模式識(shí)別方法概述

范會(huì)敏，王 浩

（西安工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，陜西 西安 710032）

模式識(shí)別是人類的一項(xiàng)基本技能，日常生活中，人們經(jīng)常在進(jìn)行“模式識(shí)別”，比如人們能夠認(rèn)出周圍的房子、街道，能認(rèn)出不同的人以及他們的說話聲音，人腦的這種能力就構(gòu)成了“模式識(shí)別”的概念。隨著計(jì)算機(jī)的出現(xiàn)以及人工智能的興起，將人類識(shí)別技能賦予計(jì)算機(jī)成為一項(xiàng)新興課題。

1 模式識(shí)別的基本概念

1.1 模式和模式識(shí)別

當(dāng)人們看到某物或現(xiàn)象時(shí)，人們首先會(huì)收集該物體或現(xiàn)象的所有信息，然后將其行為特征與頭腦中己有的相關(guān)信息相比較，如果找到一個(gè)相同或相似的匹配，人們就可以將該物體或現(xiàn)象識(shí)別出來。因此，某物體或現(xiàn)象的相關(guān)信息，如空間信息、時(shí)間信息等，就構(gòu)成了該物體或現(xiàn)象的模式。廣義的說，存在于時(shí)間和空間中可觀察的事物，如果可以區(qū)別它們是否相同或相似，都可以稱之為模式。Watanable定義模式“與混沌相對(duì)立，是一個(gè)可以命名的模糊定義的實(shí)體”[1]。比如，一個(gè)模式可以是指紋圖像、手寫草字、人臉、或語言符號(hào)等。“廣義的說，存在于時(shí)間和空間中可觀察的事物，如果我們可以區(qū)別他們是否相同或相似，都可以稱之為模式”。而將觀察目標(biāo)與己有模式相比較、配準(zhǔn)，判斷其類屬的過程就是模式識(shí)別。模式以及模式識(shí)別是和類別（集合）的概念分小開的，只要認(rèn)識(shí)某類事物或現(xiàn)象中的幾個(gè)，人們就可以識(shí)別該類中的許多事物或現(xiàn)象。為了強(qiáng)調(diào)能從具體的事物或現(xiàn)象中推斷出總體，“我們把通過對(duì)具體的個(gè)別事物進(jìn)行觀測(cè)所得到的具有時(shí)間和空間分布的信息稱為模式，而把模式所屬的類別或同一類模式的總體稱為模式類（我們下面進(jìn)行的模式識(shí)別的討論都是基于該定義的）。也有人習(xí)慣上把模式類稱為模式，把個(gè)別具體的模式稱為樣本”。如“字符”、“植物”、“動(dòng)物”等等都是模式，而“A”、“松樹”、“狗”則是相應(yīng)模式中的一個(gè)樣本。在此意義上，人們可以認(rèn)為把具體的樣本歸類到某一個(gè)模式，就叫做模式識(shí)別，或模式分類[2]。

人類具有很強(qiáng)的模式識(shí)別能力。通過視覺信息識(shí)別文字、圖片和周圍的環(huán)境，通過聽覺信息識(shí)別與理解語言等。模式識(shí)別是人類的一種基本認(rèn)知能力或智能，是人類智能的重要組成部分，在各種人類活動(dòng)中都有著重要作用。在現(xiàn)實(shí)生活中，幾乎每個(gè)人都會(huì)在不經(jīng)意間輕而易舉地完成模式識(shí)別的過程。但是，如果要讓機(jī)器做同樣的事情，恐怕決非這么輕松。本文將從人工智能的角度，更深層次地分析什么是模式識(shí)別，以及如何用機(jī)器進(jìn)行模式識(shí)別。

要讓機(jī)器具有人的模式識(shí)別能力，人們首先需要研究人類的識(shí)別能力，因此模式識(shí)別是研究人類識(shí)別能力的數(shù)學(xué)模型，并借助于計(jì)算機(jī)技術(shù)讓計(jì)算機(jī)模擬人類識(shí)別行為的科學(xué)。換言之，模式識(shí)別是研究如何讓機(jī)器觀察周圍環(huán)境，學(xué)會(huì)從背景中識(shí)別感興趣的模式，并對(duì)該模式的類屬作出準(zhǔn)確合理的判斷。模式識(shí)別研究主要集中在兩方面，即研究生物體（包括人）如何感知對(duì)象，以及研究在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。前者屬于認(rèn)知科學(xué)的范疇，是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究?jī)?nèi)容，后者屬于信息科學(xué)的范疇，是數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者的研究?jī)?nèi)容。識(shí)別行為可以分為兩大類：識(shí)別具體事物和識(shí)別抽象事物。具體事物的識(shí)別涉及到時(shí)空信息的識(shí)別?？臻g信息的例子，如指紋、氣象圖和照片等：時(shí)間信息的例子，如波形、信號(hào)等。抽象事物的識(shí)別涉及到某一問題解決辦法的識(shí)別、一個(gè)古老的話題或論點(diǎn)等。換言之，抽象事物的識(shí)別是識(shí)別那些不以物質(zhì)形式存在的現(xiàn)象，屬于概念識(shí)別研究的范疇。筆者所指的模式識(shí)別主要是對(duì)具體事物的識(shí)別，如語音波形、地震波、心電圖、腦電圖、圖片、文字、符號(hào)、三維物體和景物以及各種可以用物理的、化學(xué)的、生物的傳感器進(jìn)行測(cè)量的具體模式等。要識(shí)別的數(shù)據(jù)有：一維數(shù)據(jù)，如語音、心電圖、地震數(shù)據(jù)等；二維數(shù)據(jù)，如文字圖片、醫(yī)學(xué)圖像、衛(wèi)星圖像等；三維數(shù)據(jù)，如圖像序列、結(jié)晶學(xué)或X圖像斷層攝影術(shù)等。

1.2 模式識(shí)別系統(tǒng)

一個(gè)完整的模式識(shí)別系統(tǒng)由數(shù)據(jù)獲取、數(shù)據(jù)處理、特征提取和選擇、分類決策4部分組成[3-4]，如圖1所示。

圖1 模式識(shí)別系統(tǒng)Fig.1 Pattern recognition system

在設(shè)計(jì)模式識(shí)別系統(tǒng)時(shí)，需要注意模式類的定義、應(yīng)用場(chǎng)合、模式表示、特征提取和選擇、聚類分析、分類器的設(shè)計(jì)和學(xué)習(xí)、訓(xùn)練和測(cè)試樣本的選取、性能評(píng)價(jià)等。針對(duì)不同的應(yīng)用目的，模式識(shí)別系統(tǒng)各部分的內(nèi)容可以有很大的差異，特別是在數(shù)據(jù)處理和模式分類這兩部分，為了提高識(shí)別結(jié)果的可靠性往往需要加入知識(shí)庫（規(guī)則）以對(duì)可能產(chǎn)生的錯(cuò)誤進(jìn)行修正，或通過引入限制條件大大縮小待識(shí)別模式在模型庫中的搜索空間，以減少匹配計(jì)算量。在某些具體應(yīng)用中，如機(jī)器視覺，除了要給出被識(shí)別對(duì)象是什么物體外，還要求出該物體所處的位置和姿態(tài)以引導(dǎo)機(jī)器人的工作。下面分別簡(jiǎn)單介紹模式識(shí)別系統(tǒng)這4部分的工作原理。

1）數(shù)據(jù)獲取

數(shù)據(jù)獲取是指利用各種傳感器把被研究對(duì)象的各種信息轉(zhuǎn)換為計(jì)算機(jī)可以接受的數(shù)值或符號(hào)（串）集合。習(xí)慣上，稱這種數(shù)值或符號(hào)（串）所組成的空間為模式空間。這一步的關(guān)鍵是傳感器的選取。為了從這些數(shù)字或符號(hào)（串）中抽取出對(duì)識(shí)別有效的信息，必須進(jìn)行數(shù)據(jù)處理，包括數(shù)字濾波和特征提取。

2）數(shù)據(jù)處理

數(shù)據(jù)處理是為了消除輸入數(shù)據(jù)或信息中的噪聲，排除不相干的信號(hào)，只留下與被研究對(duì)象的性質(zhì)和采用的識(shí)別方法密切相關(guān)的特征（如表征物體的形狀、周長、面積等等）。舉例來說，在進(jìn)行指紋識(shí)別時(shí)，指紋掃描設(shè)備每次輸出的指紋圖像會(huì)隨著圖像的對(duì)比度、亮度或背景等的不同而不同，有時(shí)可能還會(huì)產(chǎn)生變形，而人們感興趣的僅僅是圖像中的指紋線、指紋分叉點(diǎn)、端點(diǎn)等，而不需要指紋的其它部分或背景。因此，需要采用合適的濾波算法，如基于塊方圖的方向?yàn)V波、二值濾波等，過濾掉指紋圖像中這些不必要的部分。

3）特征提取

特征提取是指從濾波數(shù)據(jù)中衍生出有用的信息，從許多特征中尋找出最有效的特征，以降低后續(xù)處理過程的難度。我們對(duì)濾波后的這些特征進(jìn)行必要的計(jì)算后，通過特征選擇和提取形成模式的特征空間。人類很容易獲取的特征，對(duì)于機(jī)器來說就很難獲取了，特征選擇和提取是模式識(shí)別的一個(gè)關(guān)鍵問題。一般情況下，候選特征種類越多，得到的結(jié)果應(yīng)該越好。但是，由此可能會(huì)引發(fā)維數(shù)災(zāi)害，即特征維數(shù)過高，計(jì)算機(jī)難以求解。因此，數(shù)據(jù)處理階段的關(guān)鍵是濾波算法和特征提取方法的選取。不同的應(yīng)用場(chǎng)合，采用的濾波算法和特征提取方法以及提取出來的特征也會(huì)不同。

4）分類決策或模型匹配

基于數(shù)據(jù)處理生成的模式特征空間，人們就可以進(jìn)行模式識(shí)別的最后一部分：模式分類或模型匹配。該階段最后輸出的可能是對(duì)象所屬的類型，也可能是模型數(shù)據(jù)庫中與對(duì)象最相似的模式編號(hào)。模式分類或描述通常是基于己經(jīng)得到分類或描述的模式集合而進(jìn)行的。人們稱這個(gè)模式集合為訓(xùn)練集，由此產(chǎn)生的學(xué)習(xí)策略稱為監(jiān)督學(xué)習(xí)。學(xué)習(xí)也可以是非監(jiān)督性學(xué)習(xí)，在此意義下產(chǎn)生的系統(tǒng)不需要提供模式類的先驗(yàn)知識(shí)，而是基于模式的統(tǒng)計(jì)規(guī)律或模式的相似性學(xué)習(xí)判斷模式的類別。模式分類或模式匹配的方法有很多，主要是基于以下思想設(shè)計(jì)的：

成員表：即模板匹配?；谠撍枷?，分類系統(tǒng)中會(huì)預(yù)先存儲(chǔ)屬于同一模式類的模式集，然后將輸入的未知模式與系統(tǒng)中己有的模式相比較，具有相同或相似匹配的模式類即為該未知模式的所屬類型。

一般特征：這里模式的一般特征被存儲(chǔ)在一個(gè)分類系統(tǒng)中，當(dāng)有一個(gè)未知模式進(jìn)入該系統(tǒng)時(shí)，系統(tǒng)會(huì)將其一般特征與系統(tǒng)中現(xiàn)有類的一般特征相比較，并將其歸入到與其有相似特征的類中。

聚類：文中筆者用實(shí)數(shù)向量來表示目標(biāo)類的模式，這樣，利用其聚類特性，可以輕易地將未知模式進(jìn)行分類。如果目標(biāo)向量在幾何位置上相距很遠(yuǎn)，就容易確定未知模式的類別。但是如果目標(biāo)向量相距較近，或甚至有重疊，人們就需要采用比較復(fù)雜的算法來確定未知模式的類別。最小距離分類法就是一個(gè)基于聚類概念的簡(jiǎn)單算法。該算法通過計(jì)算未知模式與希望的己知模式集之間的距離，來決定哪一個(gè)己知模式與該未知模式最近，并最終將該未知模式歸入到與其相距最短的己知模式類中。該算法對(duì)于目標(biāo)向量在幾何位置上相距很遠(yuǎn)的模式分類很有效。

神經(jīng)元：上而的模式分類思想都是基于機(jī)器的直接計(jì)算，而直接計(jì)算則是基于數(shù)學(xué)相關(guān)的技術(shù)。仿生學(xué)是指將生物學(xué)知識(shí)應(yīng)用到電子機(jī)器中。神經(jīng)系統(tǒng)方法就是將生物知識(shí)應(yīng)用于機(jī)器中來進(jìn)行模式識(shí)別，從而引進(jìn)了人工神經(jīng)元網(wǎng)絡(luò)。

一個(gè)神經(jīng)元網(wǎng)絡(luò)是一個(gè)信息處理系統(tǒng)，由大量簡(jiǎn)單的數(shù)據(jù)處理單元組成，這些單元互相連接，協(xié)同工作，從而實(shí)現(xiàn)大規(guī)模并行分布處理。神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)和功能是模仿了生物的腦部和神經(jīng)系統(tǒng)的功能而設(shè)計(jì)的。神經(jīng)元網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)、自組織和容錯(cuò)力等優(yōu)點(diǎn)。由于神經(jīng)元網(wǎng)絡(luò)的這些突出特點(diǎn)，人們可以應(yīng)用神經(jīng)元網(wǎng)絡(luò)進(jìn)行模式識(shí)別。一些最好的神經(jīng)元網(wǎng)絡(luò)模型是后向傳播網(wǎng)絡(luò)、高階網(wǎng)絡(luò)、時(shí)延和周期性網(wǎng)絡(luò)。

通常，人們利用前向傳播網(wǎng)絡(luò)進(jìn)行模式識(shí)別。前向傳播也就是沒有回到輸入端的反饋信息。與人類從錯(cuò)誤中得到教訓(xùn)相似，神經(jīng)元網(wǎng)絡(luò)也能通過向輸入端反饋信息，從其錯(cuò)誤中得到教訓(xùn)。通過反饋可以重建輸入模式，避免產(chǎn)生錯(cuò)誤，從而提高神經(jīng)元網(wǎng)絡(luò)的性能。當(dāng)然，構(gòu)造這樣的神經(jīng)元網(wǎng)非常復(fù)雜。這類神經(jīng)元網(wǎng)絡(luò)要用到后向傳播算法（BP）。后向傳播算法的主要問題之一是局部極小問題。另外，神經(jīng)元網(wǎng)絡(luò)在學(xué)習(xí)速度、結(jié)構(gòu)選擇、特征表示、模塊性、縮放性等方而也都存在一些問題。雖然神經(jīng)元網(wǎng)絡(luò)存在這樣那樣的問題和困難，但是其發(fā)展?jié)摿€是巨大的。

2 模式識(shí)別的方法

2.1 統(tǒng)計(jì)模式識(shí)別

統(tǒng)計(jì)模式識(shí)別方法是受數(shù)學(xué)中的決策理論啟發(fā)而產(chǎn)生的一種識(shí)別方法。其基本思想是將特征提取階段得到的特征向量定義在一個(gè)特征空間中，這個(gè)空間包含了所有的特征矢量。不同的特征向量，或者說不同類別的對(duì)象，都對(duì)應(yīng)于此空間中的一點(diǎn)。在分類階段，則利用統(tǒng)計(jì)決策的原理對(duì)特征空間進(jìn)行劃分，從而達(dá)到識(shí)別不同特征對(duì)象的目的。統(tǒng)計(jì)識(shí)別中應(yīng)用的統(tǒng)計(jì)決策分類理論相對(duì)比較成熟，研究的重點(diǎn)是特征提取[5-6]。

統(tǒng)計(jì)模式識(shí)別方法適用于在給定的有限數(shù)量樣本集，已知研究對(duì)象統(tǒng)計(jì)模型或已知判別函數(shù)類條件下，根據(jù)一定的準(zhǔn)則通過學(xué)習(xí)算法能夠把d維特征空間劃分為c個(gè)區(qū)域，每一個(gè)區(qū)域與每一類別相對(duì)應(yīng)，模式識(shí)別系統(tǒng)在進(jìn)行工作時(shí)只要判斷被識(shí)別的對(duì)象落入哪一個(gè)區(qū)域，就能確定出它所屬的類別。

2.2 句法結(jié)構(gòu)模式識(shí)別

句法識(shí)別是對(duì)統(tǒng)計(jì)識(shí)別方法的補(bǔ)充。統(tǒng)計(jì)方法用數(shù)值來描述圖像的特征，句法方法則是用符號(hào)來描述圖像特征的。它模仿了語言學(xué)中句法的層次結(jié)構(gòu)，采用分層描述的方法，把復(fù)雜圖像分解為單層或多層的簡(jiǎn)單子圖像，主要突出了識(shí)別對(duì)象的結(jié)構(gòu)信息。圖像識(shí)別是從統(tǒng)計(jì)方法發(fā)展起來的，而句法方法擴(kuò)大了識(shí)別的能力，使其不僅限于對(duì)象物的分類，而且還用于景物的分析與物體結(jié)構(gòu)的識(shí)別。

句法結(jié)構(gòu)模式識(shí)別主要用于文字識(shí)別、遙感圖形的識(shí)別與分析、紋理圖像的分析中。該方法的特點(diǎn)是識(shí)別方便，能夠反映模式的結(jié)構(gòu)特征，能夠描述模式的性質(zhì)，對(duì)圖像畸變的抗干擾能力較強(qiáng)。如何選擇機(jī)緣是本方法的一個(gè)關(guān)鍵問題，尤其是當(dāng)存在干擾及噪聲時(shí)，抽取基元更困難，且易失誤。

2.3 模糊模式識(shí)別

模糊模式識(shí)別的理論基礎(chǔ)是模糊數(shù)學(xué)。它根據(jù)人辨識(shí)事物的思維邏輯，吸取人腦的識(shí)別特點(diǎn)，將計(jì)算機(jī)中常用的二值邏輯轉(zhuǎn)向連續(xù)邏輯。模糊識(shí)別的結(jié)果是用被識(shí)別對(duì)象隸屬于某一類別的程度即隸屬度來表示的，一個(gè)對(duì)象可以在某種程度上屬于某一類別，而在另一種程度上屬于另一類別。一般常規(guī)識(shí)別方法則要求一個(gè)對(duì)象只能屬于某一類別?；谀：碚摰淖R(shí)別方法有:最大隸屬原則識(shí)別法、擇近原則識(shí)別法和模糊聚類法。

伴隨著各門學(xué)科，尤其是人文、社會(huì)學(xué)科及其他“軟科學(xué)”的不斷發(fā)展，數(shù)學(xué)化、定量化的趨勢(shì)也開始在這些領(lǐng)域中顯現(xiàn)。模糊模式識(shí)別不再簡(jiǎn)單局限于自然科學(xué)的應(yīng)用，同時(shí)也被應(yīng)用到社會(huì)科學(xué)，特別是經(jīng)濟(jì)管理學(xué)科方面。

2.4 人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究。它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對(duì)待識(shí)別的對(duì)象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)側(cè)重于模擬和實(shí)現(xiàn)人認(rèn)知過程中的感知覺過程、形象思維、分布式記憶、自學(xué)習(xí)和自組織過程，與符號(hào)處理是一種互補(bǔ)的關(guān)系。但神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)的能力，特別適用于處理需要同時(shí)考慮許多因索和條件的、不精確和模糊的信息處理問題。

2.5 模板匹配模式識(shí)別

模板匹配的原理是選擇己知的對(duì)象作為模板，與圖像中選擇的區(qū)域進(jìn)行比較，從而識(shí)別目標(biāo)。模板匹配依據(jù)模板選擇的小同，可以分為兩類:1）以某一己知目標(biāo)為模板，在一幅圖像中進(jìn)行模板匹配，找出與模板相近的區(qū)域，從而識(shí)別圖像中的物體，如點(diǎn)、線、幾何圖形、文字以及其他物體；2）以一幅圖像為模板，與待處理的圖像進(jìn)行比較，識(shí)別物體的存在和運(yùn)動(dòng)情況。模板匹配的計(jì)算量很大，相應(yīng)的數(shù)據(jù)的存儲(chǔ)量也很大，而且隨著圖像模板的增大，運(yùn)算量和存儲(chǔ)量以幾何數(shù)增長。如果圖像和模板大到一定程度，就會(huì)導(dǎo)致計(jì)算機(jī)無法處理，隨之也就失去了圖像識(shí)別的意義。模板匹配的另一個(gè)缺點(diǎn)是由于匹配的點(diǎn)很多，理論上最終可以達(dá)到最優(yōu)解，但在實(shí)際中卻很難做到。

模板匹配主要應(yīng)用于對(duì)圖像中對(duì)象物位置的檢測(cè)，運(yùn)動(dòng)物體的跟蹤，不同光譜或者不同攝影時(shí)間所得的圖像之間位置的配準(zhǔn)等。

2.6 支持向量機(jī)的模式識(shí)別

支持向量機(jī)（Support Vector Machine，SVM）是由 Vapnik領(lǐng)導(dǎo)的AT&Bell實(shí)驗(yàn)室研究小組在1963年提出的一種新的非常有潛力的分類技術(shù)，其基本思想是:先在樣本空間或特征空間，構(gòu)造出最優(yōu)超平面，使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力。支持向量機(jī)結(jié)構(gòu)簡(jiǎn)單，并且具有全局最優(yōu)性和較好的泛化能力，自提出以來得到了廣泛的研究。

支持向量機(jī)方法是求解模式識(shí)別和函數(shù)估計(jì)問題的有效工具。SVM在數(shù)字圖像處理方面的應(yīng)用是：尋找圖像像素之間的特征的差別，即從像素點(diǎn)本身的特征和周圍的環(huán)境（臨近的像素點(diǎn)）出發(fā)，尋找差異，然后將各類像素點(diǎn)區(qū)分出來。

3 結(jié)束語

模式識(shí)別是一個(gè)交叉、綜合的科學(xué)技術(shù)領(lǐng)域，不僅與其他信息學(xué)科而且和包括數(shù)理科學(xué)、生命科學(xué)、地球科學(xué)、工程與材料科學(xué)、管理科學(xué)、環(huán)境科學(xué)的相互作用和滲透愈來愈高，其科學(xué)界線很可能隨著發(fā)展而逐漸模糊[7]。其發(fā)展離不開應(yīng)用和工程，離不開國家目標(biāo)。因此，其科學(xué)技術(shù)內(nèi)涵與外延應(yīng)該與時(shí)俱進(jìn)、更新和擴(kuò)展，研究的方向與內(nèi)容應(yīng)該更具有綜合性、交叉性，更強(qiáng)調(diào)國家目標(biāo)的實(shí)現(xiàn)，解決國家急需的重大問題、重大關(guān)鍵技術(shù)攻關(guān)和社會(huì)發(fā)展中的科學(xué)技術(shù)難題和基礎(chǔ)理論問題。

[1]邊肇棋，張學(xué)工.模式識(shí)別[M].2版.北京:清華大學(xué)出版社，2007.

[2]Duda R O，Hart P E，Stork D G.模式分類[M].李宏東，姚天翔，譯.機(jī)械工業(yè)出版社，2003.

[3]孫即祥，等.現(xiàn)代模式識(shí)別[M].長沙：國防科技大學(xué)出版社，2002.

[4]邵美珍，黃潔，等.模式識(shí)別原理與應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2008.

[5]靳富麗.模式識(shí)別理論及其應(yīng)用[J].湖北廣播電視大學(xué)學(xué)報(bào)，2007（12）:159-160.JIN Fu-li.Pattern recognition theory and its applications[J].Journal of Hubei Radio and TV University，2007（12）:159-160.

[6]嚴(yán)紅平，潘春洪.模式識(shí)別簡(jiǎn)述[J].自動(dòng)化博覽，2006（1）:22-26.YAN Hong-ping，PAN Chun-hong.A brief introduction to pattern recognition[J].Automation panorama，2006（1）:22-26.

[7]楊合超，宋海歌，周雪梅.模式識(shí)別的主要方法及其應(yīng)用[J].電腦知識(shí)與技術(shù)，2008（S2）:156-157.YANG He-chao，SONG Hai-ge，ZHOU Xue-mei.The main methods and applications of pattern recognition[J].Computer knowledge and technology，2008（S2）:156-157.