一种多特征条件下的模式识别方法技术

本发明专利技术提供了一种多特征条件下的模式识别方法，包括：步骤1、建立所需识别目标模式的有向连通图模型；步骤2、定义连通的节点与边的特征，所述特征用函数的形式表现；步骤3、获得实时观测信号，并预处理为可使用观测信号；步骤4、根据可使用观测信号计算有向连通图模型中所有节点以及边的特征函数；步骤5、根据特征函数计算当前各节点的状态概率与各边的转移概率；步骤6、反复进行步骤二至步骤五，并记录每一轮的相关信息；步骤7、通过译码识别最佳匹配模式。

A pattern recognition method under multi feature conditions

The present invention provides a method of pattern recognition, a multi feature condition includes: Step 1, establish the desired target recognition model directed connected graph model; characteristics of step 2, definition of connected nodes and edges of the form function with the feature; step 3, to obtain real-time observation signal, and the pretreatment for the use of the observed signal; step 4, can be calculated according to the directed connected graph model of all nodes and edges of the characteristic function using the observed signal; transfer probability calculation steps of each node 5, according to the characteristics of the function of state probability with each side; step 6, repeat steps two and five, and record the relevant information for each round; step 7, the best matching pattern recognition decoding.

【技术实现步骤摘要】
一种多特征条件下的模式识别方法
本专利技术涉及计算机及通信互联网领域模式识别的方法，具体地，涉及一种在多特征条件下实现精确模式识别的方法。
技术介绍
随着当代科技的快速发展，各种设备包括手机，平板，电脑等产生了海量的数据，从而带来了大数据分析的兴起。在信息化的时代，数据意味着价值，海量的数据意味着无与伦比的价值。然而海量的数据中包含着错综复杂，相互交叉扰乱的信息。如何理清数据间错综复杂的关系，从海量的数据中提取出有用数据成为数据分析的关键。与此同时，随着产生数据的设备数目的急剧增长以及对于精确数据分析日益增长的需求，大数据分析带来了机器学习特别是模式识别的蓬勃发展。模式识别就是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。随着计算机技术的发展，模式识别成为人工智能以及计算机智能化的基础以及瓶颈，特别是在要求大数据分析的应用中。经对现有文献研究发现，文献“基于隐马尔可夫模型的物体识别”(J.Hornegger,H.Niemann,D.PaulusandG.Schlottke,ObjectrecognitionusinghiddenMarkovmodels,PatternRecognitioninPracticeIV,pp.37-44)提供了一种使用隐马尔可夫模型来实现模式匹配的方法，该方法可以在单特征条件下识别满足一定预设条件的物体，也即模式匹配。但是该方法缺乏对于多种非独立特征条件的考虑，在多特征模式下匹配性能欠佳。文献“贝叶斯人脸识别”(BabackMoghaddam,TonyJebara,AlexPentland,BayesianFaceRecognition,PatternRecognition,vol.33,no.11,pp.1771-1782,2000)采用图像特征提取以及贝叶斯相似度估计方法来识别人脸，该方法可以实现简单模式匹配，无法处理多特征以及时变特征下的模式匹配。文献“使用条件随机场进行物体识别”(AriadnaQuattoni,MichaelCollins,TrevorDarrell,ConditionalRandomFieldsforObjectRecognition,NIPS,2004)提出了使用条件随机场来识别物体(模式匹配)的方法。该方法试图通过以条件概率代替联合概率的方式来组合多种特征，因此实现在多特征条件下进行模式匹配并且取得较好的匹配效果。但是条件随机场采用无向图模型，两节点间的边没有区分方向，因此在需要区分方向的应用中，比如说在有方向的模式识别中无能为力。文献“一种使用新颖的反向追踪粒子滤波器的模式匹配室内定位”(WidyawanWidyawan,MartinKlepal,StéphaneBeauregard,Anovelbacktrackingparticlefilterforpatternmatchingindoorlocalization,ProceedingsoftheACMInternationalWorkshoponMobileEntityLocalizationandTrackinginGPS-lessEnvironments,2008)采用粒子滤波器来实现模式识别以及匹配，该粒子滤波器使用了反向追踪功能，可以在当前模式匹配的同时改进匹配历史记录。该方法试图从局部特征出发，可在多种特征条件下实现模式匹配。但是该方法缺乏对于全局条件的考虑，使得该方法在应用中具有极大的局限性，在各种应用之中的稳定性欠佳，同时计算复杂度随着粒子数的增加而指数增长，使其在大多数应用中的性能并不出色。上述模式识别方法或者只能在单特征条件下进行模式识别，或者因所实现技术的局限性而使得该模式识别办法在通用性上受到极大限制。同时，上述模式识别方法的准确性也有待进一步改进。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种在多特征条件下从全局考虑的精确模式识别方法。根据本专利技术提供的一种多特征条件下的模式识别方法，包括：步骤1、建立所需识别目标模式的有向连通图模型；步骤2、定义连通的节点与边的特征，所述特征用函数的形式表现；步骤3、获得实时观测信号，并预处理为可使用观测信号；步骤4、根据可使用观测信号计算有向连通图模型中所有节点以及边的特征函数；步骤5、根据特征函数计算当前各节点的状态概率与各边的转移概率；步骤6、反复进行步骤二至步骤五，并记录每一轮的相关信息；步骤7、通过译码识别最佳匹配模式。优选的，步骤2中所述特征包括区分有向连通图中的节点、边的特征。优选的，步骤2中所述特征为单一或者多种特征。优选的，步骤3中所述实时观测信号包括单一和多种信号。优选的，步骤3中所述可使用观测信号可直接应用于步骤二中所定义的函数。优选的，步骤5中所述的根据特征函数计算当前各节点的状态概率与各边的转移概率，包括：每个节点的M个特征函数组合为状态概率πi；每个边的M′个特征函数组合为转移概率pi；根据当前状态概率矩阵Π＝{πi(i＝1,2,…,N)}与转移概率P＝{pi(i＝1,2,…)}获得新的状态概率矩阵П＝Π×P，N为有向连通图模型中的节点数目。优选的，步骤6中所述的相关信息包括：每一轮的状态概率矩阵Πt，以及维特比网格矩阵，所述维特比网格矩阵是一个N×T的矩阵，N为有向连通图模型中的节点数目，T为观测时间长度，其中第i行第t列代表了在时间t具有最大概率转移到节点i的节点编号。优选的，步骤7包括：步骤7.1、获得当前状态矩阵ΠT中具有最大状态概率的节点编号vt；步骤7.2、根据维特比网格矩阵获得在时间T-1具有最大概率转移到vt的节点编号vT-1；步骤7.3、依次类推，反向获得具有最大概率的识别序列[vT,vT-1,…,vt,…,v0]；步骤7.4、将该识别序列倒序输出，获得最佳识别模式[v0,v1,…,vt,…,vT]。优选的，还包括步骤8，验证最佳识别模式的可信度并输出。优选的，所述最佳识别模式的可信度为正确模式的概率，包括两种计算及表示方式：1、用步骤7.4中的最佳识别模式[v0,v1,…,vt,…,vT]的概率pc来衡量可信度，2、估计最佳识别模式的标准差σ来衡量可信度，以时间t为例，N为有向连通图模型中的节点数目，Xi为节点的位置信息，μt为当前均值，当前标准差σt的计算包括与现有技术相比，本专利技术具有如下的有益效果：从图论的角度出发，将所要识别的目标模式分解为多个特征函数，使得各观测结果可以与单个或者多个特征函数直接联系起来，从而增加了特征函数的表征能力同时降低了计算复杂度，使得任意特征条件下的模式识别变得简单高效。同时，多个特征函数之间的智能组合有效融合了多种观测结果，使得整个模式识别方法可以完全兼容于具有不同观测结果的环境以及应用中，根据具体环境以及应用的观测及需求提供最佳识别结果，具有非常强的可伸缩性。本方法以时间序列的形式来实现模式识别，因此可以采用分布式计算，在计算能力较低的设备，比如移动设备中的应用尤为广泛。同时采用分布式计算可以在最大程度上缩短模式识别时间，提高整个系统的实时性及稳定性。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为简单的模式识别系统框图；图2为多特征条件下的模式识别系统框图本文档来自技高网...

【技术保护点】
一种多特征条件下的模式识别方法，其特征在于，包括：步骤1、建立所需识别目标模式的有向连通图模型；步骤2、定义连通的节点与边的特征，所述特征用函数的形式表现；步骤3、获得实时观测信号，并预处理为可使用观测信号；步骤4、根据可使用观测信号计算有向连通图模型中所有节点以及边的特征函数；步骤5、根据特征函数计算当前各节点的状态概率与各边的转移概率；步骤6、反复进行步骤二至步骤五，并记录每一轮的相关信息；步骤7、通过译码识别最佳匹配模式。

【技术特征摘要】
1.一种多特征条件下的模式识别方法，其特征在于，包括：步骤1、建立所需识别目标模式的有向连通图模型；步骤2、定义连通的节点与边的特征，所述特征用函数的形式表现；步骤3、获得实时观测信号，并预处理为可使用观测信号；步骤4、根据可使用观测信号计算有向连通图模型中所有节点以及边的特征函数；步骤5、根据特征函数计算当前各节点的状态概率与各边的转移概率；步骤6、反复进行步骤二至步骤五，并记录每一轮的相关信息；步骤7、通过译码识别最佳匹配模式。2.根据权利要求1所述的多特征条件下的模式识别方法，其特征在于，步骤2中所述特征包括区分有向连通图中的节点、边的特征。3.根据权利要求1所述的多特征条件下的模式识别方法，其特征在于，步骤2中所述特征为单一或者多种特征。4.根据权利要求1所述的多特征条件下的模式识别方法，其特征在于，步骤3中所述实时观测信号包括单一和多种信号。5.根据权利要求1所述的多特征条件下的模式识别方法，其特征在于，步骤3中所述可使用观测信号可直接应用于步骤二中所定义的函数。6.根据权利要求1所述的多特征条件下的模式识别方法，其特征在于，步骤5中所述的根据特征函数计算当前各节点的状态概率与各边的转移概率，包括：每个节点的M个特征函数组合为状态概率πi；每个边的M′个特征函数组合为转移概率pi；根据当前状态概率矩阵Π＝{πi(i＝1,2,…,N)}与转移概率P＝{pi(i＝1,2,…)}获得新的状态概率矩阵П＝П×P，N为有向连通图模型中的节点数目。7.根据权利要求6所述的多特征条件下的模式识别方法，其特征在于，步骤6中所述的相关信息包括：每一轮的状态概率...

【专利技术属性】
技术研发人员：戴海威，陈星翰，武丙帅，余狄，周永江，
申请(专利权)人：上海谦尊升网络科技有限公司，
类型：发明
国别省市：上海,31