1、题目：人工神经网络技术在模式识别中的应用原题目：use of artificial neural network in pattern recongnition学 院：内蒙古农业大学专 业：农业电气化与自动化学 号：2013205037姓 名：祁飞导 师：武佩教授论文提交日期：二 一四年七月二十人工神经网络技术在模式识别中的应用Jayanta Kumar BasuDebnath BhattacharyyaTai-hoon KimComputer Science and Engineering Department Heritage Institute of Technology Kolkata
2、, India basu.jayantayahoo.co.in Multimedia Engineering Department Hannam University Daejeon, Korea , 摘要在众多传统的模式识别中，关于统计法的研究最深入，并且已经在实践中应用。近年来，结合人工智能神经网络技术的模式识别引起了人们重大的关注。该识别系统的设计需注意以下问题：模式类、传感环境、模式表示、特征提取和选择；聚类分析、分类器的设计和学习、选择、训练和测试样本、绩效评估。尽管已经对该领域研究了近乎 50 年，但是对复杂多向性的模式的识别，定位以及规模的设定等普遍问题仍没有较好的解决方法。新兴
3、的技术，如数据挖掘（指从资料中发掘资讯或知识） ，网络搜索， 多媒体数据，人脸识别，andcursive 手写识别，检索等都基于强大和高效的模式识别技术。本文的目的就是总结和比较了几种著名的方法。这些方法应用于不同时期的人工神经网络，识别研究的主题和应用。这些方法都走在这一令人激动和具有挑战性的领域的最前沿。关键词：模式识别，相关性，神经网络。1. 介绍模式识别是研究如何实现机器对环境的观察，让机器学会从它们所观察的环境背景中提取兴趣信息（此处的兴趣实为人为设定的特征范围） ，并且做出合理可靠的模式类别。尽管已经经历了近 50 年的研究，对于一般的机器模式识别系统的设计仍是一个可望而不可及的目
4、标。在大多数情况下，人类才是最佳的模式识别系统。但我们至今无法破解人类是如何进行高效的模式识别的。ROSS 强调诺贝尔奖获得者赫伯特西蒙，他主要发现了模式识别对于人们的研究有至关重要的影响：“模式间的相关性越高，则得到的结果越准确。 ”这对于支持人工智能的人们来说是一个好消息。由于计算机可以稳定的进行模式识别，事实上成功的计算机程序可以进行如下工作：帮助银行信用分数的申请人，帮助医生诊断疾病，在某种模式识别的基础之下帮助飞行员降落 我们需要投入更多的经历来对模式识别进行研究。我们的目标是介绍一种基于人工神经网络的模式识别方法。并且是利用可用的传感器，处理器和领域知识去进行自动判断的最好，最可行
5、的方法。2模式识别自动（机器）识别，描述，分类，模式分类，这些问题对于各种各样的工程和科学学科，如生物学，心理学，医学，市场营销，计算机视觉，人工智能和遥感是非常重要的。所谓的模式可以是一个指纹，一个手写的字，一个人的脸或者一段声音。识别/分类一种模式，有以下两种方式之一：（1）监督分类方法（例如：判别分析） 。用已知类别的样本训练分类器。（2）非监督分类方法（例如：聚类分析） 。样本的数据类别未知。模式识别被用于解决分类问题。通常分类规则由设计者设定（监督分类方法）或者根据样本之间的相似性进行分类（非监督分类方法） 。其应用还包括数据挖掘（定义一个“模式” ，例如相关性或者大量的多维模式中的
6、异常值） ，文件分类（有效的搜索本文文档） ，财政预测，多媒体数据库的组织和检索，生物识别技术。随着计算机技术的迅速发展，大规模数据的处理速度得到大幅提升。数据分析和分类的方式是多样并精确的，同时也对其应用进行了扩展。与此同时，随着对大规模数据处理和性能严格控制方面（速度，准确性和成本）的需求日益增加，自动模式识别系统开始迅速发展。模式识别系统的设计主要涉及以下三方面：（1） 数据的采集和预处理;（2）数据表示；（3）数据分类规则制定。所要识别的问题决定了传感器的类型。传感器可用于预处理技术，表示方案和数据分类模型的确定。人们普遍认为要对所识别的问题定义清晰，并且对其充分约束(小组内差异和大组
7、内差异)，才会得到简单的模式识别表示法和数据分类模型。对于大部分模式识别系统来说，从一些例子中（训练集）进行学习是很重要的，并且可以作为系统理想的属性参数。四个用于模式识别最有名的方法是：（1）模版匹配；（2 ）统计分类；（3）语法、结构匹配；（4）神经网络。3.人工神经网络神经网络技术的主要特点：研究复杂的非线性输入输出之间的关系。通过一连串的训练过程，自动调整以适应数据。目前神经网络对模式识别技术最常用的是前馈网络。前馈网络包含多层感知器和径向基函数网络。另一种常用的网络是自组织映射（SOM） ，或者 Kohonen 神经网络。它主要用于数据聚类和特征映射。为了使神经网络能有效地完成特定的
8、分类识别任务，神经网络过程学习过程中需要涉及到网络更新结构和连接的权重。用神经网络模型解决模式识别问题的方法如今已经成为主流。原因有两点：人们对于特定的领域看似低的需求和初学者对于高效算法学习的必要性。人工神经网络（ANNs）为特征提取（使用隐藏层）和分类（例如：多层感知器）提供了一套新的非线性算法。此外，除了特征提取外，分类算法也可以应用神经网络技术，为实现理想的硬件设备提供方法。神经网络技术是通过模拟生物神经系统实现的。它可以像大脑那样处理信息。这种模拟技术最先进的就是通过新颖的结构对信息进行处理。神经网络技术的工作原理是通过大量高度关联的神经元互相协调共同解决问题的。一般针对性的应用于模
9、式识别和数据分类。神经网络技术需要通过不断的学习过程才能实现它的意义。而这个学习的过程实际上就是不断调整神经元之间的突触。4. 研究进展基于模式识别技术的交互式语音应答系统（IVR） ，由 Syed Ayaz Ali Shah, Azzam ul Asar 和 S.F. Shaukat 二人于 2009 年第一次提出。此系统可以在用户输入正确密码之后，要求用户输入自己的声音样本，系统将自动验证用户身份。加入语音模式识别技术可以进一步提高安全级别。此系统的发展完全针对固定电话系统。对系统测试的结果较为满意的地方是其对于错误信息可以较快的进行回馈。它可以有效的为电话或者类似媒体提供身份识别保护。在
10、这里，将声音中的梅尔频率倒谱系数（MFCC）作为特征向量进行提取。而多层感知器（MLP）用于将提取出来的特征值进行匹配。模型的频率是 8kHz，采用 8位脉冲格式码进行调制。在最高层，所有的语音识别系统都包含两个模块：特征值模块和特征值匹配模块。同样也有两种操作模式：训练模式和识别模式。这两种模式都包含特征值提取和特征值匹配。语音识别系统在训练模式下创建数据库，又称为系统的数据收集。在这种模式下，从声音信号中提取有用的特征值和模型进行训练。该模型的功能应尽可能的超越已知的训练库，以便其能有效地区分是否为本人声音，排除替代者的声音。在识别模式下，系统对未知说话人的身份进行判断。在这种模式下，系统
11、从相同的未知说话人的语音信号中提取特征值，因为在训练模式，因此提取到的特征值需要跟数据库中的值做比较，然后计算相似得分。根据计算所得的分数进行判别。系统说话人进行验证，最终返还的结果无非是接受或者拒绝两种。产生于说话人验证系统的两种类型的错误假拒绝（FR）和假接受（FA） 。当正确说话者的声音遭到系统拒绝，那么称为假拒绝（FR） ，反之成为假接受（FA ） 。对于任务底层数据不明确的情况，神经网络技术是处理输入输出之间复杂关系最有效的方式之一。神经网络技术是相对较为先进的研究此情况的方法。在这项技术之中，前馈反向传播网络用于对声音进行分类。该网络通过使用 MFCC 技术提取特征值从而创立训练集
12、。这个模型是一个专门针对说话者语音识别的系统，它可以正确的识别说话人身份而拒绝其他顶替者。多层感知器（MLP ） ，共有四层：输入层，两个隐藏层和一个输出层。其中输入层有 19 个神经元（指使用 MFCC 提取的 19 个特征向量） ，传递函数为线性。该输出层只有 1 个神经元（二元决策） ，传递函数为线性。该系统的训练算法为反向传播算法。并且通过建立训练函数进行训练。这个训练函数通过训练数据来实现（监督式学习） 。其算法采用梯度下降算法（GD） 。在测试阶段，系统对于识别目标声音，设定了 10%的容差。如果系统输出值大于或小于 10%，则系统的识别结果仍然是精确情况下的接受或者拒绝，不会产生
13、偏差。测试的数据包括神经网络已经训练过的 50 个目标声音样本（正在训练神经网络的样本除外）和 125 个顶替者的声音样本。顶替者的声音样本从 13 个人（男）中收集。50 个声音样本中，有 41 个可以被识别。因此误识别率仅有 18%。同样的对于 125 个顶替者的声音样本，只有 17 个被错误的接受为正确声音样本。因此误接受率大约为 14%。目前，应用于识别股票价格的算法主要有两种：基于规则匹配的算法和基于改进的算法。然而，这两种算法都需要其领域专家的参与，并且其学习能力较弱。为解决这些问题，Xinyu Guo, Xun Liang & Xiang Li 提出了基于人工神经网络的股票价格模
14、式识别方法。实验表明，神经网络可以有效地对模式特征进行学习。并且准确的对模式进行识别。至于股票投资方面的识别技术，已经过研究团队全面的审核。技术模式分析被认作是最重要的技术分析方法之一。根据长期的股票分析经验，股票分析师总结出大量有利于投资策略的技术，大体分为两类：连续模式和反转模式。连续模式指出，股票价格将保持目前的趋势。而反转模式指出：股票价格将顺着相反方向发展。本文中，18 个典型的技术模式被选择为研究对象，包括 10 个连续模式和 8 个反转模式。该模式识别技术主要可以分为两大类：第一类是基于规则的算法，第二类是基于模版的算法。在股票价格模式识别系统中，基于神经网络技术的方法已经被提出
15、。然而最明显的区别在于该网络的输入并不包括该系列中的每一个时间节点。相反地，分割过程就在这个系统中将初始时间序列分割并且提取相应的特征值。对于每一个特征值，分割的过程中，就价格来说，其特征值都在最后的时刻才计算。最终由价格特征值序列代替整个时间序列，并作为网络输入的一部分。通过调整分割长度，不仅减少了计算代价，还改变了对于股票识别的时间间隔。在这里，18 种典型的模式识别技术已经被审查过了。三层前馈神经网络通常由一个输入层，一个输出层和一个隐含层构成。在输入层中，每一个神经元对应一个特征值，在输出层，每一个神经元都对应一个预设的模式。最好的情况是一旦某样本被输入到网络中，将输出零向量而样本所属
16、的模式除外。然而，由于分类误差的存在，一些测试样本不属于 18 种预设模式。一些不能按照预设精确的输出。508 间证券交易所提供 2029 个样本，其中包括 593个连续模式和 1436 个反转模式。作为训练样本，与此同时，4937 个样本中155 个是在同时间间隔中，从其他证券交易所获得的。有 54 个连续模式，270个反转模式，4613 个两者都不属于。为了提高电力系统短期负荷预测的精度，2007 年，一种新型负荷预测模型由 Wenjin Dai， Ping Wang 提出。该文章提出了使用模式识别实现短期负荷预测的方法。这种模式识别方法的输入集属于多层 fed-forward 神经网络。
17、系统通过 BP 学习算法训练样本。负荷预测已经成为研究电气工程的主要领域之一。近年来，将人工神经网络技术用于短期负荷预测，可以把握因素的内部规则并且可以完成复杂的数学映射运算。因此，人工神经网络技术可以大规模的有效地应用于短期负荷预测。短期负荷预测在电力系统安全，经济运行规划方面非常有用。它也被用于启动和关闭机组。通过运输计划和负荷管理。电功率的特点之一就是它不能被储存。也就是说，电能的产生，传输，分流和使用都是同时的。此系统中，神经网络参照以前的负载模式，并且利用最近的负荷数据预测结果。它在全球范围内有效地为电力系统短期负荷预测提供方法。反响传播已被实验，所提出的方法并不需要计算大量的时间。
18、用于训练神经网络的模式对预测精确度也会产生影响。Shahrin Azuan Nazeer, Nazaruddin Omar, Khairol Faisal Jumari and Marzuki Khalid (2007)将人工神经网络应用于人脸识别。他们通过两个光度标准化技术性能对该系统进行了评估。直方图均衡化，同态滤波，并且和欧式距离，归一化相关分类进行比较。该系统较好的实现人脸验证 和人脑识别。在这里人脸识别包括：人脸验证，面部识别。也就是说人脸识别系统总共就包含人脸验证和面部识别两项任务。在人脸验证过程中，系统预先知道用户身份，并且验证其身份。也就是说，系统可以识别出预设用户是否为假冒。
19、在面部识别过程中，如果系统不存在先验知识，也就是说系统对识别的用户身份未知，则系统将自动对其数据库中存储的所有人脸图片进行扫描，并找出与目标人脸最相似的图片输出。上述动作主要的目的是对于利用人工神经网络实现的面部验证和识别系统进行性能的评估。它由若干模块构成，分别是图像采集，人脸检测，系统训练以及识别和确认。面部图像是通过网络摄像头拍摄获取并储存在数据库中，下一步，对数据库中的面部图像进行检验和训练。在训练过程中，面部图像需要经过几何与光度正常化的预处理。使用若干特征萃取技术对面部图像进行特征提取。然后将特征向量与用户身份一起存储在数据库中。在识别、验证的过程中，用户面部的生物特征数据将被系统
20、多次获取，并且将获取的生物特征值用于识别该未知身份是否为用户（先验知识，系统已知） 。然而，认证识别过程涉及到所捕获的生物特征信息与系统数据库中原有的样本进行比较的情况。验证过程涉及到仅有的几个不变的样本值和所判断的结果之间的比较。因此，识别和验证是两个同样复杂的问题，但二者却不完全相同。上述说到识别、验证过程中包含图像采集，面部检测以及面部识别与验证。图像采集、面部检测模块用于提取面部相关特征信息。在面部检测模块自动滤掉图像背景或者图像中与人脸无关的信息。该系统可以实时的对人脸进行检测，对于因为照明、肤色或者面部其他特征如胡须，头发等的因素对图像造成影响的情况，面部检测模块都能很好的进行处理
21、。面部识别模块包含预处理，面部特征值提取以及分类子模块三部分。输入到面部识别、验证模块中的图像来源于相机的拍摄或者数据库中的图像样本。这些图片均经过几何与光度正常化预处理。在特征提取过程中，特征向量通常为归一化的图像。分类识别通常是将待识别图像与数据库中的图像进行匹配的过程。多层前馈神经网络（MFNNs）具有高度适应能力的非线性结构，因此是解决一系列复杂的模式识别和回归问题的理想方法。实验结果显示：在所识别图片光照较为正常的情况下，面部识别系统利用人工神经网络对目标人脸进行验证。系统使用的分类方法是人工神经网络（NN） ，欧式距离（ED）和归一化相关（NC） 。实验结果表明，人工神经网络技术对
22、于通过 PCA 和 LDA 的验证过程，优于 ED 和 NC。然而对于识别过程，通过 ED 进行分类所得到的识别精度最高。2006 年，Lin He, Wensheng Hou, Xiaolin Zhen and Chenglin Peng 提出了基于 ANN 技术的心电图模式识别系统。从 MIT-BIH 数据库中提取了四类心电图模式：正常窦性心律（N） ，室性早搏（PVC） 、房性早搏（A）和左束支传导阻滞拍（L ） 。原心电图信号的心电图形态和 R-R 间隔特征将作为系统识别的特征值输入到神经网络模型中。人工神经网络的三种模型：SOM,BP 和 LVQ被广泛的用于心电图模式识别系统的训练和
23、测试。因此对这三种模型进行了比较。SOM 网络的效果最佳，其精度是 95.5%。BP 和 LVQ 精度分别是 92.5%和 91.5%。一个典型的心电图，在每一下心跳中，都包含 P 波，QRS 波和 T 波。识别EGC 的方式基本都是通过提取和分类 EGC 的参数特征值。这些特征值可以是时域或者变换域中的参数。时域中常用的心电图特征值包括波形、幅度、持续时间、区域和 R-R 间隔。对于心电图识别的基本难题在于不同病患心电图波形之间较大的差异和大多数情况下 EGC 信号的背景噪声。与传统的分类方法相比较，人工神经网络技术拥有较好的适应能力和更新能力，识别速度较快。并具有并行数据处理能力，因此这里
24、采用人工神经网络技术对心电图进行模式识别。人工神经网络技术的性能可能会受噪声的影响导致其对 EGC 信号识别能力降低。尽管神经网络具有一定程度的错误容差，但是系统仍然需要提供理想的EGC 信号。SOM、BP 、和 LVQ 这三种不同的神经网络模型可以被用于 EGC的模式识别。EGC 模式识别系统从 11 个病患采集 4 中不同的心电图信号作为训练样本。从每个模式中抽取 200 个 EGC 信号片段。总共抽取 800 个 EGC信号，每一个都包含 ORS 波。指定 N,A,L 和 V 为系统的四种模式。且神经网络的训练模式如下：将抽取的所有数据分为大小相同，信号模式和来源相同的四组。每一个神经网
25、络模型都通过不同的数据组进行测试，而其他三组数据用于训练。神经网络性能的评估标准是系统表现出来的敏感性，整体精确度和神经元的数目。整体精确度定义为正确识别次数和测试总次数的比值。据观察，SOM 网络性能优于 BP。但 SOM 需要的训练时间更长。Hongwei Yang, Chen He, Wentao Song, Hongwen Zhu 在 2000 年提出了基于人工神经网络的降雨衰减模型。分析衰减降雨量的几个因素。基于人工神经网络的降雨衰减模型由许多经过训练和验证后的的神经网络拓扑结构建立。结果显示，应用人工神经网络预测高频波是一个反应降雨衰减量的好方法。其中平均预测误差和均方误差分别降低
26、 0.59dB 和 0.69dB。这篇文章中的研究表明利用人工神经网络技术反应降雨衰减是一个新兴有效的方法。在预测降雨衰减量之前，需要了解降雨率。这是建立可靠可信的通讯系统最基本的要求。降雨量衰减的预测是一项非常复杂并且艰难的任务。通常情况下，预测模型可以仅仅指理论上（或称为确定性） ，或者指经验上（也可称为统计数据） ，或者二者结合。确定性模型基于物理物理定理，在不同的条件下也不会影响其精度，但是它的实现通常需要庞大的无线电气象特征值支撑，例如大气压力，大气温度等。但这些数据几乎是无法获取的。确定性模型实现起来局限性大，需要在无线电气象数据已知的条件下才可以运用。然而在经验模型中，无论它们是
27、否能被识别，几乎所有的因素都被考虑进去。这是该模型的主要优点。然而，模型的精度取决于分析降雨缩减的条件和测试方式。测量执行过程中，影响降雨缩减模型的主要因素是神经网络的输入和是否选择了足够的数据进行建模。训练和验证完大量不同的神经网络拓扑结构之后，一个预测降雨量缩减模型基本建立。在影响降雨缩减因素之下，选择 8 个输入点，每一组输入值都从影响降雨缩减的无线参数中选择，这些输入包括频率（单位 GHz） ，仰角（单位度）和极化角（单位度） 。第二组输入数据包括纬度（单位度） ，经度（单位度） ，高度（单位 Km）和地球站高度（单位 Km） ，用以考虑地形因素对降雨量缩减的影响。最后一组输入是降雨率
28、（毫米/小时） ，它是影响降雨衰减的主要气象因素。定义在相同条件下不同的测量方式下测量的数值和预设的衰减值之间的差值为预测误差。该预测误差分布在 ANN 模型和传统模型（如 CCIR 模型）之中并且已经被计算出来。ANN 模型得到的平均预测误差是 1.39dB，在验证集的范围内，均方根误差和最大预测误差分别为 2.01 dB 和 4.7 dB。当平均预测高于 1.98 dB，CIRR 模型中，均方根误差和最大预测误差分别为 2.7048 和 7.4 dB 的情况下，我们可以更轻易的看到 ANN 模型的先进性，其精度值甚至高于平均精度值大约 0.6 dB。1997 年，Nallasamy Man
29、i 和 Bala Srinivasan 提出了应用人工神经网络技术实现光学字符识别（OCR） 。这是一个简单的利用 ANN 技术来模拟识别字符的模式识别系统。系统中，简单的前馈神经网络模型已经利用不同的噪声数据进行过训练。并且通过反向传播方式进行学习。该系统的使用范围包括邮政编码的识别，数据自动进入庞大的管理系统，银行，自动制图和盲人专用的阅读设备。在维护高效性和通用性的同时，图像处理的时间明显的减少。但是一个完整实用的 OCR 系统至今尚未完全实现。设备能否实现的主要因素在于：选择出最佳的可以明确定义和反应字符细节的特征值；收集大量的特征值，并且降低图像处理的时间。从图像中扫描到的字符被标准
30、化成 60*60 像素到 32*32像素。将标准化后得到的水平和垂直矢量加和，作为神经网络的输入向量。最终，确定一个包含 64 字符（水平 +垂直）的字符特征值。直方图技术已经用于自动处理序列中行数，字数和特征值的提取。腐蚀和膨胀分别使图像缩小和放大。腐蚀通过删除或者侵蚀对象的边缘像素造成图像的缩小。而膨胀则通过增加对象边缘像素来放大。膨胀技术被用于从初始图像（灰度图像）中提取一个文字。图像膨胀可以使一个文字中的每个字符不断变粗直到它们重叠。图像腐蚀技术已经应用于从字中提取每一个字符。模式编辑器对于创建训练数据文件十分有用。优点是通过用户本身定义的字符集、数字甚至其他语言来训练网络。一旦网络训
31、练过之后，训练数据文件就会被建立起来。实验显示系统识别率已达 70%，对于噪音数据的识别率更是高达 99%。但不理想的是，系统在识别过程中，对于不同字体，不同大小和手写字符的识别率较差，甚至没有识别成功。Young-Sang Han, Seong-Sik Min, Won-Ho Choi 和 Kyu-Bock Cho 在1992 年实现了基于人工神经网络的异步电动机的故障检测系统。该系统相当于现实中有经验的异步电动机检修老手，对 IM 的故障进行预测和诊断。诊断过程中，该系统利用基于旋转电动机震动条件的频谱分析方法。在 ANN技术中，将若干振动频率作为输入，输出的则是通过人工神经网络系统通过计
32、算得到的电动机是否故障的信息。在 PDP 模型中，即通过误差反向传播学习算法的多层感知器来进行电动机的故障诊断。异步电动机（IM）有很多优点，例如易修护，低成本，并且在工业中应用较广。因此他的故障诊断变得尤为重要。它的安全性可以使整个工业系统的可靠性得到保障。传统的研究仅集中在估计电动机参数进而显示电动机工作状态。在那些方法中，一个严重的缺陷在于必须已知精确的动态数据，基于人工智能技术的早期故障检测器是由两部分组成。一部分是干扰和噪声滤波器，另一部分是高阶早期故障诊断器。它只能检测到错误转向和轴承磨损而已。很多现象如转子不平衡，气隙变化，槽内不平衡的磁力和球的缺陷，轴承的内外圈故障等都可以使振
33、动频率发生变化。因此若电动机发生故障，可以通过振动频率发生变化体现。所以通过振动频率反应电动机故障与否一个很合理的手段。将振动的频谱作为神经网络的输入，输出则是判断电动机是否故障。对于模式识别来说，需要建立多层感知器模型，它通过反向传播学习方法优化了连接权值，反向传播算法使用一个定义为理想输出和网络实际输出之间的平方误差总和的函数实现。然后用最速下降搜索算法找到最小的目标函数。如果电机运行，那么专家系统对于这类问题的诊断能力会降低，因为作为一个本领域技术人员，必须在系统诊断的问题上拥有熟练的解决能力。另一方面，该文章提出的方法非专家也可以很容易的操作。其提出的检测方法适用于维护和诊断现有及其最
34、佳的方式之一。也可以控制和保障电机的生产质量。1989 年，P. M. Grant 采用线性概念设计匹配滤波器（滤波器输出端的信号瞬时功率与噪声平均功率的比值最大的线性滤波器） 。它被广泛的应用于通信和雷达信号检测。紧接着，又探讨了匹配滤波器和一种人工神经网络的联系。“联想记忆” ，它广泛应用于模式识别和程序恢复。随后，一种更先进的基于多层感知的方法探究了非线性滤波器和它的应用。并检查了在滤波器的数据通信中失真的数据，减少失真之前二元决策影响。这种方法已经被公认为是一种匹配滤波器，并可以高效的检测被高斯白噪声污染的信号。对于编码信号波形，匹配滤波器的功能是将接受信号和基准信号相关联并关联输出。
35、其实就是将两个时间序列波形相乘，并对时间进行积分。主动相关器和线性匹配滤波器这两种基本的接收器可能会实现。无论对于过滤过程还是模式识别过程，其中输入的数据必先是已知的，线性匹配滤波器或者相关器将会优化检测的信号。在其他情况下，如果存在时变或者不稳定的信号，或者信道特性出现，这时候应该适当考虑人工神经网络方法。5.结论按照时间顺序进行研究时，我们可以注意到，在每一个模式识别的研究当中，不论缺点还是优点，使用了人工神经网络技术的模式识别技术所得到的结果一般都较为准确。而建立在预测的数据集上所得到的结果精度总是更高的。6. 参考文献1 P.E. Ross, “Flash of Genius”, Fo
36、rbes, pp. 98-104, Nov, 1998. 2 A.K. Jain, J. Mao, and K.M. Mohiuddin, “Artificial Neural Networks: A Tutorial”, Computer, pp. 31-44, Mar, 1996. 3 T.Kohonen, “Self-Organizing Maps”, Springer Series in Information Sciences, Berlin, vol.30,1995. 4 Syed Ayaz Ali Shah, Azzam ul Asar and S.F. Shaukat, “Ne
37、ural Network Solution for Secure Interactive Voice Response”, World Applied Sciences Journal 6 (9), 1264-1269, 2009. 5 Xinyu Guo, Xun Liang and Xiang Li, “A Stock Pattern Recognition Algorithm Based on Neural Networks”, Third International Conference on Natural Computation, Volume 02,2007 6 Wenjin D
38、ai and Ping Wang, “Application of Pattern Recognition and Artificial Neural Network to Load Forecasting in Electric Power System”, Third International Conference on Natural Computation, Volume 01,2007. 7 Shahrin Azuan Nazeer, Nazaruddin Omar, Khairol Faisal Jumari and Marzuki Khalid, “Face detecting
39、 using Artificial Neural Networks Approach”, First Asia International Conference on Modelling & Simulation, 2007. 8 Lin He, Wensheng Hou, Xiaolin Zhen and Chenglin Peng, “Recognition of ECG Patterns Using Artificial Neural Network”, Sixth International Conference on Intelligent Systems Design and Ap
40、plications, Volume 02,2006,. 9 Hongwei Yang, Chen He, Wentao Song and Hongwen Zhu, “Using Artificial Neural Network approach to predict rain attenuation on earth-space path”, Antennas and Propagation Society International Symposium, IEEE-Volume 02,2000. 10 Nallasamy Mani and Bala Srinivasan, “Application of Artificial Neural Network Model for Optical Character Recognition”, IEEE international conference, 12-15 Oct, 1997.
