人工智能中模式识别技术应用的是

中北大学2014届本科毕业论文

摘要

图像识别技术是人类视觉认知的延伸，是人工智能的一个重要领域，随着计算机技术和人工智能技术的发展，图像识别技术越来越成为人工智能的基础技术。蔬菜图像的识别是当今各农产品市场急需采用的一项人工智能技术。如何有效的对蔬菜图像进行处理，并提取其特征是蔬菜图像识别技术的核心问题。本文以蔬菜图像的分割为主线，利用3种方法对分割后的蔬菜图像进行特征提取，并验证其有效性。

首先，蔬菜图像的分割的目的是将蔬菜图像的背景进行去除，仅保留蔬菜图像的前景部分。为此，需要将蔬菜图像的前景部分与背景部分进行区别。实验表明，利用K均值聚类算法辅以形态学操作能有效地对蔬菜图像进行分割。

对分割后的蔬菜图像进行特征提取，分别提取颜色一致性矢量（CCVs）、和差直方图矢量（SDH）及边界/内部像素分类（BIC）特征矢量作为图像的特征。利用提取出的特征矢量，对同种类的蔬菜图像和不同种类的蔬菜图像进行比较，以验证矢量的有效性。实验证明相似图像之间的矢量距离值较小，相似度较大，因此提取出的特征矢量能做为图像的特征。

关键词：图像分割，图像特征提取，K均值聚类，颜色一致性矢量（CCVs），和差直方图（SDH），边界/内部像素分类（BIC）

中北大学

基于神经网络的语音信号识别

摘要

语言是人类之间交流信息的主要手段之一，自电脑发明以来， 人们就一直致力于使电 脑能够理解自然语言。语音识别技术是集声学、语音学、语言学、计算机、信息处理和人工 智能等诸领域的一项综合技术，应用需求十分广阔，长期以来一直是人们研究的热点。 神经网络是在现代科学研究成果的基础上提出来的模拟人脑结构机制的一门新兴科 学，它模拟了人类神经元活动的原理，具有自学习、联想、对比、推理和概括能力，为很好 地解决语音识别这样一个复杂的模式分类问题提供了新的途径。 本文针时语音识别的特点． BP 神经网络在语音识别技术中的应用进行了探索性研究， 对 进而结合人工智能领域较为有效的方法——遗传(GA)算法。 针对传统 BP 算法识别准确率高 但训练速度慢的缺点，对 BP 网络进行改进，构建了一种基于遗传神经网络的语音识别算法 (GABP)，并建立相应的语音识别系统。仿真实验表明，该算法有效地缩短了识别时问，提 高了网络训练速度和语音的识别率。 关键词：语音识别，神经网络，遗传算法，遗传神经网络,BP 网络 RECOGNITIO THE RSREARCH OF SPEECH RECOGNITION BASED ON THE NEURA

基于神经网络的语音信号识别

摘要

语言是人类之间交流信息的主要手段之一，自电脑发明以来， 人们就一直致力于使电 脑能够理解自然语言。语音识别技术是集声学、语音学、语言学、计算机、信息处理和人工 智能等诸领域的一项综合技术，应用需求十分广阔，长期以来一直是人们研究的热点。 神经网络是在现代科学研究成果的基础上提出来的模拟人脑结构机制的一门新兴科 学，它模拟了人类神经元活动的原理，具有自学习、联想、对比、推理和概括能力，为很好 地解决语音识别这样一个复杂的模式分类问题提供了新的途径。 本文针时语音识别的特点． BP 神经网络在语音识别技术中的应用进行了探索性研究， 对 进而结合人工智能领域较为有效的方法——遗传(GA)算法。 针对传统 BP 算法识别准确率高 但训练速度慢的缺点，对 BP 网络进行改进，构建了一种基于遗传神经网络的语音识别算法 (GABP)，并建立相应的语音识别系统。仿真实验表明，该算法有效地缩短了识别时问，提 高了网络训练速度和语音的识别率。 关键词：语音识别，神经网络，遗传算法，遗传神经网络,BP 网络 RECOGNITIO THE RSREARCH OF SPEECH RECOGNITION BASED ON THE NEURA

International Journal of Control, Automation, and Systems (2010) 8(1):141-148 DOI 10.1007/s12555-010-0118-7 http://www.springer.com/12555

使用特征反馈的模式识别：在人脸识别中的

应用

Gu-Min Jeong, Hyun-SikAhn, Sang-Il Choi*, NojunKwak, and Chanwoo Moon

摘要：本文提出了一种新的使用特征反馈的模式识别的方法，并且展示了它在人脸识别中的应用。传统的模式识别的方法是使用PCS、LDC等提取特征并且应用于分类。另一方面，本文提出的方法能使体悟的数据在原始空间中被分析（使用特征反馈）。通过从提取的特征到原始空间的逆映射，我们可以分辨出原始数据中影响分类的重要部分。通过这种方式，我们可以将数据优化以获得更高的分类率，使之更简洁或简化需要的感知器。为证实本文提出的方法的实用性，我们利用耶鲁人脸数据库将其运用在人脸识别中。每一张人脸都使用特征反馈分为两部分——重要部分和非重要部分。另外，我们将人脸识别与图像压缩相结合。实验结果证明了本文提出的方法行之有

人工智能在化工中的应用

人工智能在化工中的应用

大连大学化工系王亮

摘要：本文介绍了人工智能的定义，及其两种应用途径，即专家系统和人工神经网络。指出了人工智能技术与自动控制的区别，并结合实际应用，总结出人工智能在化工生产中的应用。

关键词：人工智能；专家系统；人工神经网络；自动控制

1.人工智能的定义

相对于人类的天然智能而言的人工智能AI (Artificial Intelligence) 一词首次出现在1956年达特茅斯学会上。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。文献[1]定义为：研究如何让计算机做现阶段人类才能做得更好的事情。文献[2]定义为：人工智能是计算机科学的一部分，涉及智能计算机系统。这两种定义均注重于AI的目标。文献[3]提出了一种注重达到目标的方法的定义：人工智能是计算机科学的分支，它用符号的、非算法的方法进行问题求解。当代人工智能技术发展中，用计算机模拟人脑的思维过程，有两种不同的成功途径。一种是宏观的模拟，即专家系统；另一种是微观的模拟，即人工神经网络。

专家系统（expert system ，ES）

神经网络在特征提取中的应用

于大永

（郑州大学 郑州 450001）

[摘要] 本文提出了一种对非平稳信号进行特征提取及模式识别的方法: 根据多数信号是非平稳的特点，采用基于小波包分解能量的方法对信号的各频带进行分解，得到信号在不同频带内的能量分布特性．仅根据能量谱并不能完全区分不同类型信号，通过对信号高阶统计特性的分析，提取出高阶谱特征频率，结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别。

关键词:高阶谱、高阶统计量、小波包、神经网络、特征识别 1．概述

机械故障诊断是以机械学为基础的一门综合技术。机械故障诊断的关键是如何从机械故障振动信号中提取故障特征,信号分析和处理是特征提取最常用的方法。机械故障振动信号本质上是非高斯、非平稳信号,近年来,为满足对机器故障进行早期检测、诊断的需要,非高斯、非平稳信号处理方法在机械故障诊断领域受到了广泛的关注。如何确实有效地结合振动信号自身特点,创新性的应用非高斯、非平稳信号处理理论解决机械故障诊断中的信号降噪、故障特征提取等问题是当前机械故障诊断领域迫切需要研究的重点课题之一。基于此，本文提出了一种对非平稳信号进行特征提取及模式识别的方法: 根据信号是非平稳的特点，采用基于小波包分

神经网络在特征提取中的应用

于大永

（郑州大学 郑州 450001）

[摘要] 本文提出了一种对非平稳信号进行特征提取及模式识别的方法: 根据多数信号是非平稳的特点，采用基于小波包分解能量的方法对信号的各频带进行分解，得到信号在不同频带内的能量分布特性．仅根据能量谱并不能完全区分不同类型信号，通过对信号高阶统计特性的分析，提取出高阶谱特征频率，结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别。

关键词:高阶谱、高阶统计量、小波包、神经网络、特征识别 1．概述

机械故障诊断是以机械学为基础的一门综合技术。机械故障诊断的关键是如何从机械故障振动信号中提取故障特征,信号分析和处理是特征提取最常用的方法。机械故障振动信号本质上是非高斯、非平稳信号,近年来,为满足对机器故障进行早期检测、诊断的需要,非高斯、非平稳信号处理方法在机械故障诊断领域受到了广泛的关注。如何确实有效地结合振动信号自身特点,创新性的应用非高斯、非平稳信号处理理论解决机械故障诊断中的信号降噪、故障特征提取等问题是当前机械故障诊断领域迫切需要研究的重点课题之一。基于此，本文提出了一种对非平稳信号进行特征提取及模式识别的方法: 根据信号是非平稳的特点，采用基于小波包分

研究生课程考试试卷（课程论文部分）

（2012 —— 2013 学年 一 学期）

论文题目：利用特征提取方法来识别指纹

学生学号： 学生姓名：

专业名称： 计算机应用技术 课程名称： 模式识别 评阅成绩的教师签名： 评阅成绩时间： 评阅成绩分数：

2011年9月制

1

目录

摘要 .................................................................................................................................................. 1 关键词 ......................................................................

2.6给出K-均值算法的程序框图，编写程序，自选一组分别属于三类的三维模式样本，

并对它们进行聚类分析。

迭代次数=1随机选取k个样本作为初始聚类中心聚类数目大于样本个数YN输入聚类数目k得到样本矩阵的大小开始输入样本矩阵绘制样本数据的散点图输入错误，要求重新输入k

判断前后两次聚类中心是否变化NY计算各聚类中心的新向量值迭代次数+1输出迭代次数，聚类中心，聚类结果按最短距离原则分配各点计算各点到聚类中心的距离结束MATLAB程序代码

clear all; clc;

data=input('请输入样本数据矩阵：'); X=data(:,1); Y=data(:,2); figure(1);

plot(X,Y,'r*','LineWidth',3); axis([0 9 0 8]) xlabel('x');ylabel('y'); hold on; grid on; m=size(data,1); n=size(data,2); counter=0;

k=input('请输入聚类数目：'); if k>m

disp('输入的聚类数目过大，请输入正确的k值'); k=input('请输入聚类数目：'

《模式识别》试题答案（A卷）
（2007年秋季学期，学历教育合训本科生，理论考核部分，120分钟）

一、填空与选择填空（本题答案写在此试卷上，30分）
1、影响层次聚类算法结果的主要因素有（ 计算模式距离的测度、（聚类准则、类间距离门限、预定的类别数目））。
2、欧式距离具有（ 1、2 ）；马式距离具有（ 1、2、3、4 ）。
（1）平移不变性（2）旋转不变性（3）尺度缩放不变性（4）不受量纲影响的特性
3、线性判别函数的正负和数值大小的几何意义是（正（负）表示样本点位于判别界面法向量指向的正（负）半空间中；绝对值正比于样本点到判别界面的距离。）。
4、感知器算法 1 。
（1）只适用于线性可分的情况；（2）线性可分、不可分都适用。
5、积累势函数法较之于H-K算法的优点是（该方法可用于非线性可分情况（也可用于线性可分情况） ）；位势函数K(x,xk)与积累位势函数K(x)的关系为（）。
6、在统计模式分类问题中，聂曼-皮尔逊判决准则主要用于（ 某一种判决错误较另一种判决错误更为重要）情况；最小最大判决准则主要用于（ 先验概率未知的）情况。
7、"特征个数越多越有利于分类"这种说法正确吗？（ 错误 ）。特征选择的主要目的是（从n个特征中选出最有利于分