随地域呈现不同的化学型，如武田等[4-7]人将茅苍术分为茅山型和大别山型：其中大别山型的茅苍术茅术醇与β-桉叶醇含量很高，苍术酮与苍术素含量较低，而茅山型则含较高的苍术酮和苍术素，苍术酮?茅术醇?β-桉叶醇呈特定的配比关系[8]?本文实验支持茅苍术可以划分为2个化学型?其中茅山型主要分布在江苏茅山地区，包括句容?镇江等茅山山脉地区?该地区即历史上著名的道地药材茅苍术的产区，其挥发油特征是以苍术酮和苍术素为主成分?另外一种化学型，武田等称为大别山型，其特征是茅苍术茅术醇与β-桉叶醇含量高?本文表明该化学型不仅仅分布在大别山，还包括了桐柏山?秦岭以南的大片区域?

4.3 苍术化学模式识别方法的建立

近年来，有众多文献报道，化学模式识别方法已经成为中药品质评价与鉴定的有效方法，成功应用于黄芪[14]?车前子[15]?当归[16]等药材中?本研究运用GC-MS指纹图谱相似度评价法?主成分分析法?聚类分析法和判别分析法建立了苍术药材综合化学模式识别方法，以期建立苍术质量控制与评价体系?结果显示，不同产地苍术相似度相差较大，其在主成分分析图与聚类分析图中有具有明确的分布规律，表明苍术具有品种特征，即苍术的化学成分与品种具有相关性，可用于表征道地?非道地茅苍术以及北苍术的化学特征?因此，建立的综合苍术化学模式识别方法可用于苍术药材的识别和质量控制?

[参考文献]

[1] 中国药典.一部[S]. 2010：150.

[2] 中国科学院中国植物志编委会. 中国植物志. 第78卷[M]. 北京： 科学出版社，1987：23.

[3] 石铸. 关于苍术植物的学名问题[J]. 植物分类学报，1981，19（3）：195.

[4] Osami Takeda， Eiji Miki， Makoto Morita， et al. Variation of essential oil components of Atractylodes lancea growing in Mt.Maoshan area in Jiangsu province， China[J]. J Nat Med， 1994， 48（1）：11.

[5] Osami Takeda， Eiji Miki， Susumu Terabayaslli， et al. Variation of essential oil components of Atractylodes lancea growing in China[J]. J Nat Med， 1995， 49（1）： 18.

[6] Osami Takeda， Eiji Miki， Susumu Terabayaslli， et al. Variation of essential oil components of Atractylodes chinensis growing in China[J].J Nat Med， 1995，115（7）：543.

[7] Osami Takeda，Eiji Miki，Susumu Terabayaslli， et al. Variation of essential oil components of Atractylodes lancea（Thunb） DC. growing in Shanxi and Henan provinces， China [J]. J Nat Med， 1996，50（4）：289.

[8] 郭兰萍，黄璐琦，胡娟，等. 基于生物信息分析的苍术挥发油成分变异及其化学型的划分[J]. 资源科学，2008，30（5）：770.

[9] 胡世林，冯雪峰，吉力，等. 苍术及其异域变种[J].中国中药杂志，2000，25（7）：394.

[10] 李家实. 中药鉴定学[M]. 上海：上海科学技术出版社，1996.

[11] Institute of Botany Chinese Academy of Sciences. Flora of China.Vol. 20 [M]. Beijing： Science Press，2011.

[12] 任冰如，贺善安，朱晓琴，等.用RAPD技术评估苍术居群间的亲缘关系[J].中草药，2000，31（6）：458.

[13] Peng H S ，Yuan Q J，Li Q Q， et al. Molecular systematics of genus Atractylodes （Compositae， Cardueae）： evidence from ITS and trnL-F sequences [J]. Int J Mol Sci，2012，13（11）：14623.

[14] 马英丽，赵怀青，田振坤，等.黄芪质量的化学模式识别研究[J].中草药，2003，34（5）：460.

[15] 罗光明，曾金祥，朱继孝. 车前子综合化学模式识别研究[J]. 中国中药杂志，2012，37（8）：1148.

[16] 朴香兰，洪承权.气质联用-模式识别方法对中国当归的质量控制[J].中国中药杂志，2008，33（16）：2008.

Comprehensive chemical pattern recognition of Atractylodis Rhizoma

WANG Fan， OUYANG Zhen， GUO Lan-ping， ZHAO Ming， PENG Hua-sheng， LIAO Jing-lin， LIANG Zhong-ping

（1. School of Pharmacy， Jiangsu University， Zhenjiang 212013， China；

2. National Resource Centre of Chinese Materia Medica， China Academy of Chinese Medical Sciences， Beijing 100700， China；

3. Affiliated Hospital of Jiangsu University， Zhenjiang 212013， China；

4. School of Pharmacy， Anhui University of Chinese Medicine， Hefei 230031， China）

[Abstract] A method of comprehensive chemical pattern recognition of Atractylodis Rhizoma was established by GC-MS fingerprint， principal component analysis， cluster analysis and discriminant analysis. A DB-wax column （0.25 mm×60 m，0.25 μm） with EI ion source and 70 V electron multiplier were used for GC-MS analysis. Using principal component analysis， cluster analysis， and discriminant analysis， 15 common peaks of sample fingerprints for chemical pattern recognition research were analysed. The same results were obtained from the fingerprint， principal component analysis and cluster analysis， which could use to distinguish genuine Atractylodes lancea， ungenuine A. lancea and A. chinensis. Thus， this method could be used for the quality control and comprehensive evaluation of Atractylodis Rhizoma.

[Key words] Atractylodis Rhizoma； GC-MS； comprehensive chemical pattern； guality control and assessment

模式识别范文第7篇

关键词：电气设备；常见故障；故障诊断

中图分类号：TP207 文献标识码：A DOI：10.11974/nyyjs.20160230070

引言

在实际生活中，尽管已经学会了一些基本的电气故障诊断的方法并能够加以应用，但设备在实际工作中总会出现一些意外，此时应该高效而精确的找到故障的原因，并及时对此施以解决方法。在实际环境中，某些电气故障的原因很难查询，并且给予解决问题的时间有限，通常只会用基本的测量仪器进行简单的检查，想快速精准的解决问题并不容易。因此，对电气故障做深入研究就显得十分重要。

1 电气设备故障的类型及其诊断分析

想要识别电气设备故障的类型并排除故障，应熟悉建筑物内主要电气设备的组成、各部分的功能和控制系统的运行机理，在发生建筑电气设备故障时，再进一步分析发生故障的系统[1]。在检查电气设备故障时应检查各器件有没有损伤，设备工作或放置的环境是否过于潮湿，温度是否符合规范；要借助有关设备对电气设备进行细致的检查分析；根据故障的各种信息，结合相关知识，找到故障的根源。

电气故障一般可分为2类：显性故障。例如接触器线圈温度过高、冒烟、接头有所松动以及发出异常声音等，这些问题都很容易使人发现；隐性故障，由于隐形故障体现在设备表面上的现象并不多，所以也不容易被发现，而隐形故障主要是存在于控制电路的故障。比如因为对电气设备进行了不适当的安装、维护，造成线路中的触头及接线头接触不良、小设备的损坏和缺失，甚至是导线老化，这些都能成为引发线路故障的起因。一般来说电气线路越复杂类似的故障出现的概率便越高[2]。这类故障虽然看似微不足道，却是最容易发生并被忽视的，又因为这种故障的特征和外在迹象直接传达给工作人员的线索较少，最终能精准地推断出故障的来龙去脉所花费的时间还是过长。因此借助各种测量工具和仪器成为了解决问题的必要条件。这类问题一般只要找到故障点，通过简单的调整就能使设备正常工作，所以能否找到故障点成为了关键[3]。

2 电气控制电路的故障诊断与分析

电气控制电路的故障主要有电源故障、线路故障以及元器件故障。

2.1 电源故障分析

电源的正常工作是顺利保证其他所有电气设备正常工作十分必要的条件。如果电源存在故障，则电路必然不能正常运行，甚至可能损坏设备。

电源的类型并不是统一的，一种类型的电源有着与其他电源相区别的性能参数，所以电源的故障类型也是各种各样的。每一用电设备对与自身相匹配的电源参数都有其独特的要求，这就为寻找电源故障的过程带来些不便。不符合相关要求的电源参数，会使电源产生故障。在电气系统的运行过程中，如果此时电源的参数不稳定，例如电压、电流时大时小，频率忽高忽低等，这些都极易使电气设备产生故障。要想找到这种故障，只需用相关设备进行仔细测量即可。但某些故障查找起来则有些难度，比如波形失真、相位错位、频率稳定度、谐波分量等参数，则需凭借更复杂更精密的设备方能对故障进行有效的判断。

2.2 线路故障分析

线路故障分为导线故障和导线连接部分故障。导线绝缘皮过度老化或导线破损断裂均可引起导线故障。如果连接处发生了氧化、松动、移位甚至脱落，则极易引发导线连接部分故障。发生线路故障时，控制电路会变得很不稳定，会出现时断时续、接触不良等现象。接触不良是一种常见又很麻烦的故障，插件松动、接点表面氧化、焊接不良、接触簧片弹性退化等都是导致线路发生接触不良的原因[4]。正因为这些故障源头太细小，所以这种故障初期都很难被发现。

2.3 元器件故障分析

关于元器件的故障可分为2类：元器件损坏故障；元器件性能变差导致的故障。元器件如果在长期工作中环境条件超过规范或遭受过不可忽视的外力破坏，就极易对自身带来不同程度的损坏。元器件损坏会给电路正常工作带来干扰或使其缺失部分功能甚至瘫痪。但元器件损坏的故障表现比较明显，易及时发现并找到症结所在。而元器件性能变差这一故障却由于在故障前期并无明显征兆而使人难以查找。工作环境的改变或受其他故障的影响都会引起元器件性能变差。若电气控制电路的元器件性能持续长时间达不到要求，则会导致整个电气系统故障[5]。

3 电气故障诊断识别方法

随着计算机技术的研究和应用，模式识别技术也发展起来。模式识别是一种可以用于设备故障诊断的重要手段。人们通过分类法来给世界的各种事物分类。给某一类事物下概念和确定范围，然后给予它定量的描述，这被称为模式，然后通过将那些已知模式与需要识别的事物对比，进行识别、归类，将那些具有某种共同点的模式集合称为模式类。模式识别不是传统利用人来识别，而是使用计算机来识别，即利用计算机代替人来对各种物理量进行描述和分类，将需要检测的模式分配到对应的模式类中去。其过程可由图1来表示[6]。

图1中被识对象先通过A/D变换，将其特征转换为够被计算机处理的数字量（如果被识别的对象为非电量，那么首先应将它们转换为电信号）。信号通过预处理，过滤掉混入的干扰信号，并且放大有用信号。经过过滤后的有用信号，通过特征抽取，以方便接下来的分类。模式分类则是在特征抽取的基础上，将被识别的对象归类，并确定它属于其中的某种模式[6]。确定电气设备故障类型，进而解决故障。

4 结论

电气设备故障可能会引起整个系统的运行，而系统中电气设备的运行状态又不是一成不变的，因此技术人员必须对各电气设备运行状态进行灵活的分析与判断。基于能量损耗和运行状态的计算，可以帮助技术人员在短期内做出初步判断，找出故障的位置和原因，然后再对问题点进行进一步分析、推理，从而判断问题的源头，并予以解决，保障电气设备的正常运行。

参考文献

[1]郁君平.设备管理[M].北京：机械工业出版社，2011.

[2]恒，严璋，谭克雄等.电气设备状态监测与故障诊断技术[M].北京：中国电力出版社，2009.

[3]自动化与仪器仪表[J]. 2014（6）：186-188.

[4]刘新辉，张文友.建筑电气技术[M].西安电子科技大学出版社，2011.

[5]李葆文.现代设备资产管理[M].北京：机械工业出版社，2006.

[6]肖海兵.基于能量损耗的机械设备故障诊断理论与模式识别[J].华南理工大学学报（社会科学版），2013，13（02）：110-124.

模式识别范文第8篇

关键词：神经网络;模糊逻辑;模式识别;具体应用

现阶段人工智能领域正在开展关于多种智能识别方法的融合应用来改善识别效果，基于模糊逻辑与神经网络而成的模糊神经网络对于真正智能模拟的实现有着极为重要的作用。

1.模式识别概述

模式在本质上是一个内涵十分丰富的概念，其主要是指人类可以利用感官直接或间接接受的外界信息，Watanabe等人在研究中将模式定义为：凡是可以给出一个名字的便可以称为“模式”，并且其在定义过程中将某些具有共同特性的模式集合统称为“模式类”。“模式识别”在本质上是识别特定事物或模式相同点与相似点的过程，所以在研究过程中主要是利用自动技术来实现这一过程，在该类技术的支撑下计算机可以自动地将待识别模式分配到各自的模式类中，在这个过程中用到的技术统称为模式识别技术，尤其是在计算机技术的支撑下使其发展形成一种模拟人的识别方法，所以对于模式识别的概念应该定义为自动判别和分类的过程。模式识别的过程为研究对象、数据采集、数据预处理、测量空间、特征选择与提出、特征空间比对、模式分类、储存至类型空间等，对于整个模式识别过程来说数据采集、数据预处理、特征提取以及特征选择是其重点。在模式识别中，数据预处理后所获取的原始数据所在空间则被称为测量空间，将模式进行分类的空间则称为特征空间。模式识别系统在设计过程中主要由学习模块与测试模块两个核心模块组成，并且整个系统在运行过程中具备训练模式样本特征数据输入、制定分类判决规则、错误率检测、模式样本特征选择和正特提取方法调整等多项功能。

2.模式识别系统分析

模式识别系统在运行中的学习模块与测试模块中都设计了数据预处理的功能，其可以根据用户需求将感兴趣的模式从背景中进行分离处理，并且可以避免噪声信号对整个系统的运行产生影响，还可以根据用户的实际需求来建立标准化模式样本等。学习模块在运行中会将已知的样本模式进行数值化处理后输入计算机，这个过程被称为训练模式样本特征数据的输入，系统可以对输入的样本进行分析并排除无效或容易出现混淆的特征，对于一些对分类判别有效的数据特征则可以进行界定并保留，这个过程被称为模式识别系统在运行阶段的特征选择。

模式识别系统在运行过程中还需要将一些变换技术作为支撑，这是因为通过变换技术的应用可以得出比原来数目少的综合性特征作为分类用，这一过程被称为特征维数压缩或特征提取，系统会按照设想的分类判决数学模型对样本模式进行训练来得出分类的判决规则。模式识别系统在获取判决规则后便可以开始整个识别过程，其需要将未知模式特征数据进行采集、选择与提取，然后根据已有的判决规则对输入的模式进行分类，最后便可以根据用户需求来输入整个模式识别的结果。系统还可以将已识别的分类结果与已知分类输入模式进行对比，以便于对判决规则与特征选择、提取方法进行不断的优化，系统只有在该种模式下才能制定出错误率最小的判决规则与特征选择、提取策略，对于模式识别系统来说，这一过程被称为再学习的过程。

3.神经网络在模式识别中的具体应用

国内在较早阶段便开始了神经网络在模式识别中应用的相关研究，但是学者所提出的研究成果并没有得到广泛应用。在20世纪80年代末期，我国一些专家对模式识别在地震特征提取等方面的应用进行了优化与改进，并结合不同地区不同地质条件开展了一系列试验研究，先后取得了很多效果十分显著的成果，并且在这个基础上为整个系统增加了人机交互功能，改进后的模式识别系统开始在国内相关领域中得到了广泛应用。我国部分领域所使用的模式识别系统在最初以统计识别策略为主，在最近几年才将神经网络识别策略应用于模式识别系统中。20世纪80年代后期，世界上关于人工神经网络的研究开始进入一个热潮，这是因为在该阶段由Rumelhart等人在研究中提出了反向传播学习算法，对于神经网络来说其可以有效解决前馈反向神经网络学习训练的问题，所以对于整个神经网络研究领域来说开辟了一条新的途径。前馈反向神经网络学习问题的有效解决使神经网络的各项优势充分彰显出来，而前馈反向神经网络模式识别则成为模式识别中的一个核心发展方向，并且开始被广泛应用于生物、医学、地质以及化工等产品检测领域中，本文认为关于神经网络在模式识别中的应用将会给社会带来巨大变革，同时也意味着基于神经网络的模式识别技术将成为网络数字化时代的一项核心技术。

4.结语

现阶段前馈反向神经网络模式识别已经开始在社会各领域进行实践应用，虽然在该技术体系中还存在一些不足与缺陷，但是在现代科技的支持下其势必会迎来一个新的发展时期，对于我国社会各生产领域来说有着极为重要的推动作用。

参考文献：

[1]汪烈军.一种改进的结构自适应自组织神经网络算法[J].微电子学与计算机，2007（01）.

[2]赵菊敏，程海青，张立毅.基于动量项前馈神经网络盲均衡算法[J].太原理工大学学报，2007（03）.

[3]褚 辉，赖惠成.一种改进的BP神经网络算法及其应用[J].计算机仿真，2007（04）.

模式识别范文第9篇

本书的第一、二、三版分别于1993、1999和2005年出版。书中全面提供了过去20年中在模式识别与计算机视觉领域中的进展和成就，作者都是这个领域的第一流专家，其中的两位Thomas Huang和Jake Aggarwal是权威的K．S．Fu奖金获得者，该项奖金是由国际模式识别协会(IAPR)授予。

全书共有五个部分。第一部分模式识别的基本方法(有5章)：第1章统计模式识别；第2章时空模式的隐藏马尔可夫模型；第3章最小误差模式识别的一个新的基于内核的系统阐述；第4章并行上下文数组文法与轨迹；第5章模式识别与局部不变特性。第二部分计算机视觉的基本方法(有6章)：第1章图像分析与图像判读的基于实例的推理；第2章多图像几何――投影的观点；第3章3维离散二值图像中的骨架化；第4章2维、3维及4维数字距离变换；第5章计算整体形状测度；第6章利用局部二进制模式的纹理分析。第三部分识别的应用(共9章)：第1章文档的分析与理解；第2章中文字符识别；第3章从银行支票上手写的合理钱数中析取数字；第4章用于提高人类视觉的印刷体OCR评估；第5章使用图模型的万维网文档的群集与分类；第6章X线照片中肿块的自动检测；第7章比例空间中用于图像汇合的基于小波的卡尔曼滤波；第8章多传感器汇合与超频谱图像数据；第9章功能磁共振图像数据的独立组成部分分析。第四部分人体识别(有6章)：第l章多状态情绪识别；第2章单眼视频序列的基于花纹循环的人体识别；第3章掌纹认证系统；第4章用于可视监视的高分辨率面部图像的重现；第5章利用可变形特性图的物体识别：脸、手及分组景物；第6章用于快速面部检测的分层分类与特性简化。第五部分系统与技术(有7章)：第1章利用单个或多个照相机跟踪及分类移动物体；第2章图像分割算法的特性评估；第3章用于知识发现的基于内容的视频分析；第4章对象处理方法学及其对图像处理和模式识别的应用；第5章音乐风格识别――量化方法；第6章自动检测器：可移动自动化数字平板的识别；第7章全向视觉。

本书介绍了模式识别与计算机视觉理论及应用的深入研究，以及人体识别方面的最新进展，可供计算机科学相关专业的研究人员及研究生阅读参考。

胡光华，高级软件工程师

(原中国科学院物理学研究所)

模式识别范文第10篇

关键词： 雷达脉冲序列； 雷达信号识别； 句法模式识别； 多位有限态自动机

中图分类号： TN971?34； TN974?34 文献标识码： A 文章编号： 1004?373X（2014）05?0025?04

0 引 言

雷达辐射源识别是指在分析截获雷达信号的基础上，得到信号中雷达的工作参数和特征参数，然后利用这些参数获取该雷达的体制、用途和型号等信息，进而掌握其相关武器系统及其工作状态、制导方式，了解其战术运用特点、活动规律和作战能力的过程[1]。现有的雷达特征参数研究主要包括常规五大参数[2]、功率谱散布特征[3]、模糊函数切片[4]、脉冲包络前沿[5]、雷达信号双谱（高阶谱）估计[6]等方面。目标雷达信号参数是通过雷达侦察系统截获电磁环境中的雷达全脉冲信号，并经过信号分选[7]得到的。本文正是针对分选后的雷达脉冲序列而提出的识别方法。

随着现代雷达技术不断的更新，雷达为实现某种功能所发射的脉冲串表现出更多复杂的结构特征，而传统的识别方法并没有充分利用脉冲序列结构方面的信息，尤其对于雷达载波各参数相近的雷达进行识别处理时，往往效率不高。本文提出一种基于句法模式识别的思路对脉冲序列进行分析处理，从脉冲序列结构特征的角度实现雷达信号识别，并对相应的识别算法进行改进以更好地适应复杂体制雷达识别的需要。

1 句法模式识别与雷达句子描述

与统计识别方法中把特征构成向量形式然后分类的思想不同。在句法模式识别中，模式用句子的形式描述，更加注重模式的结构信息。句法方法把一个复杂的模式（如语言，景物）分解为若干较简单的子模式组合，而子模式又分解为若干基元，基元是最基本的单元。这时，一个样本是一个句子，所有句子（样本）的集合代表一类模式，称为一种文法。

雷达句法模式识别系统的组成如图1所示。句法模式识别方法首先对样本进行特征选择和提取，然后根据训练样本的句子结构推断文法，再利用文法规则构造自动机[8]，即自动识别器，最后对未知类别的雷达句子进行识别或分类。

雷达句子是指雷达侦察接收机采集的全脉冲序列经过信号分选后形成的单部雷达的脉冲序列。雷达句子可以用雷达字[9]（基元）、雷达短语（子模式）及连接构成。以常见机载多谱勒雷达radar 1脉冲数据为例，假设侦察到的雷达载频有4个频点，脉冲重复间隔具有4个值，类型组变，每组[n1]个脉冲，脉宽值[r1]固定。

由于本文所选取的雷达字与载频、重复间隔、脉宽、脉冲个数四个属性相结合，所以本文提出一种多位有限态自动机的设计方案来解决识别问题。该自动机采用每次读取输入带的4位数的方式进行。如图3所示，接受链[x]的过程为将输入链[x]中的字符从左到右放在输入带上，只读头从输入带的最左边一个单元开始读取输入的4位字符。状态控制器内部存有自动机的全部转换规则，每读取一个4位字符，则根据转换规则判定自动机转入下一状态，即当输入字符[fitirini]时，自动机的状态由[q]变为[q]，记为[δ（q，fitirini）=q。]如果不存在相应转换规则，则状态不发生变化，且说明自动机不接受这个字符。如果自动机从初始状态开始能够连续地接受输入链，并且最终停止在状态集[F]上，则表示[x]识别成功，符合该自动机语言。

实验结果显示出radar 1型雷达参数值及脉冲序列组合方式与另两部雷达区别明显，在达到一定识别率的情况下识别误差主要体现在拒识数上，产生的原因在于雷达训练样本序列覆盖不全面，使得重构的文法规则不够完善造成的。这一点可以通过增加训练样本数，向自动机增添文法规则来进行改善。而从参数相近的两部雷达radar 2和radar 3的实验来看，总体上可以显示出两型雷达在使用脉冲组时表现的差异之处，实验中能够达到一定的识别率，而其中误差主要体现在一些识别错误的情况，产生的原因主要在于两部雷达工作模式上确实存在有部分序列使用交叠的情况出现。

5 结 论

随着当前新体制雷达的发展，雷达完成某种任务需要表现出更多复杂的脉冲序列类型，针对雷达信号脉冲序列这一特殊类别，本文提出一种基于多位有限态自动机的句法模式识别方法。该方法雷达字的提取简单高效，不需要重新建立雷达字库，而且在利用了序列结构特征的基础上还结合了参数值特征。多位有限态自动机的利用使得读取的位数多，规则相对复杂，但是使用灵活，容错率低，对于相近参数的不同雷达型号识别能够达到满意的识别效果。句法模式识别的研究和应用对于分析雷达工作模式状态甚至雷达个体识别问题上也具有重要的意义。

参考文献

[1] 张国柱.雷达辐射源识别技术研究[D].长沙：国防科学技术大学，2005.

[2] 陈嫒嫒.雷达辐射源个体识别研究[D].南京：南京理工大学，2008.

[3] 柴恒.基于无意调制特征的雷达个体识别[J].舰船电子对抗，2011，34（4）：1?5.

[4] 李林，姬红兵.基于模糊函数的雷达辐射源个体识别[J].电子与信息学报，2009，31（11）：2546?2551.

[5] 王宏伟，赵国庆，王玉军.基于脉冲包络前沿高阶矩特征的辐射源个体识别[J].现代雷达，2010，32（10）：42?45.

[6] 陈涛，姚方杨.雷达辐射源信号双谱估计的物理意义及其辐射源个体识别[J].中南大学学报：自然科学版，2013，44（1）：179?187.

[7] 周一宇，安玮，郭福成，等.电子对抗原理[M].北京：电子工业出版社，2009.

[8] 齐敏，李大健，郝重阳.模式识别导论[M].北京：清华大学出版社，2009.

[9] VISNEVSKI N， KRISHNAMURTHY V， WANG A， et al. Syntactic modeling and signal processing of multifunction radars： a stochastic context?free grammar approach [J]. Proceedings of the IEEE， 2007， 95（5）： 1000?1025.