仿生模式識(shí)別技術(shù)研究與應(yīng)用進(jìn)展

陳陽(yáng)，覃鴻，李衛(wèi)軍，周新奇，董肖莉，張麗萍，李浩光

(1.工業(yè)和信息化部 中國(guó)電子信息產(chǎn)業(yè)發(fā)展研究院，北京 100846； 2. 中國(guó)科學(xué)院半導(dǎo)體研究所 高速電路與神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)室，北京 100083； 3.聚光科技(杭州)股份有限公司，浙江 杭州 310052)

仿生模式識(shí)別技術(shù)研究與應(yīng)用進(jìn)展

陳陽(yáng)1，覃鴻2，李衛(wèi)軍2，周新奇3，董肖莉2，張麗萍2，李浩光2

(1.工業(yè)和信息化部 中國(guó)電子信息產(chǎn)業(yè)發(fā)展研究院，北京 100846； 2. 中國(guó)科學(xué)院半導(dǎo)體研究所 高速電路與神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)室，北京 100083； 3.聚光科技(杭州)股份有限公司，浙江 杭州 310052)

摘要：回顧了仿生模式識(shí)別與傳統(tǒng)模式識(shí)別的本質(zhì)區(qū)別，與傳統(tǒng)模式識(shí)別“分類(lèi)劃分”思想不同，仿生模式識(shí)別把模式識(shí)別問(wèn)題看成是各類(lèi)樣本的“認(rèn)識(shí)”，并將“同源連續(xù)性”規(guī)律作為先驗(yàn)知識(shí)，用高維空間幾何形體覆蓋方法實(shí)現(xiàn)對(duì)同類(lèi)事物的學(xué)習(xí)，因此克服了傳統(tǒng)模式識(shí)別的缺點(diǎn)。其有效性逐漸受到學(xué)者的廣泛關(guān)注。分析總結(jié)了目前已有的仿生模式識(shí)別方法的研究和應(yīng)用，方法研究包括樣本點(diǎn)分布的拓?fù)浞治?、覆蓋算法和重疊空間中樣本的歸屬；應(yīng)用研究方面包括目標(biāo)識(shí)別、生物特征識(shí)別、文本識(shí)別、近紅外光譜定性分析等。分析表明仿生模式識(shí)別是創(chuàng)新、有效的模式識(shí)別方法。最后指出同類(lèi)樣本點(diǎn)分布流形的分析方法和高維空間拓?fù)淅碚撆c算法研究等是仿生模式識(shí)別未來(lái)重要的發(fā)展方向。

關(guān)鍵詞：模式識(shí)別；仿生模式識(shí)別；同源連續(xù)性；拓?fù)浞治?；覆蓋算法；目標(biāo)識(shí)別；生物特征識(shí)別；文本識(shí)別

中文引用格式：陳陽(yáng)，覃鴻，李衛(wèi)軍，等.仿生模式識(shí)別技術(shù)研究與應(yīng)用進(jìn)展[J]. 智能系統(tǒng)學(xué)報(bào)， 2016, 11(1): 1-14.

英文引用格式：CHEN Yang, QIN Hong, LI Weijun,et al. Progress in research and application of biomimetic pattern recognition technology[J]. CAAI Transactions on Intelligent Systems, 2016, 11(1):1-14.

模式識(shí)別經(jīng)過(guò)多年的發(fā)展，已形成了一系列經(jīng)典的理論和方法。傳統(tǒng)模式識(shí)別的目的是將對(duì)象(樣本)進(jìn)行分類(lèi)，因此也被稱(chēng)作模式分類(lèi)[1]，傳統(tǒng)模式識(shí)別認(rèn)為所有可用的信息都包含在訓(xùn)練樣本集中，考慮的出發(fā)點(diǎn)是特征空間中若干類(lèi)別樣本的最佳分類(lèi)劃分，代表性方法有Fisher判別分析[2]、支撐向量機(jī)(SVM)[3]等。這些方法解決了很多問(wèn)題，并在多個(gè)領(lǐng)域得到了成功應(yīng)用，為科學(xué)發(fā)展和社會(huì)進(jìn)步做出了巨大貢獻(xiàn)，但這些傳統(tǒng)方法也存在一些固有的缺陷：1)對(duì)事物進(jìn)行學(xué)習(xí)時(shí)通常至少需要兩類(lèi)才可進(jìn)行“區(qū)分”，例如在人臉檢測(cè)中，學(xué)習(xí)的任務(wù)僅是人臉這一個(gè)類(lèi)別，但在訓(xùn)練分類(lèi)器時(shí)，分類(lèi)器需要學(xué)習(xí)“人臉”和“非人臉”兩種類(lèi)型；2)已訓(xùn)練好的分類(lèi)器類(lèi)別之間的最優(yōu)分類(lèi)邊界是確定的，若要增加學(xué)習(xí)新類(lèi)，則需要重新訓(xùn)練分類(lèi)器，這將會(huì)打亂現(xiàn)有知識(shí)(最優(yōu)分類(lèi)邊界改變)；3)未經(jīng)訓(xùn)練類(lèi)別的樣本很容易被誤認(rèn)為是已訓(xùn)練的某一類(lèi)，分類(lèi)器不能有效對(duì)其進(jìn)行正確拒識(shí)，這是由于分類(lèi)邊界只是將一個(gè)無(wú)限特征空間劃分為多個(gè)無(wú)限空間。

中國(guó)科學(xué)院半導(dǎo)體研究所王守覺(jué)院士通過(guò)分析人類(lèi)認(rèn)識(shí)事物的特點(diǎn)，提出了一種全新思想的模式識(shí)別方法——仿生模式識(shí)別(biomimetic pattern recognition，BPR)[4]。仿生模式識(shí)別認(rèn)為，事物具有“同源連續(xù)性規(guī)律”，即同類(lèi)事物的兩個(gè)不同樣本之間，至少有一個(gè)漸變過(guò)程，在這個(gè)漸變過(guò)程中的所有樣本仍屬于該類(lèi)；也可以這樣認(rèn)為：同類(lèi)樣本在特征空間中是連續(xù)分布的，任意兩個(gè)樣本點(diǎn)之間具有某種連續(xù)變化的關(guān)系?！巴催B續(xù)性規(guī)律”是現(xiàn)實(shí)中人類(lèi)直觀認(rèn)識(shí)世界的普遍存在的規(guī)律，同時(shí)也是仿生模式識(shí)別方法用于提高對(duì)事物的識(shí)別能力的“先驗(yàn)知識(shí)”。引入“同源連續(xù)性規(guī)律”后，研究仿生模式識(shí)別如何對(duì)某類(lèi)事物進(jìn)行學(xué)習(xí)，就是研究在高維特征空間中如何對(duì)該類(lèi)樣本進(jìn)行最優(yōu)連續(xù)“覆蓋”(即對(duì)一類(lèi)樣本的“識(shí)”)；它不同于傳統(tǒng)模式識(shí)別方法側(cè)重于“別”，即如何在高維特征空間中對(duì)不同類(lèi)樣本進(jìn)行最優(yōu)“劃分”?？梢?jiàn)，在特征空間中對(duì)某一類(lèi)樣本的分布進(jìn)行最優(yōu)覆蓋是仿生模式識(shí)別的首要目標(biāo)，覆蓋后在特征空間中形成的連續(xù)、閉合的復(fù)雜幾何形體區(qū)域賦予該類(lèi)的屬性；則仿生模式識(shí)別的識(shí)別過(guò)程就是判斷特征空間中待識(shí)別樣本點(diǎn)是否落入此幾何形體內(nèi)。若是，則該樣本點(diǎn)屬于此幾何形體所代表的類(lèi)別；否則認(rèn)為不屬于該類(lèi)。仿生模式識(shí)別于2002年被提出后，被迅速應(yīng)用到多種識(shí)別任務(wù)中，獲得了有效的識(shí)別結(jié)果，并展現(xiàn)出獨(dú)特的優(yōu)勢(shì)：

1)仿生模式識(shí)別既能夠“識(shí)”，又能夠“別”，對(duì)于沒(méi)有訓(xùn)練過(guò)的樣本，不會(huì)將其錯(cuò)誤歸為已訓(xùn)練樣本中的某一類(lèi)，而是能夠?qū)⑵湔_拒識(shí)，實(shí)際應(yīng)用中誤識(shí)率非常低；

2)仿生模式識(shí)別可以不斷學(xué)習(xí)新事物(類(lèi)別)，并且學(xué)習(xí)某類(lèi)時(shí)不需要負(fù)樣本(非此類(lèi)或他類(lèi)樣本)參加訓(xùn)練，學(xué)習(xí)新類(lèi)時(shí)不需要重新學(xué)習(xí)已知類(lèi)，即不會(huì)影響原有已經(jīng)學(xué)習(xí)好的知識(shí)；

3)仿生模式識(shí)別在低訓(xùn)練樣本數(shù)量情況下仍能獲得較高的正確識(shí)別率，這得益于引入了“同源連續(xù)性規(guī)律“的先驗(yàn)知識(shí)，因而有效的信息不再局限于訓(xùn)練樣本。低訓(xùn)練樣本數(shù)、高識(shí)別率的特點(diǎn)，更適合一些不易獲取大量訓(xùn)練樣本的特殊場(chǎng)合下的識(shí)別任務(wù)。

仿生模式識(shí)別由于其獨(dú)特的優(yōu)點(diǎn)，在國(guó)內(nèi)逐漸受到關(guān)注，越來(lái)越多的研究機(jī)構(gòu)加入研究隊(duì)伍，從理論、方法以及應(yīng)用等多方面開(kāi)展研究，這些研究機(jī)構(gòu)包括中科院半導(dǎo)體研究所、同濟(jì)大學(xué)、中國(guó)農(nóng)業(yè)大學(xué)、浙江工業(yè)大學(xué)、廈門(mén)大學(xué)、深圳大學(xué)、中科院蘇州納米技術(shù)與納米仿生研究所、長(zhǎng)沙理工大學(xué)、合肥工業(yè)大學(xué)、吉林大學(xué)、西安電子科技大學(xué)等眾多高校和研究機(jī)構(gòu)。仿生模式識(shí)別的研究成果不斷涌現(xiàn)，先后用于目標(biāo)識(shí)別、生物特征識(shí)別、信號(hào)處理、醫(yī)學(xué)圖像識(shí)別、基因預(yù)測(cè)和近紅外定性分析，涉及機(jī)器視覺(jué)、安防、農(nóng)業(yè)、生物醫(yī)學(xué)、通信以及互聯(lián)網(wǎng)等眾多領(lǐng)域，獲得了有益的效果。2002年迄今，在國(guó)內(nèi)學(xué)術(shù)期刊發(fā)表的與仿生模式識(shí)別直接相關(guān)的論文有80余篇，相關(guān)的國(guó)內(nèi)碩士和博士學(xué)位論文30余篇，在國(guó)際期刊和會(huì)議上發(fā)表的論文40篇左右，此外，還有3本專(zhuān)著出版[5-7]。

仿生模式識(shí)別是我國(guó)自主創(chuàng)新的方法與技術(shù)，從提出至今，已有十多年的發(fā)展，但目前還沒(méi)有對(duì)該技術(shù)的全面總結(jié)。本文旨在對(duì)仿生模式識(shí)別進(jìn)行全面的綜述。首先介紹仿生模式識(shí)別的基本原理，再對(duì)仿生模式識(shí)別的實(shí)現(xiàn)方法進(jìn)行分析和對(duì)比研究，并給出了仿生模式識(shí)別在多個(gè)應(yīng)用領(lǐng)域的使用效果，最后探討仿生模式識(shí)別的未來(lái)研究方向，希望能夠?yàn)樵摲椒ǖ倪M(jìn)一步發(fā)展和實(shí)際應(yīng)用提供參考。

1仿生模式識(shí)別的基本原理

1.1仿生模式識(shí)別的基點(diǎn)——“同源連續(xù)性”規(guī)律

仿生模式識(shí)別把同一類(lèi)事物稱(chēng)為“同源”，這里所謂的“同一類(lèi)”是指在源頭或原理上是相同的一類(lèi)，而不是拼湊或合并而成的同一類(lèi)。例如，在手寫(xiě)體漢字識(shí)別中，同為簡(jiǎn)體漢字的手寫(xiě)體認(rèn)為是同源的；如果手寫(xiě)體漢字中包含了簡(jiǎn)體和繁體兩種字體，“簡(jiǎn)體”和“繁體”是不同源的，則認(rèn)為是簡(jiǎn)體和繁體兩類(lèi)事物的歸并。后文所提到的同類(lèi)，若無(wú)特別說(shuō)明，都是指“同源”同類(lèi)。依據(jù)上述“同源”的定義，同類(lèi)樣本之間有如下 “同源連續(xù)性”規(guī)律：

自然界中待認(rèn)識(shí)的事物，若兩個(gè)事物同類(lèi)但不完全相等，則可以用一個(gè)漸變的或非量子化的過(guò)程來(lái)描述這兩個(gè)事物之間的關(guān)系，在此變化過(guò)程中的所有事物與這兩個(gè)事物同屬一類(lèi)。“同源連續(xù)性”規(guī)律可用數(shù)學(xué)描述為：

在n維特征空間Rn中，假設(shè)A為某一同類(lèi)樣本(事物)全體的集合，如果樣本x,y?A，則對(duì)于任意ε>0, 必定存在一個(gè)集合B滿(mǎn)足如下條件：

式中ρ(xm,xm+1)表示樣本xm與xm+1間的距離。

1.2仿生模式識(shí)別的學(xué)習(xí)過(guò)程

基于1.1節(jié)的“同源連續(xù)性”規(guī)律，兩個(gè)同類(lèi)樣本間存在連續(xù)漸變的關(guān)系，并且位于這個(gè)漸變過(guò)程中的樣本點(diǎn)仍屬于同一類(lèi)。仿生模式識(shí)別的目標(biāo)就是把分布在特征空間中的同類(lèi)樣本實(shí)現(xiàn)連續(xù)覆蓋，以二維空間的情況示意圖如圖1所示。

圖1　仿生模式識(shí)別覆蓋示意圖Fig.1　The Schematic Diagram of BPR

圖1中，三角形、十字形、圓點(diǎn)表示分別表示三類(lèi)不同樣本，橢圓表示仿生模式識(shí)別采用某種覆蓋方法在特征空間內(nèi)形成類(lèi)別子空間的“認(rèn)識(shí)”方式。也就是說(shuō)，仿生模式識(shí)別的學(xué)習(xí)過(guò)程，就是特征空間中對(duì)同類(lèi)樣本點(diǎn)進(jìn)行連續(xù)覆蓋的過(guò)程，不同的覆蓋算法構(gòu)成了仿生模式識(shí)別的學(xué)習(xí)算法。

通常，特征空間Rn是n≥3的高維特征空間，某類(lèi)事物樣本分布子空間在這樣的高維空間中是非常復(fù)雜的，實(shí)際設(shè)計(jì)學(xué)習(xí)算法時(shí)，將類(lèi)別子空間分解為多個(gè)封閉的簡(jiǎn)單幾何形體空間(如圖1三角形類(lèi)所示，類(lèi)別空間被分解成多個(gè)首尾相接的橢圓)，則用這些簡(jiǎn)單幾何形體的并近似原來(lái)的類(lèi)別子空間，可使仿生模式識(shí)別的學(xué)習(xí)算法靈活、高效。

1.3仿生模式識(shí)別的識(shí)別過(guò)程

圖2　識(shí)別過(guò)程示意圖Fig.2　The Schematic Diagram of recognition

綜上所述，仿生模式識(shí)別與傳統(tǒng)模式識(shí)別的差別可歸納如表1所示。

表1　仿生模式識(shí)別與傳統(tǒng)模式識(shí)別的差別

2方法研究

仿生模式識(shí)別的一般流程如圖3所示。

圖3　仿生模式識(shí)別的一般流程Fig.3　Flow chart of BPR

仿生模式識(shí)別為模式識(shí)別技術(shù)的發(fā)展開(kāi)辟了一條新路徑，同時(shí)也提出了實(shí)現(xiàn)仿生模式識(shí)別需要研究的多方面問(wèn)題，目前的研究主要集中在如下幾點(diǎn)：

1)類(lèi)別子空間的拓?fù)淞餍畏治觯悍律Ｊ阶R(shí)別是一類(lèi)一類(lèi)地“認(rèn)識(shí)”事物，在學(xué)習(xí)某類(lèi)事物時(shí)，需要先分析該類(lèi)訓(xùn)練樣本點(diǎn)的分布，依據(jù)同類(lèi)樣本點(diǎn)在特征空間中的分布特性，確定這種分布具有何種拓?fù)鋵傩?，從而確定類(lèi)別子空間在特征空間中的流形。在確定類(lèi)別空間的流形及其維數(shù)后，仿生模式識(shí)別再考慮用何種覆蓋方法。

2)覆蓋方法研究：研究發(fā)現(xiàn)，同一類(lèi)樣本在高維特征空間中的分布表現(xiàn)為一個(gè)非常復(fù)雜的幾何形體，雖然具有一定的拓?fù)淞餍螌傩裕獙?shí)現(xiàn)對(duì)這個(gè)幾何形體的覆蓋會(huì)遇到很多困難，例如選擇何種幾何覆蓋單元、如何確定覆蓋的順序、怎樣進(jìn)行連續(xù)覆蓋等，這也就成為仿生模式識(shí)別研究的熱點(diǎn)。

3)識(shí)別方法研究：在確定使用哪種覆蓋方法后，識(shí)別通常會(huì)比較簡(jiǎn)單，只需計(jì)算待識(shí)別樣本點(diǎn)是否落入特征空間中表征某一類(lèi)的幾何形體內(nèi)。若是，則將樣本點(diǎn)識(shí)別為該類(lèi)；若否，則認(rèn)為不屬于該類(lèi)。理論上，不同類(lèi)事物在特征空間的覆蓋形體不會(huì)交叉重疊，因此，決不會(huì)出現(xiàn)誤識(shí)。然而，在工程應(yīng)用實(shí)踐中，所采集到的訓(xùn)練樣本及待識(shí)別樣本中往往包含不同程度的“噪聲”，特征提取過(guò)程中也會(huì)丟失一些信息，最終有可能導(dǎo)致類(lèi)別空間重疊，需要解決處于重疊空間中的未知樣本的歸屬問(wèn)題。

除上述幾個(gè)主要研究方向，也有學(xué)者將仿生模式識(shí)別思想與其他方法相結(jié)合，從而提高該方法解決問(wèn)題的能力。

2.1樣本點(diǎn)分布的拓?fù)浞治?/p>

成就感降低維度主要集中在年輕人身上，且男性高學(xué)歷者居多，因?yàn)楦邔W(xué)歷者的思維和男性的打拼精神激勵(lì)著他去做出改變，而行政工作無(wú)聊乏味、單調(diào)重復(fù)，與自身思想矛盾，從而產(chǎn)生一種大材小用的感覺(jué)。

仿生模式識(shí)別的核心是覆蓋，而分析類(lèi)別空間的流形是確定用何種覆蓋方法的前提。樣本點(diǎn)分布的拓?fù)鋵傩院?jiǎn)單分為兩種情況，一種情況是拓?fù)浣Y(jié)構(gòu)是已知的或可以預(yù)測(cè)的；另一種情況是拓?fù)浣Y(jié)構(gòu)是未知的。例如在采集訓(xùn)練樣本時(shí)，設(shè)定嚴(yán)格的采集條件，按照一定的規(guī)律或順序采集，此時(shí)，樣本點(diǎn)分布的拓?fù)浣Y(jié)構(gòu)是已知的或者是可以估計(jì)的。王守覺(jué)在目標(biāo)識(shí)別應(yīng)用中[4]，采用了特定的樣本采集方式：攝像頭在同一水平面上采集目標(biāo)的0～360°方向的圖像，此時(shí)目標(biāo)方向的改變只有一個(gè)變量，可認(rèn)為目標(biāo)全體樣本在特征空間中的分布近似呈環(huán)狀的一維流形。王憲保等[8]的雙螺旋曲線(xiàn)識(shí)別任務(wù)，識(shí)別目標(biāo)——雙螺旋曲線(xiàn)是分布在二維空間的一維流形。王守覺(jué)、徐健等[9]在一項(xiàng)人臉身份確認(rèn)研究中，使用三個(gè)攝像頭組成一組鏡頭，這一組鏡頭同時(shí)采集同一人臉的圖像得到多個(gè)樣本點(diǎn)，這多個(gè)樣本點(diǎn)的分布狀況部分反映了該人臉在特征空間中的分布狀況，后續(xù)用一個(gè)多權(quán)值神經(jīng)元對(duì)這一組樣本進(jìn)行覆蓋完成學(xué)習(xí)。在高維空間中，遇到更多的是拓?fù)浣Y(jié)構(gòu)未知的情況，目前還沒(méi)有有效分析高維空間中點(diǎn)分布狀況的系統(tǒng)方法和工具，并且流形的維數(shù)越高，分析的難度越大，目前的研究大多假定樣本呈一維流形分布[4,10-12]，在這些實(shí)驗(yàn)中,采用一維流形覆蓋，都能夠取得很好的識(shí)別效果。王憲保等[13]研究了不限定流形維數(shù)的仿生模式識(shí)別實(shí)現(xiàn)方法，研究發(fā)現(xiàn)隨著覆蓋維數(shù)的增加，樣本的識(shí)別率也逐漸提高，但提高幅度逐漸變小。

2.2覆蓋算法研究

覆蓋算法的實(shí)現(xiàn)是仿生模式識(shí)別的研究重點(diǎn)，神經(jīng)網(wǎng)絡(luò)被證明是有效的方法[14-15]。Wang Shoujue, Zhao Xingtao等[11,16]提出一種超香腸神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)由超香腸神經(jīng)元(hyper sausage neuron，HSN)構(gòu)成，HSN在特征空間中可看成是以?xún)蓚€(gè)樣本點(diǎn)的連線(xiàn)作為中心線(xiàn)，與中心線(xiàn)距離小于閾值的所有點(diǎn)的集合。在3維空間中，神經(jīng)元可看成是一個(gè)以?xún)蓚€(gè)樣本點(diǎn)之間的線(xiàn)段作為中線(xiàn)的圓柱體、分別以?xún)蓚€(gè)樣本點(diǎn)為球心的半個(gè)超球共3個(gè)區(qū)域的并，構(gòu)成一個(gè)新的空間區(qū)域，因其在3維空間中像一根香腸，稱(chēng)之為超香腸神經(jīng)元。王守覺(jué)、徐健、Lai Jiangliang等[9，17]還提出了Ψ函數(shù)神經(jīng)網(wǎng)絡(luò)：Ψ函數(shù)神經(jīng)網(wǎng)絡(luò)由多權(quán)值神經(jīng)元組成，而多權(quán)值神經(jīng)元的權(quán)值通過(guò)樣本來(lái)確定，一個(gè)多權(quán)值神經(jīng)元在特征空間中形成的覆蓋區(qū)域是依據(jù)多個(gè)權(quán)值矢量共同作用形成的復(fù)雜幾何形體。因此，多權(quán)值神經(jīng)元覆蓋的空間狀況是由樣本決定的。以三權(quán)值神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉身份確認(rèn)，在誤識(shí)率為0的情況下，正確識(shí)別率達(dá)到96%，實(shí)驗(yàn)結(jié)果也顯示，增加網(wǎng)絡(luò)規(guī)?？商岣咦R(shí)別效果。多權(quán)值神經(jīng)元網(wǎng)絡(luò)用在非特定人語(yǔ)音識(shí)別中[18]，每個(gè)詞匯的訓(xùn)練樣本數(shù)量為30個(gè)的情況下，已訓(xùn)練詞匯的誤識(shí)率僅為1.48%，未訓(xùn)練詞匯的誤識(shí)率為13.29%，而同條件下HMM方法的誤識(shí)率為89.24%，遠(yuǎn)高于仿生模式識(shí)別方法。王憲保等[8]使用了兩種不同結(jié)構(gòu)的神經(jīng)元來(lái)構(gòu)造一個(gè)三層神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可實(shí)現(xiàn)一維流形覆蓋；由于網(wǎng)絡(luò)的參數(shù)是根據(jù)樣本直接計(jì)算得到，網(wǎng)絡(luò)不存在迭代時(shí)間及收斂性問(wèn)題；網(wǎng)絡(luò)的規(guī)模也是由樣本數(shù)量決定的，不存在隱層節(jié)點(diǎn)數(shù)選擇難題。邱立達(dá)等[19]將改進(jìn)蟻群算法引入仿生模式識(shí)別的神經(jīng)網(wǎng)絡(luò)構(gòu)造當(dāng)中，并選取超球作為覆蓋幾何體。該算法通過(guò)設(shè)計(jì)目標(biāo)函數(shù)、轉(zhuǎn)移概率公式以及信息素更新算法等方法，算出神經(jīng)網(wǎng)絡(luò)中覆蓋幾何體的最優(yōu)參數(shù)；算法還引入調(diào)節(jié)因子α：α越大，單個(gè)神經(jīng)元的體積越小、神經(jīng)元數(shù)量越多，算法構(gòu)造的網(wǎng)絡(luò)的復(fù)雜度也就越高、識(shí)別率越高；反之，α越小，單個(gè)神經(jīng)元的體積越大、神經(jīng)元數(shù)量越少，算法構(gòu)造的網(wǎng)絡(luò)的復(fù)雜度也就越低，識(shí)別率越低。在實(shí)際應(yīng)用中可通過(guò)調(diào)整α的取值來(lái)平衡網(wǎng)絡(luò)的性能和復(fù)雜度，以滿(mǎn)足不同需要。胡靜等[20]基于神經(jīng)網(wǎng)絡(luò)模塊化編程思想，提出了一種實(shí)現(xiàn)仿生模式識(shí)別的三層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)準(zhǔn)則，即：采用單隱節(jié)點(diǎn)層結(jié)構(gòu)，網(wǎng)絡(luò)的輸入層與隱節(jié)點(diǎn)層的連接方式為全連接，將隱節(jié)點(diǎn)層劃分為C個(gè)子節(jié)點(diǎn)組，且各個(gè)子節(jié)點(diǎn)組只與其相應(yīng)的輸出層節(jié)點(diǎn)相連接。其中C為學(xué)習(xí)樣本的“基元素”數(shù)目，實(shí)驗(yàn)比較了嚴(yán)格按照該準(zhǔn)則設(shè)計(jì)的網(wǎng)絡(luò)與未按照該準(zhǔn)則設(shè)計(jì)的網(wǎng)絡(luò)在交通標(biāo)識(shí)符形狀識(shí)別中的效果，隱節(jié)點(diǎn)分組時(shí)，網(wǎng)絡(luò)收斂次數(shù)更多、識(shí)別率更高且訓(xùn)練時(shí)間更少，識(shí)別速度更快。其他神經(jīng)覆蓋方法研究[21]提出的類(lèi)高斯混合模型的神經(jīng)元覆蓋方法，王改良等[22]利用動(dòng)態(tài)聚類(lèi)的方法尋找到每個(gè)覆蓋區(qū)中心，然后用多權(quán)值神經(jīng)元進(jìn)行覆蓋等。

從高維形象幾何的觀點(diǎn)出發(fā)，研究采用多個(gè)簡(jiǎn)單幾何體進(jìn)行局部覆蓋，再通過(guò)對(duì)簡(jiǎn)單幾何體合并或相交的方法，可實(shí)現(xiàn)對(duì)復(fù)雜幾何體的覆蓋。實(shí)際上，從廣義神經(jīng)網(wǎng)絡(luò)的角度看，簡(jiǎn)單幾何體可以看成是一個(gè)神經(jīng)元，而多個(gè)幾何體的并或交可看成是多個(gè)神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)。從這個(gè)意義上看，神經(jīng)網(wǎng)絡(luò)方法和高維形象幾何方法是相通的。楊國(guó)為等[23]采用高維空間點(diǎn)分布分析方法，給出從數(shù)學(xué)上證明了找到滿(mǎn)意的幾何覆蓋形體的方法。王憲保等[13]運(yùn)用高維空間幾何理論和流形學(xué)習(xí)理論，在不需要限定流形維數(shù)的情況下，研究了具體實(shí)現(xiàn)訓(xùn)練樣本的覆蓋方法及測(cè)試樣本的識(shí)別方法，并對(duì)覆蓋維數(shù)以及與識(shí)別性能之間的關(guān)系進(jìn)行了分析；并將該實(shí)現(xiàn)方法應(yīng)用在語(yǔ)音識(shí)別中，取得比傳統(tǒng)的HMM和最近鄰法(零維覆蓋)都要高的識(shí)別率。實(shí)驗(yàn)還表明，提出的方法對(duì)未學(xué)習(xí)人的語(yǔ)音樣本的正確識(shí)別率提高更顯著；隨著覆蓋維數(shù)的增加，樣本的識(shí)別率也逐漸提高，但提高幅度逐漸變??；由于點(diǎn)到覆蓋體距離的計(jì)算是個(gè)遞歸的過(guò)程，隨著維數(shù)的增加，計(jì)算量呈級(jí)數(shù)的增長(zhǎng)，綜合考慮識(shí)別率和識(shí)別時(shí)間，本文認(rèn)為二維覆蓋是合適的選擇。另外，Cao Wenming等[6,24]系統(tǒng)研究了仿生模式識(shí)別的幾何代數(shù)方法，還研究了多光譜圖像的仿生模式識(shí)別理論和方法[25-26]。

2.3重疊空間中樣本的歸屬判別

武妍等[27]研究發(fā)現(xiàn)實(shí)際情況中，仿生模式識(shí)別為了提高識(shí)別率而增大閾值或訓(xùn)練樣本增加時(shí)，不可避免地出現(xiàn)空間重疊。為了解決處于重疊空間中的未知樣本的歸屬問(wèn)題，文獻(xiàn)提出了適當(dāng)增大閾值以及允許大樣本情況下的空間重疊，在出現(xiàn)空間重疊的情況下，采用相對(duì)子空間劃分的決策方法(relative division of overlapping space based biomimetic pattern recognition，RDBPR)，即通過(guò)計(jì)算重疊空間中樣本到各個(gè)特征子空間的距離，得到距離相對(duì)最小的類(lèi)別并將其歸類(lèi)。RDBPR方法能夠在不增加誤識(shí)率的基礎(chǔ)上，提高對(duì)處于重疊空間中樣本的識(shí)別能力，從而提高最終識(shí)別率。文獻(xiàn)的實(shí)驗(yàn)結(jié)果表明，在訓(xùn)練樣本數(shù)量較少的情況下，即空間覆蓋的幾何形體體積較小時(shí)，與BPR(biomimetic pattern recognition)相比，RDBPR未顯示出明顯的優(yōu)勢(shì)；但隨著訓(xùn)練樣本數(shù)量增加，在保持較高的穩(wěn)定性和不顯著增加誤識(shí)率的前提下，RDBPR比BPR的識(shí)別率更優(yōu)。丁杰等[28]給出了通過(guò)計(jì)算基于類(lèi)條件的后驗(yàn)概率對(duì)樣本進(jìn)行相對(duì)區(qū)別的判別規(guī)則，依據(jù)待識(shí)別樣本與各類(lèi)別子空間的相對(duì)距離做置信評(píng)估，根據(jù)各類(lèi)模式散布計(jì)算后驗(yàn)概率，實(shí)現(xiàn)因空間重疊造成拒識(shí)的樣本的相對(duì)劃分，提高識(shí)別率。

2.4其他仿生模式識(shí)別實(shí)現(xiàn)方法研究

由仿生模式識(shí)別學(xué)習(xí)過(guò)程可知，訓(xùn)練樣本的代表性是進(jìn)行有效學(xué)習(xí)的前提，然而在實(shí)際情況中由于某些原因，訓(xùn)練樣本可能包含有不屬于本類(lèi)的離群樣本，會(huì)對(duì)學(xué)習(xí)結(jié)果產(chǎn)生不利影響；此外，由于多種內(nèi)外因素的共同影響，采集到的同類(lèi)樣本都會(huì)含有不同程度的噪聲成分，噪聲過(guò)大的離群樣本通常會(huì)導(dǎo)致學(xué)習(xí)效果變差；另外，大規(guī)模的訓(xùn)練樣本通常會(huì)有冗余，冗余樣本的存在使學(xué)習(xí)時(shí)間增加而對(duì)學(xué)習(xí)效果提高不大。丁杰等[28]采用仿射傳播聚類(lèi)(affinity propagation, AP)算法對(duì)樣本進(jìn)行聚類(lèi)去除離群樣本，獲得更優(yōu)的識(shí)別結(jié)果。王改良等[22]利用迭代自組織數(shù)據(jù)分析方法對(duì)訓(xùn)練樣本進(jìn)行動(dòng)態(tài)聚類(lèi)，尋找到同一類(lèi)的多個(gè)小類(lèi)覆蓋區(qū)中心，然后用多權(quán)值神經(jīng)元網(wǎng)絡(luò)覆蓋小類(lèi)，實(shí)現(xiàn)該類(lèi)的整體覆蓋。

此外，還有一些研究，將仿生模式識(shí)別思想與其他方法相結(jié)合，獲得更優(yōu)的算法效果。趙瑩等[29]以仿生模式識(shí)別的同類(lèi)樣本之間“同源連續(xù)性”為基礎(chǔ)，推廣了傳統(tǒng)的最鄰近方法。利用樣本點(diǎn)分布的“先驗(yàn)知識(shí)”增加訓(xùn)練樣本數(shù)量，再通過(guò)由多個(gè)超球體的并所形成的幾何形體，覆蓋可能的樣本點(diǎn)。該方法不但能夠更加準(zhǔn)確地識(shí)別同類(lèi)樣本，還能對(duì)非本類(lèi)樣本進(jìn)行拒識(shí)，有效地提高了傳統(tǒng)最近鄰方法的識(shí)別效果。王丹等[30]提出了一種多維多分辨仿生識(shí)別方法，其特點(diǎn)是用多分辨分析方法來(lái)獲取特征空間的多分辨表示，并將HOG(histogram of oriented gradient)描述符用于多尺度分析，獲得魯棒性強(qiáng)、穩(wěn)定性好的多尺度的特征表示，再通過(guò)SOM(self-organizing map)聚類(lèi)的方法實(shí)現(xiàn)了多尺度的樣本在特征空間中的覆蓋；識(shí)別過(guò)程給出了一種核函數(shù)的多尺度融合決策的識(shí)別方法，判定待識(shí)別樣本是否屬于相應(yīng)的樣本空間拓?fù)涓采w。殷建等[31]從純數(shù)學(xué)角度給出基于矢量量化的仿生模式識(shí)別算法，并列出了如何進(jìn)行劃分的具體算法和公式。殷維棟[32]闡述了主方向神經(jīng)網(wǎng)絡(luò)及覆蓋框架的概念，通過(guò)分析及實(shí)驗(yàn)，說(shuō)明了主方向神經(jīng)網(wǎng)絡(luò)的原理，通過(guò)獲知訓(xùn)練樣本的細(xì)節(jié)分布，降低了主方向神經(jīng)網(wǎng)絡(luò)的噪聲敏感度，獲得了較好的映射逼近性能，從而具備一定的魯棒性。但如何選取可調(diào)參數(shù)、如何確定隱層的神經(jīng)元數(shù)目是主方向神經(jīng)網(wǎng)絡(luò)需要解決的問(wèn)題。

仿生模式識(shí)別方法研究可總結(jié)如表2所示。

表2　仿生模式識(shí)別實(shí)現(xiàn)方法研究總結(jié)

3應(yīng)用研究

相比仿生模式識(shí)別的方法研究，技術(shù)應(yīng)用研究更受關(guān)注，其研究成果更為豐富，包括目標(biāo)識(shí)別、生物特征識(shí)別、近紅外定性分析、信號(hào)處理、醫(yī)學(xué)圖像識(shí)別和基因預(yù)測(cè)等，涉及計(jì)算機(jī)視覺(jué)、安防、農(nóng)業(yè)、生物醫(yī)學(xué)、通信以及互聯(lián)網(wǎng)等領(lǐng)域。仿生模式識(shí)別技術(shù)的通用性及有效性使其在眾多應(yīng)用中展現(xiàn)出活力，在眾多的研究中，仿生模式識(shí)別都獲得了比傳統(tǒng)模式識(shí)別更優(yōu)的綜合性能。與此同時(shí)，仿生模式識(shí)別對(duì)未訓(xùn)練樣本的極低誤識(shí)率以及低訓(xùn)練樣本下高識(shí)別率的優(yōu)點(diǎn)更為突出。下面將按照技術(shù)分類(lèi)對(duì)這些技術(shù)應(yīng)用研究進(jìn)行總結(jié)。

3.1目標(biāo)識(shí)別

仿生模式識(shí)別最初應(yīng)用在目標(biāo)識(shí)別，王守覺(jué)[4]用仿生模式識(shí)別方法識(shí)別觀察方向水平的全方位(360°)實(shí)物模型，實(shí)驗(yàn)采用14個(gè)實(shí)物模型，其中訓(xùn)練8個(gè)模型，另外6個(gè)用來(lái)做未訓(xùn)練類(lèi)樣本誤識(shí)率測(cè)試，實(shí)驗(yàn)顯示，已訓(xùn)練類(lèi)的樣本正確識(shí)別率達(dá)99.75%，而未訓(xùn)練類(lèi)樣本的誤識(shí)率為0。此外，他還研究了斜視方向的目標(biāo)識(shí)別[33]，仿生模式識(shí)別的正確識(shí)別率達(dá)99.89%，誤識(shí)率僅為0.11%。劉煥云等[34]將仿生模式識(shí)別應(yīng)用于灰度圖像目標(biāo)的識(shí)別與跟蹤，實(shí)驗(yàn)結(jié)果表明，該方法對(duì)于目標(biāo)尺寸漸變的視頻圖像序列中的目標(biāo)識(shí)別與跟蹤是有效的和穩(wěn)健的。在地面聲目標(biāo)識(shí)別實(shí)用系統(tǒng)中，目標(biāo)誤識(shí)率更為關(guān)鍵。黃琦等[35]基于二權(quán)值神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)仿生模式識(shí)別的地面聲目標(biāo)識(shí)別，在訓(xùn)練樣本數(shù)為200的情況下，仿生模式識(shí)別的正確識(shí)別率與GMM、BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)相當(dāng)，在90%左右；而當(dāng)訓(xùn)練樣本數(shù)下降到80時(shí)，仿生模式識(shí)別的正確識(shí)別率為82.5%，遠(yuǎn)高于其他3種方法(其中識(shí)別率最高的方法約為74%)。實(shí)驗(yàn)表明，仿生模式識(shí)別有效克服現(xiàn)有識(shí)別系統(tǒng)中誤識(shí)率高、低訓(xùn)練樣本數(shù)量情況下識(shí)別率低、系統(tǒng)需重復(fù)訓(xùn)練等缺點(diǎn)。

3.2生物特征識(shí)別

生物特征識(shí)別是利用人的生理特征或行為特征來(lái)進(jìn)行個(gè)人身份識(shí)別的統(tǒng)稱(chēng)，常見(jiàn)的有人臉識(shí)別、語(yǔ)音識(shí)別、虹膜識(shí)別等。仿生模式識(shí)別應(yīng)用在人臉識(shí)別是研究的一大熱點(diǎn)，這些研究包括1∶1的人臉身份確認(rèn)和1∶N的人臉識(shí)別。王守覺(jué)、徐健等[17]采用多鏡頭信息融合，建立多權(quán)值神經(jīng)網(wǎng)絡(luò)的仿生模式識(shí)別方法進(jìn)行人臉身份確認(rèn)，正確識(shí)別率達(dá)到96%，其余4%均為拒識(shí)，無(wú)一誤識(shí)。王守覺(jué)、曲延鋒等[36]研究了仿生模式識(shí)別在ORL人臉庫(kù)上的人臉識(shí)別效果，特征提取采用PCA方法，獲得了誤識(shí)率為0的識(shí)別效果，而在同樣實(shí)驗(yàn)條件下，SVM方法的誤識(shí)率為6%；實(shí)驗(yàn)結(jié)果表明仿生模式識(shí)別方法優(yōu)于SVM方法及最近鄰方法。莫華毅等[37]采用灰度微分的特征提取方法研究人臉的仿生模式識(shí)別；蔣加伏等[38]采用PCA與LDA的特征提取方法研究人臉?lè)律Ｊ阶R(shí)別；周書(shū)仁等[39]采用DCT與LDA的特征提取方法研究人臉?lè)律Ｊ阶R(shí)別；陳勇等[40]研究了基于二進(jìn)小波變換的人臉?lè)律Ｊ阶R(shí)別；莊德文等[41]研究了基于LOG-GABOR濾波二值變換的單訓(xùn)練樣本人臉?lè)律Ｊ阶R(shí)別。這些研究方法與其他經(jīng)典方法相比，誤識(shí)率更低，綜合性能更優(yōu)。此外，翟懿奎等[42]采用基于局部相位量化(local phase quantization, LPQ)特征提取結(jié)合仿生模式識(shí)別的方法，對(duì)偽裝人臉識(shí)別進(jìn)行了研究，該方法優(yōu)于SVM、SRC及PCA+BPR方法，實(shí)驗(yàn)結(jié)果證明這種方法具有較高效率，同時(shí)大大地提升了偽裝人臉識(shí)別的性能指標(biāo)。XU Ying等[43]則采用了LBP+LPQ特征提取及超香腸神經(jīng)網(wǎng)絡(luò)覆蓋來(lái)識(shí)別偽裝人臉。

仿生模式識(shí)別應(yīng)用在語(yǔ)音識(shí)別的研究也較多，并取得了不錯(cuò)的效果。覃鴻等[18]以MFCC作為語(yǔ)音特征參數(shù)，對(duì)較低數(shù)量訓(xùn)練樣本情況下非特定人語(yǔ)音的仿生模式識(shí)別進(jìn)行了研究，并將其與其他常規(guī)語(yǔ)音識(shí)別方法如HMM及DTW進(jìn)行了比較，每類(lèi)18個(gè)訓(xùn)練樣本時(shí)，仿生模式識(shí)別對(duì)未訓(xùn)練類(lèi)的誤識(shí)率為13.92%，遠(yuǎn)低于HMM(95.57%)及DTW(93.67%)；研究表明仿生模式識(shí)別方法在訓(xùn)練樣本數(shù)量較少的情況下，就能獲得很好的識(shí)別效果，而且對(duì)于未訓(xùn)練過(guò)的詞組有較高的正確拒識(shí)率，綜合性能優(yōu)于另外兩種方法。王守覺(jué)、潘曉霞等[44]提出了一種基于動(dòng)態(tài)搜索的連續(xù)數(shù)字語(yǔ)音仿生模式識(shí)別方法，該方法魯棒性強(qiáng)，適合長(zhǎng)短不同、語(yǔ)速不同的連續(xù)數(shù)字識(shí)別。王改良等[22]采用基音頻率軌跡作為聲調(diào)特征，研究了基于仿生模式識(shí)別的四種聲調(diào)識(shí)別，仿生模式識(shí)別的覆蓋單元采用多權(quán)值神經(jīng)元網(wǎng)絡(luò)，實(shí)驗(yàn)與HMM、SVM和BP方法比較，在大訓(xùn)練集下識(shí)別率最優(yōu)，為99.1%；在小訓(xùn)練集下識(shí)別率為98.5%，遠(yuǎn)優(yōu)于其他方法(其他方法SVM最優(yōu)，為95.2%)。張衛(wèi)強(qiáng)[45]等采用歸一化的短時(shí)子帶平均幅度譜作為特征，研究了基于仿生模式識(shí)別的固定音頻檢索方法，并取得了綜合性能優(yōu)良的實(shí)驗(yàn)結(jié)果。此外還有說(shuō)話(huà)人識(shí)別[46-50]、小詞匯量語(yǔ)音識(shí)別[51-53]、問(wèn)候語(yǔ)識(shí)別[54]。 另外，李晗等[21]將仿生模式識(shí)別應(yīng)用在聲音的性別識(shí)別，采用WSJ 英文語(yǔ)音數(shù)據(jù)庫(kù)，以基音頻率為特征，男性和女性的訓(xùn)練樣本各為50個(gè)，測(cè)試樣本為850個(gè)，覆蓋單元采用類(lèi)高斯混合模型神經(jīng)元，取得了比HMM更優(yōu)的識(shí)別效果；改用訓(xùn)練樣本100個(gè)、測(cè)試樣本500個(gè)的實(shí)驗(yàn)條件，特征維數(shù)為100維時(shí)仿生模式識(shí)別達(dá)到最優(yōu)，男性識(shí)別率達(dá)到100%，女性識(shí)別率為98.2%。

在虹膜識(shí)別方面，翟懿奎等[55]研究一種基于仿生模式識(shí)別理論的虹膜識(shí)別算法，該識(shí)別算法基于小波變換及奇異值分解的方法進(jìn)行虹膜特征的提取，再利用超香腸神經(jīng)網(wǎng)絡(luò)進(jìn)行覆蓋學(xué)習(xí)。在中科院自動(dòng)化所的虹膜數(shù)據(jù)庫(kù)(CASIAver-1.0)上進(jìn)行仿真實(shí)驗(yàn)，取得了良好的正確識(shí)別率，并且對(duì)于未參與訓(xùn)練的待識(shí)別虹膜樣本具有較高的拒識(shí)率。XU Ying等[56]也對(duì)虹膜的仿生模式識(shí)別進(jìn)行了研究。王丹等[30]將仿生模式識(shí)別用于虹膜識(shí)別，在JLUIRIS數(shù)據(jù)庫(kù)上獲得了良好的識(shí)別效果。而LI Zhihui等[57]則研究了基于仿生模式識(shí)別的多尺度虹膜識(shí)別。

仿生模式識(shí)別在生物特征識(shí)別的其他方面還有李顏瑞等[58]研究的一種基于仿生模式識(shí)別的眉毛識(shí)別方法，采用小波變換提取眉毛特征和三權(quán)值神經(jīng)網(wǎng)絡(luò)覆蓋學(xué)習(xí)，在一個(gè)有120人的眉毛信息庫(kù)上進(jìn)行實(shí)驗(yàn)，最高識(shí)別率達(dá)91.67%。

3.3文本識(shí)別

文本識(shí)別方面，丁杰等[28]將仿生模式識(shí)別應(yīng)用在手寫(xiě)體數(shù)字識(shí)別中，數(shù)據(jù)庫(kù)使用了NUST手寫(xiě)金額庫(kù)及Concordia大學(xué)的CENPARMI庫(kù)，與KNN、SVM和通用分類(lèi)器學(xué)習(xí)框架方法比較，仿生模式識(shí)別方法的可靠性最佳，在小樣本識(shí)別情況下，比傳統(tǒng)模式識(shí)別更具有優(yōu)勢(shì)。王建平等[59]提取手寫(xiě)體漢字的筆畫(huà)特征，采用雙權(quán)值橢圓形神經(jīng)元覆蓋方法進(jìn)行手寫(xiě)體漢字識(shí)別，通過(guò)對(duì)SCUT-IRAC手寫(xiě)體漢字庫(kù)中的簡(jiǎn)單和較復(fù)雜手寫(xiě)體漢字識(shí)別進(jìn)行的仿真實(shí)驗(yàn)，驗(yàn)證了該方法具有接近人類(lèi)識(shí)別漢字的容錯(cuò)性和準(zhǔn)確性。ZHANG Jibin等[60]使用仿生模式識(shí)別進(jìn)行文本分類(lèi)，實(shí)驗(yàn)結(jié)果顯示三權(quán)值神經(jīng)元網(wǎng)絡(luò)的效果最優(yōu)。

此外，胡靜等[20]研究了仿生模式識(shí)別的交通標(biāo)識(shí)符識(shí)別，取每類(lèi)標(biāo)識(shí)符的10幅圖像作為訓(xùn)練樣本建立相應(yīng)的仿生模式識(shí)別網(wǎng)絡(luò)，用另外6幅作為測(cè)試樣本，識(shí)別率最高可達(dá)95.47%。

3.4近紅外光譜定性分析

仿生模式識(shí)別應(yīng)用在近紅外光譜定性分析農(nóng)作物種子品質(zhì)方面。中國(guó)科學(xué)院半導(dǎo)體研究所和中國(guó)農(nóng)業(yè)大學(xué)做了大量的研究工作，研究人員基于近紅外漫反射或漫透射光譜，進(jìn)行了仿生模式識(shí)別種子識(shí)別。群體玉米種子品種鑒別方面有蘇謙等[65]研究基于仿生模式識(shí)別的玉米品種快速鑒別方法，7個(gè)玉米品種的平均正確識(shí)別率達(dá)94.3%，同時(shí)正確拒識(shí)率達(dá)99.1%；鄔文錦等[62]在37個(gè)玉米品種上的實(shí)驗(yàn)結(jié)果平均正確識(shí)別率達(dá)94.3%；盧洋等[63]在近紅外短波段采用仿生模式識(shí)別方法對(duì)37個(gè)玉米品種進(jìn)行識(shí)別，獲得97.6%的正確識(shí)別率；曹吾等[64]研究了采用仿生模式識(shí)別方法建立的7個(gè)玉米品種近紅外定性模型的穩(wěn)健性與適應(yīng)性；柳培忠等[65]采用DS算法進(jìn)一步提高了仿生模式識(shí)別的玉米品種近紅外定性模型的穩(wěn)定性。單粒玉米種子品種鑒別方面，賈仕強(qiáng)等[66]采用仿生模式識(shí)別方法建立定性鑒別模型，研究了單粒玉米種子品種真實(shí)性鑒定的光譜測(cè)量方法。賈仕強(qiáng)等[67]還采用仿生模式識(shí)別方法，研究了帶種衣劑玉米種子的品種鑒別方法。黃華軍等[68]則采用仿生模式識(shí)別方法研究了玉米雜交種純度的近紅外光譜分析技術(shù)。此外，翟亞鋒等[69]利用仿生模式識(shí)別方法建立近紅外定性分析模型，研究了轉(zhuǎn)基因小麥快速鑒別方法。上述研究都獲得了優(yōu)于傳統(tǒng)近紅外定性分析方法的鑒別效果，值得一提的是，其中一些應(yīng)用研究成果已成熟并開(kāi)始在企業(yè)中推廣。

3.5其他應(yīng)用

在生物信息學(xué)方面，陳陽(yáng)等[70]利用仿生模式識(shí)別原理，采用超香腸神經(jīng)元網(wǎng)絡(luò)對(duì)水平轉(zhuǎn)移基因進(jìn)行識(shí)別，結(jié)果顯示仿生模式識(shí)別方法對(duì)大腸桿菌(Escherichia coli K12)基因組的命中率與目前預(yù)測(cè)結(jié)果最好的八聯(lián)核苷酸頻率的打分算法相比，提高了42.3%，與基于支撐向量機(jī)的識(shí)別算法相比提高了30.5%。安冬等[71]提出了一種物種自動(dòng)分類(lèi)的方法。該方法利用仿生模式識(shí)別對(duì)嗜肝病毒科病毒及花椰菜花葉病毒科病毒實(shí)現(xiàn)自動(dòng)分類(lèi)，達(dá)到了較高的識(shí)別率。SU Qian等[72]研究了基于仿生模式識(shí)別的細(xì)胞代謝周期識(shí)別方法，對(duì)酵母的代謝周期的三個(gè)階段，分類(lèi)正確率分別達(dá)到90%、100%和100%。

在醫(yī)學(xué)影像識(shí)別方面，JIANG Jiafu等[73]和吳海珍等[74]研究基于仿生模式識(shí)別的醫(yī)學(xué)圖像分割算法，算法采用Ψ3多權(quán)值神經(jīng)元網(wǎng)絡(luò)在高維特征空間中對(duì)樣本進(jìn)行最優(yōu)覆蓋，然后對(duì)覆蓋結(jié)果進(jìn)行識(shí)和分割，利用該方法得到的實(shí)驗(yàn)結(jié)果比傳統(tǒng)圖像分割法準(zhǔn)確性更高、可靠性好、泛化能力強(qiáng)。何中市等[75]研究基于仿生模式識(shí)別的孤立性肺結(jié)節(jié)檢測(cè)方法，實(shí)驗(yàn)在小樣本集上進(jìn)行，并與BP神經(jīng)網(wǎng)絡(luò)和SVM方法進(jìn)行比較，從特異性、敏感性等幾個(gè)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較分析，仿生模式識(shí)別方法的綜合性能最優(yōu)。武妍等[76-77]研究運(yùn)動(dòng)想象腦電識(shí)別，采用增量半監(jiān)督的仿生模式識(shí)別算法，使用腦機(jī)接口國(guó)際大賽公布的數(shù)據(jù)集對(duì)該算法進(jìn)行了離線(xiàn)分析、模擬在線(xiàn)實(shí)驗(yàn)，以及作者在線(xiàn)采集的實(shí)際腦電數(shù)據(jù)進(jìn)行了實(shí)際在線(xiàn)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明該算法平均準(zhǔn)確率高，并且其在抗過(guò)學(xué)習(xí)和穩(wěn)定性上也體現(xiàn)出了明顯的優(yōu)勢(shì)。YANG Xiaoli等[78]研究了仿生模式識(shí)別的乳腺癌預(yù)測(cè)方法，癌細(xì)胞轉(zhuǎn)移、預(yù)后良好及預(yù)后不良的的預(yù)測(cè)率分別為85%、98%及88%，均優(yōu)于Fisher判別分析及SVM方法。

在信號(hào)處理方面，安冬等[79-80]分別采用自相關(guān)特征提取方法和PCA/ICA特征提取方法，研究了基于仿生模式識(shí)別的DOA估計(jì)，實(shí)驗(yàn)結(jié)果證明仿生模式識(shí)別不僅可以應(yīng)用于傳統(tǒng)的模式識(shí)別，還可以應(yīng)用于非感性的抽象對(duì)象的信息處理，并且模型魯棒性強(qiáng)，計(jì)算量較小，在信號(hào)處理領(lǐng)域具有普遍意義。

在圖像識(shí)別方面，蔣加伏等[81]研究了基于仿生模式識(shí)別的紋理圖像識(shí)別算法，采用Contourlet變換提取圖像能量特征和超香腸神經(jīng)網(wǎng)絡(luò)，在Vistex紋理庫(kù)上進(jìn)行仿真實(shí)驗(yàn)，分類(lèi)正確率為100%，優(yōu)于SVM、k均值和BP方法。耿春云等[82]將仿生模式識(shí)別用于海洋微藻識(shí)別，實(shí)現(xiàn)了不同種及同種不同狀態(tài)下的藻體的準(zhǔn)確識(shí)別。胡靜等[20]研究了仿生模式識(shí)別的交通標(biāo)識(shí)符識(shí)別，取每類(lèi)標(biāo)識(shí)符的10幅圖像作為訓(xùn)練樣本建立相應(yīng)的仿生模式識(shí)別網(wǎng)絡(luò)，用另外6幅作為測(cè)試樣本，識(shí)別率最高可達(dá)95.47%。

故障診斷方面，SHI Haitao等[83]研究了基于仿生模式識(shí)別的電潛螺桿泵狀態(tài)識(shí)別，通過(guò)識(shí)別電潛螺桿泵的電參數(shù)狀態(tài)來(lái)進(jìn)行故障診斷，正確識(shí)別率為86.7%，獲得了有效的識(shí)別效果。WANG Xiaozhe等[84]將仿生模式識(shí)別與匹配跟蹤算法相結(jié)合進(jìn)行電路系統(tǒng)的故障檢測(cè)仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法提高了故障檢測(cè)的魯棒性和識(shí)別精度。

網(wǎng)絡(luò)攻擊識(shí)別方面，周全強(qiáng)等[85-86]針對(duì)有監(jiān)督方法，研究了基于仿生模式識(shí)別的未知推薦攻擊(用戶(hù)概貌攻擊)檢測(cè)方法，用于MovieLens數(shù)據(jù)集實(shí)驗(yàn)中，結(jié)果表明該方法具有較高的命中率和較低的誤報(bào)率。

在時(shí)間序列匹配方面，閭海榮等[87]基于仿生模式識(shí)別思想，利用同類(lèi)樣本間的連續(xù)性規(guī)律，對(duì)時(shí)間序列進(jìn)行排序，將若干新時(shí)間序列添加進(jìn)相鄰的時(shí)間序列之間，用這種方法增加樣本點(diǎn)的數(shù)量。實(shí)驗(yàn)結(jié)果表明，這種方法比基于動(dòng)態(tài)時(shí)間彎折的方法更有優(yōu)勢(shì)。

仿生模式識(shí)別的應(yīng)用研究可總結(jié)如表3所示。

表3　仿生模式識(shí)別的應(yīng)用研究

4結(jié)束語(yǔ)

仿生模式識(shí)別自2002年提出，為模式識(shí)別領(lǐng)域開(kāi)辟了一條全新的研究方向，諸多學(xué)者已經(jīng)相繼提出了一系列具體實(shí)現(xiàn)方法并將其廣泛應(yīng)用在模式識(shí)別的各個(gè)領(lǐng)域。與此同時(shí)，將仿生模式識(shí)別思想應(yīng)用在其他信息處理方面，擴(kuò)大了仿生模式識(shí)別研究的范圍，拓展了仿生模式識(shí)別研究的內(nèi)容，使仿生模式識(shí)別可以解決更多領(lǐng)域的新問(wèn)題。從目前仿生模式識(shí)別的方法研究及應(yīng)用研究可以看到，還沒(méi)有有效的分析同類(lèi)樣本點(diǎn)分布流形的方法，還需要發(fā)展高維空間拓?fù)淅碚撆c算法，以及更靈活高效的神經(jīng)元模型等。仿生模式識(shí)別優(yōu)于傳統(tǒng)模式識(shí)別，且具有光明的研究前景，但是也應(yīng)清晰認(rèn)識(shí)到，該方法亟待開(kāi)展深入細(xì)致的研究，將該方法及其應(yīng)用研究向更深層次和更廣領(lǐng)域推進(jìn)。

參考文獻(xiàn):

[1]DUDA R O. 模式分類(lèi)[M]. 李宏?yáng)|, 姚天翔, 譯. 第2版. 北京: 機(jī)械工業(yè)出版社, 2003: 9.

[2]FISHER R A. Contributions to mathematical statistics[M]. New York: John & Wiley, 1952.

[3]VAPNIK V N. 統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M]. 張學(xué)工, 譯. 北京: 清華大學(xué)出版社, 2000.

[4]王守覺(jué). 仿生模式識(shí)別(拓?fù)淠Ｊ阶R(shí)別)——一種模式識(shí)別新模型的理論與應(yīng)用[J]. 電子學(xué)報(bào), 2002, 30(10): 1417-1420.

WANG Shoujue. Bionic (topological) pattern recognition-a new model of pattern recognition theory and its applications[J]. Acta electronica sinica, 2002, 30(10): 1417-1420.

[5]王守覺(jué), 來(lái)疆亮. 多維空間仿生信息學(xué)入門(mén)[M]. 北京: 國(guó)防工業(yè)出版社, 2008.

[6]曹文明, 馮浩. 仿生模式識(shí)別與信號(hào)處理的幾何代數(shù)方法[M]. 北京: 科學(xué)出版社, 2010.

[7]王守覺(jué), 劉揚(yáng)陽(yáng), 來(lái)疆亮, 等. 仿生模式識(shí)別與多權(quán)值神經(jīng)元[M]. 北京: 國(guó)防工業(yè)出版社, 2012.

[8]王憲保, 周德龍, 王守覺(jué). 基于仿生模式識(shí)別的構(gòu)造型神經(jīng)網(wǎng)絡(luò)分類(lèi)方法[J]. 計(jì)算機(jī)學(xué)報(bào), 2007, 30(12): 2109-2114.

WANG Xianbao, ZHOU Delong, WANG Shoujue. Constructive neuron networks classification algorithm based on biomimetic pattern recognition[J]. Chinese journal of computers, 2007, 30(12): 2109-2114.

[9]王守覺(jué), 徐健, 王憲保, 等. 基于仿生模式識(shí)別的多鏡頭人臉身份確認(rèn)系統(tǒng)研究[J]. 電子學(xué)報(bào), 2003, 31(1): 1-3.

WANG Shoujue, XU Jian, WANG Xianbao, et al. Multi-camera human-face personal identification system based on the biomimetic pattern recognition[J]. Acta electronica sinica, 2003, 31(1): 1-3.

[10]WANG Shoujue, CHEN Xu. Biomimetic (topological) pattern recognition- a new model of pattern recognition theory and its application[C]//Proceedings of the International Joint Conference on Neural Networks. Portland, America, 2003, 3: 2258-2262.

[11]WANG Shoujue, ZHAO Xingtao. Biomimetic pattern recognition theory and its applications[J]. Chinese journal of electronics, 2004, 13(3): 373-377.

[12]楊建琦, 丁立軍, 蔣維. 基于拓?fù)鋵W(xué)識(shí)別理論的身份鑒定研究[J]. 嘉興學(xué)院學(xué)報(bào), 2013, 25(3): 99-104.

YANG Jianqi, DING Lijun, JIANG Wei. Identification based on topology recognition theory[J]. Journal of Jinxing University, 2013, 25(3): 99-104.

[13]王憲保, 陸飛, 陳勇, 等. 仿生模式識(shí)別的算法實(shí)現(xiàn)與應(yīng)用[J]. 浙江工業(yè)大學(xué)學(xué)報(bào), 2011, 39(1): 71-74.

WANG Xianbao, LU Fei, CHEN Yong, et al. Algorithm and application of biomimetic pattern recognition[J]. Journal of Zhejiang University of technology, 2011, 39(1): 71-74.

[14]王守覺(jué), 李兆洲, 陳向東, 等. 通用神經(jīng)網(wǎng)絡(luò)硬件中神經(jīng)元基本數(shù)學(xué)模型的討論[J]. 電子學(xué)報(bào), 2001, 29(5): 577-580.

WANG Shoujue, LI Zhaozhou, CHEN Xiangdong, et al. Discussion on the basic mathematical models of neurons in general purpose neurocomputer[J]. Acta electronica sinica, 2001, 29(5): 277-280.

[15]WANG Shoujue. A new development on ANN in China - biomimetic pattern recognition and multi weight vector neurons[M]//WANG Guoyin, LIU Qing, YAO Yiyu, et al. Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing. Berlin Heidelberg: Springer, 2003: 35-43.

[16]WANG Shoujue. Biomimetics pattern recognition[J]. Neural networks society (INNS, ENNS, JNNS) newsletter, 2003, 1(1): 3-5.

[17]WANG Shoujue, LAI Jiangliang. A more complex neuron in biomimetic pattern recognition[C]//Proceedings of International Conference on Neural Networks and Brain. Beijing, China, 2005: 1487-1489.

[18]覃鴻, 王守覺(jué). 多權(quán)值神經(jīng)元網(wǎng)絡(luò)仿生模式識(shí)別方法在低訓(xùn)練樣本數(shù)量非特定人語(yǔ)音識(shí)別中與HMM及DTW 的比較研究[J]. 電子學(xué)報(bào), 2005, 33(5): 957-960.

QIN Hong, WANG Shoujue. Comparison of biomimetic pattern recognition, HMM and DTW for speaker-independent speech recognition[J]. Acta electronica sinica, 2005, 33(5): 957-960.

[19]邱立達(dá), 劉天鍵. 基于蟻群算法的仿生模式識(shí)別神經(jīng)網(wǎng)絡(luò)構(gòu)造方法[J]. 閩江學(xué)院學(xué)報(bào), 2013, 34(2): 88-91.

QIU Lida, LIU Tianjian. Constructive method of bionic pattern recognition neural networks based on ant colony algorithm[J]. Journal of Minjiang University, 2013, 34(2): 88-91.

[20]胡靜, 王輝, 徐小紅, 等. 基于同類(lèi)樣本覆蓋的BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)準(zhǔn)則研究[J]. 系統(tǒng)工程與電子技術(shù), 2007, 29(4): 605-608.

HU Jing, WANG Hui, XU Xiaohong, et al. Study of designing BP neural network structure in congener sample covering[J]. Systems engineering and electronics, 2007, 29(4): 605-608.

[21]李晗, 武妍. 仿生模式識(shí)別理論在性別識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用, 2009, 45(3): 181-183.

LI Han, WU Yan. Gender identification based on biomimetic pattern recognition[J]. Computer engineering and applications, 2009, 45(3): 181-183.

[22]王改良, 武妍. 基于仿生模式識(shí)別理論的聲調(diào)識(shí)別[J]. 計(jì)算機(jī)應(yīng)用, 2010, 30(10): 2709-2711.

WANG Gailiang, WU Yan. Tone recognition based on biomimetic pattern recognition theory[J]. Journal of computer applications, 2010, 30(10): 2709-2711.

[23]楊國(guó)為, 王守覺(jué), 劉揚(yáng)陽(yáng). 仿生模式識(shí)別的兩個(gè)關(guān)鍵技術(shù)問(wèn)題研究[J]. 電子學(xué)報(bào), 2008, 36(12): 2490-2492.

YANG Guowei, WANG Shoujue, LIU Yangyang. Research on two key technical problems in biomimetics pattern recognition[J]. Acta electronica sinica, 2008, 36(12): 2490-2492.

[24]CAO Wenming, HAO Feng. Geometry algebra neuron based on biomimetic pattern recognition[M]//WANG Hongwei, SHEN Yi, HUANG Tingwen, et al. The Sixth International Symposium on Neural Networks (ISNN 2009). Berlin Heidelberg: Springer, 2009: 433-440.

[25]CAO Wenming, HAO Feng. Biomimetic pattern recognition based on the Young-Helmholtz model of multispectral image[C]//Proceedings of International Conference on Artificial Intelligence and Computational Intelligence. Shanghai, China, 2009, 2: 398-402.

[26]CAO Wenming, HAO Feng. Multispectral Image Recognition Research Based on Biomimetic Pattern Recognition[C]//Proceedings of the 2nd International Symposium on Electronic Commerce and Security. Nanchang, China, 2009, 2: 133-136.

[27]武妍, 姚瀟, 王守覺(jué). 基于重疊空間相對(duì)劃分的仿生模式識(shí)別方法[J]. 模式識(shí)別與人工智能, 2008, 21(3): 346-350.

WU Yan, YAO Xiao, WANG Shoujue. Relative division of overlapping space based biomimetic pattern recognition[J]. Pattern recognition and artificial Intelligence, 2008, 21(3): 346-350.

[28]丁杰, 楊靜宇. 一種基于AP的仿生模式識(shí)別方法[J]. 計(jì)算機(jī)科學(xué), 2011, 38(5): 224-226, 230.

DING Jie, YANG Jingyu. AP clustering based biomimetic pattern recognition[J]. Computer science, 2011, 38(5): 224-226, 230.

[29]趙瑩, 高雋, 汪榮貴, 等. 一種新的廣義最近鄰方法研究[J]. 電子學(xué)報(bào), 2004, 32(12A): 196-198.

ZHAO Ying, GAO Jun, WANG Ronggui, et al. An extended nearest neighbor method based on bionic pattern recognition[J]. Acta electronica sinica, 2004, 32(12A): 196-198.

[30]王丹, 張祥合, 張立, 等. 多維多分辨仿生識(shí)別方法及其應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版, 2011, 41(2): 408-412.

WANG Dan, ZHANG Xianghe, ZHANG Li, et al. Multidimensional and multiresolution biomimetic recognition method and its application[J]. Journal of Jilin university:engineering and technology edition, 2011, 41(2): 408-412.

[31]殷建, 殷業(yè), 徐毅. 基于矢量量化的仿生模式識(shí)別方法研究[J]. 無(wú)錫職業(yè)技術(shù)學(xué)院學(xué)報(bào), 2007, 6(5): 31-34.

YIN Jian, YIN Ye, XU Yi. Research on bionic pattern recognition on vector quantization method[J]. Journal of Wuxi institute of technology, 2007, 6(5): 31-34.

[32]殷維棟. 覆蓋框架與主方向神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)應(yīng)用, 2008, 28(8): 2077-2080, 2083.

YIN Weidong. Covering framework and primary direction neural network[J]. Computer applications, 2008, 28(8): 2077-2080, 2083.

[33]WANG Shoujue, CHEN Xu, LI Weijun. Object-recognition with oblique observation directions based on biomimetic pattern recognition[C]//Proceedings of International Conference on Neural Networks and Brain. Beijing, China, 2005, 3: 1498-1502.

[34]劉煥云, 王軍寧, 何迪, 等. 仿生模式識(shí)別目標(biāo)自適應(yīng)跟蹤算法[J]. 西安電子科技大學(xué)學(xué)報(bào)：自然科學(xué)版, 2013, 40(4): 142-148.

LIU Huanyun, WANG Junning, HE Di, et al. Research on biomimetic pattern recognition for object adaptive tracking algorithm[J]. Journal of Xidian University, 2013, 40(4): 142-148.

[35]黃琦, 魏建明, 劉海濤. 基于仿生模式識(shí)別的地面聲目標(biāo)識(shí)別方法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2007, 21(2): 62-65.

HUANG Qi, WEI Jianming, LIU Haitao. Acoustic target recognition based on biomimetic pattern recognition[J]. Journal of electronic measurement and instrument, 2007, 21(2): 62-65.

[36]王守覺(jué), 曲延鋒, 李衛(wèi)軍, 等. 基于仿生模式識(shí)別與傳統(tǒng)模式識(shí)別的人臉識(shí)別效果比較研究[J]. 電子學(xué)報(bào), 2004, 32(7): 1057-1061.

WANG Shoujue, QU Yanfeng, LI Weijun, et al. Face recognition: biomimetic pattern recognition vs. traditional pattern recognition[J]. Acta electronica sinica, 2004, 32(7): 1057-1061.

[37]莫華毅, 王志海, 王守覺(jué). 仿生模式識(shí)別在人臉識(shí)別中的應(yīng)用[C]//中國(guó)人工智能學(xué)會(huì)第10屆全國(guó)學(xué)術(shù)年會(huì)論文集. 廣州, 中國(guó), 2003: 311-316.

[38]蔣加伏, 袁承偉. 融合PCA與LDA變換的仿生人臉識(shí)別研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010, 46(19): 160-163.

JIANG Jiafu, YUAN Chengwei. Biomimetic pattern face recognition integration of PCA and LDA transform[J]. Computer engineering and applications, 2010, 46(19): 160-163.

[39]周書(shū)仁, 邵晶, 蔣加伏. 基于DCT與LDA的仿生人臉識(shí)別研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(13): 208-211.

ZHOU Shuren, SHAO Jing, JIANG Jiafu. Biomimetic pattern face recognition based on DCT and LDA[J]. Computer engineering and applications, 2011, 47(13): 208-211.

[40]陳勇, 王憲保. 基于二進(jìn)小波變換和仿生模式識(shí)別的人臉識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用, 2013, 49(17): 186-189.

CHEN Yong, WANG Xianbao. Face recognition based on dyadic wavelet transform and biomimetic pattern recognition[J]. Computer engineering and applications, 2013, 49(17): 186-189.

[41]莊德文, 周德龍. 基于LOG-GABOR濾波二值變換的人臉識(shí)別[C]//第29屆中國(guó)控制會(huì)議論文集. Beijing, China, 2010.

ZHUANG Dewen, ZHOU Delong. Face recognition based on Log-Gabor filter binary transformation[C]//Proceedings of the 29th Chinese Control Conference. Beijing, China, 2010.

[42]翟懿奎, 甘俊英, 徐穎. 基于局部相位量化與仿生模式的偽裝人臉識(shí)別算法[J]. 信號(hào)處理, 2012, 28(11): 1498-1504.

ZHAI Yikui, GAN Junying, XU Ying. Disguised face recognition algorithm based on local phase quantization and biomimetic pattern[J]. Signal processing, 2012, 28(11): 1498-1504.

[43]XU Ying, ZHAI Yikui, GAN Junying, et al. Disguised face recognition based on local feature fusion and biomimetic pattern recognition[M]//SUN Zhenan, SHAN Shiguang, SANG Haifeng, et al. Biometric Recognition. Switzerland: Springer, 2014: 95-102.

[44]王守覺(jué), 潘曉霞, 徐春燕, 等. 一種基于高維空間覆蓋動(dòng)態(tài)搜索方法的非特定人連續(xù)數(shù)字語(yǔ)音識(shí)別的研究[J]. 電子學(xué)報(bào), 2005, 33(10): 1790-1793.

WANG Shoujue, PAN Xiaoxia, XU Chunyan, et al. Research on speaker-independent continuous figure speech-recognition based on high-dimensional space covering and dynamic scanning[J]. Acta electronica sinica, 2005, 33(10): 1790-1793.

[45]張衛(wèi)強(qiáng), 劉加, 陳恩慶. 一種基于仿生模式識(shí)別思想的固定音頻檢索方法[J]. 自然科學(xué)進(jìn)展, 2008, 18(7): 808-813.

[46]武妍, 金明曦, 王守覺(jué). 基于仿生模式識(shí)別理論的高階神經(jīng)網(wǎng)絡(luò)說(shuō)話(huà)人識(shí)別方法[J]. 計(jì)算機(jī)工程, 2006, 32(12): 184-186.

WU Yan, JIN Mingxi, WANG Shoujue. Speaker recognition method with high-order neural network based on biomimetics pattern recognition[J]. Computer engineering, 2006, 32(12): 184-186.

[47]李燕萍, 唐振民, 錢(qián)博, 等. 基于仿生模式識(shí)別的說(shuō)話(huà)人辨認(rèn)方法研究[J]. 系統(tǒng)仿真學(xué)報(bào), 2009, 21(7): 1912-1915, 1920.

LI Yanping, TANG Zhenmin, QIAN Bo, et al. Method of biomimetic pattern recognition for speaker identification[J]. Journal of system simulation, 2009, 21(7): 1912-1915, 1920.

[48]姚瀟, 武妍, 王守覺(jué). 一種基于并行覆蓋前饋優(yōu)先神經(jīng)網(wǎng)絡(luò)的說(shuō)話(huà)人識(shí)別方法[J]. 計(jì)算機(jī)科學(xué), 2008, 35(8): 125-128.

YAO Xiao, WU Yan, WANG Shoujue. Research on speaker recognition based on the parallel coverage of priority ordered neural network[J]. Computer science, 2008, 35(8): 125-128.

[49]WU Lili, WANG Shoujue. Study on closed-set speaker identification based on biomimetic pattern recognition[J]. Chinese journal of electronics, 2009, 18(2): 259-261.

[50]WANG Shoujue, HUANG Yi, CAO Yu. Study on text-dependent speaker recognition based on Biomimetic Pattern Recognition[M]//WANG Jun, YI Zhang, ZURADA J M, et al. Advances in Neural Networks-ISNN 2006. Berlin Heidelberg: Springer, 2006: 158-164.

[51]QIN Hong, WANG Shoujue, SUN Hua. Biomimetic pattern recognition for speaker-independent speech recognition[C]//Proceedings of International Conference on Neural Networks and Brain. Beijing, China, 2005, 2: 1290-1294.

[52]王守覺(jué), 沈?qū)O園, 曹文明. 基于仿生模式識(shí)別的小詞匯量連續(xù)型語(yǔ)音識(shí)別的研究[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2006, 27(S): 1-5.

WANG Shoujue, SHEN Sunyuan, CAO Wenming. Research on continuous speech recognition with small vocabulary based on biomimetic pattern recognition[J]. Journal of Harbin engineering University, 2006, 27(S): 1-5.

[53]王憲保, 陳勇, 湯麗平. 結(jié)合MFCC分析和仿生模式識(shí)別的語(yǔ)音識(shí)別研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(12): 20-22, 26.

WANG Xianbao, CHEN Yong, TANG Liping. Speech recognition research based on MFCC Analysis and biomimetic pattern recognition[J]. Computer engineering and applications, 2011, 47(12): 20-22, 26.

[54]YE Hong, ZHANG Youzheng, SHEN Jianwei. Study on speech recognition of greeting based on biomimetic pattern recognition[C]//Proceedings of the 2nd International Workshop on Intelligent Systems and Applications. Wuhan, China, 2010: 1-4.

[55]翟懿奎, 曾軍英. 一種基于小波奇異值分解的仿生模式虹膜識(shí)別算法[J]. 電路與系統(tǒng)學(xué)報(bào), 2012, 17(2): 43-48.

ZHAI Yikui, ZENG Junying. The study of biomimetic pattern iris recognition algorithm based on the wavelet transform and SVD[J]. Journal of circuits and systems, 2012, 17(2): 43-48.

[56]XU Ying, LUO Fei, ZHAI Yikui, et al. Joint iris and facial recognition based on feature fusion and biomimetic pattern recognition[C]//Proceedings of International Conference on Wavelet Analysis and Pattern Recognition. Tianjin, China, 2013: 202-208.

[57]LI Zhihui, ZHANG Changhai, LIU Yuanning, et al. Research on multiscale iris recognition technology based biomimetic pattern recognition[J]. Chinese journal of electronics, 2006, 15(4A): 869-873.

[58]李顏瑞, 任小康, 李顏琦. 基于仿生模式識(shí)別的眉毛識(shí)別方法[J]. 佳木斯大學(xué)學(xué)報(bào)：自然科學(xué)版, 2010, 28(6): 858-860, 879.

LI Yanrui, REN Xiaokang, LI Yanqi. Eyebrow recognition based on biomimetic pattern recognition[J]. Journal of Jiamusi University: natural science edition, 2010, 28(6): 858-860, 879.

[59]王建平, 李帷韜, 王金玲, 等. 基于仿生模式識(shí)別的手寫(xiě)體漢字識(shí)別方法的研究[J]. 中國(guó)圖象圖形學(xué)報(bào), 2007, 12(7): 1261-1269.

WANG Jianping, LI Weitao, WANG Jinling, et al. Research on handwritten Chinese characters recognition based on biomimetic pattern recognition[J]. Journal of image and graphics, 2007, 12(7): 1261-1269.

[60]ZHANG Jibin, CONG Shuai, XU Zhiming, et al. A text classifier based on biomimetic pattern recognition[C]//Proceedings of International Conference on Machine Learning and Cybernetics. Baoding, China, 2009, 6: 3463-3468.

[61]蘇謙, 鄔文錦, 王紅武, 等. 基于近紅外光譜和仿生模式識(shí)別玉米品種快速鑒別方法[J]. 光譜學(xué)與光譜分析, 2009, 29(9): 2413-2416.

SU Qian, WU Wenjin, WANG Hongwu, et al. Fast discrimination of varieties of corn based on near infrared spectra and biomimetic pattern recognition[J]. Spectroscopy and spectral analysis, 2009, 29(9): 2413-2416.

[62]鄔文錦, 王紅武, 陳紹江, 等. 基于近紅外光譜的商品玉米品種快速鑒別方法[J]. 光譜學(xué)與光譜分析, 2010, 30(5): 1248-1251.

WU Wenjin, WANG Hongwu, CHEN Shaojiang, et al. Fast discrimination of commerical corn varieties based on near infrared spectra[J]. Spectroscopy and spectral analysis, 2010, 30(5): 1248-1251.

[63]盧洋, 梁先揚(yáng), 李衛(wèi)軍, 等. 基于近紅外光譜短波段的玉米品種鑒別研究[J]. 河南大學(xué)學(xué)報(bào)：自然科學(xué)版, 2012, 42(3): 239-243.

LU Yang, LIANG Xianyang, LI Weijun, et al. Study on corn varieties discrimination based on short wave band of NIR spectra[J]. Journal of Henan University (natural cience), 2012, 42(3): 239-243.

[64]曹吾, 李衛(wèi)軍, 王平, 等. 近紅外定性分析模型的穩(wěn)健性與適應(yīng)性分析[J]. 光譜學(xué)與光譜分析, 2014, 34(6): 1506-1511.

CAO Wu, LI Weijun, WANG Ping, et al. Analysis of the stability and adaptability of near infrared spectra qualitative analysis model[J]. Spectroscopy and spectral analysis, 2014, 34(6): 1506-1511.

[65]柳培忠, 張麗萍, 李衛(wèi)軍, 等. 基于DS算法的玉米近紅外定性分析光譜校正方法研究[J]. 光譜學(xué)與光譜分析, 2014, 34(6): 1533-1537.

LIU Peizhong, ZHANG Liping, LI Weijun, et al. Study on spectral calibration of discrimination of corn variety using near-infrared spectra based on DS algorithm[J]. Spectroscopy and spectral analysis, 2014, 34(6): 1533-1537.

[66]賈仕強(qiáng), 郭婷婷, 唐興田, 等. 應(yīng)用近紅外光譜進(jìn)行玉米單籽粒品種真實(shí)性鑒定的光譜測(cè)量方法研究[J]. 光譜學(xué)與光譜分析, 2012, 32(1): 103-107.

JIA Shiqiang, GUO Tingting, TANG Xingtian, et al. Study on spectral measurement methods in identification of maize variety authenticity based on near infrared spectra of single kernels[J]. Spectroscopy and spectral analysis, 2012, 32(1): 103-107.

[67]賈仕強(qiáng), 郭婷婷, 劉哲, 等. 基于近紅外光譜的帶種衣劑玉米種子真實(shí)性鑒定方法研究[J]. 光譜學(xué)與光譜分析, 2014, 34(11): 2984-2988.

JIA Shiqiang, GUO Tingting, LIU Zhe, et al. Feasibility study on an approach for identifying corn kernel varieties with seed coating agents via near infrared spectroscopy[J]. Spectroscopy and spectral analysis, 2014, 34(11): 2984-2988.

[68]黃華軍, 嚴(yán)衍祿, 申兵輝, 等. 鑒別玉米雜交種純度的近紅外光譜分析技術(shù)研究[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1253-1258.

HUANG Huajun, YAN Yanlu, SHEN Binghui, et al. Near infrared spectroscopy analysis method of maize hybrid seed purity discrimination[J]. Spectroscopy and spectral analysis, 2014, 34(5): 1253-1258.

[69]翟亞鋒, 蘇謙, 鄔文錦, 等. 基于仿生模式識(shí)別和近紅外光譜的轉(zhuǎn)基因小麥快速鑒別方法[J]. 光譜學(xué)與光譜分析, 2010, 30(4): 924-928.

ZHAI Yafeng, SU Qian, WU Wenjin, et al. Fast discrimination of varieties of transgene wheat based on biomimetic pattern recognition and near infrared spectra[J]. Spectroscopy and spectral analysis, 2010, 30(4): 924-928.

[70]陳陽(yáng), 王守覺(jué). 仿生模式識(shí)別在細(xì)菌基因組水平轉(zhuǎn)移基因預(yù)測(cè)中的應(yīng)用[J]. 現(xiàn)代生物醫(yī)學(xué)進(jìn)展, 2008, 8(8): 1518-1521.

CHEN Yang, WANG Shoujue. Biomimetic pattern recognition for prediction of horizontal gene transfers in bacteria genomes[J]. Progress in modern biomedicine, 2008, 8(8): 1518-1521.

[71]安冬, 王庫(kù), 王守覺(jué). 高維空間點(diǎn)覆蓋方法在物種計(jì)算機(jī)自動(dòng)分類(lèi)中的應(yīng)用[J]. 電子學(xué)報(bào), 2006, 34(2): 277-281.

AN Dong, WANG Ku, WANG Shoujue. A alignment-free sequence comparison method based on whole genomes and its application to virus phylogeny[J]. Acta electronica sinica, 2006, 34(2): 277-281.

[72]SU Qian, AN Dong, WANG Ku, et al. An Automatic Classification method of metabolic cycle based on biomimetic pattern recognition[J]. Chinese journal of electronics, 2009, 18(2): 332-334.

[73]JIANG Jiafu, WEI He, QI Qi. Medical image segmentation based on biomimetic pattern recognition[C]//Proceedings of WRI World Congress on Software Engineering. Xiamen, China, 2009, 2: 375-379.

[74]吳海珍, 何偉, 蔣加伏, 等. 基于仿生模式識(shí)別的醫(yī)學(xué)圖像分割方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2009, 45(16): 185-187, 192.

WU Haizhen, HE Wei, JIANG Jiafu, et al. Medical image segmentation based on biomimetic pattern recognition[J]. Computer engineering and applications, 2009, 45(16): 185-187, 192.

[75]何中市, 王健, 陳永鋒, 等. 基于仿生模式識(shí)別的孤立性肺結(jié)節(jié)檢測(cè)[J]. 廣西師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2008, 26(2): 106-109.

HE Zhongshi, WANG Jian, CHEN Yongfeng, et al. Solitary pulmonary nodules detection based on bionic pattern recognition[J]. Journal of Guangxi normal University: natural science edition, 2008, 26(2): 106-109.

[76]GE Yanbin, WU Yan. Towards adaptive classification of motor imagery EEG using biomimetic pattern recognition[M]//HUANG Deshuang, GAN Yong, GUPTA P, GROMIHA M M. Advanced Intelligent Computing Theories and Applications. With Aspects of Artificial Intelligence. Berlin Heidelberg: Springer, 2011: 455-460.

[77]武妍, 徐凱. 基于增量半監(jiān)督仿生模式識(shí)別的運(yùn)動(dòng)想象腦電識(shí)別[J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2011, 30(6): 878-884.

WU Yan, XU Kai. Motor Imagery EEG recognition based on incremental semi-supervised biomimetic pattern recognition[J]. Chinese journal of biomedical engineering, 2011, 30(6): 878-884.

[78]YANG Xiaoli, YANG Siya, HE Qiong, et al. Biomimetic pattern recognition method for breast cancer using gene expression data[J]. Advanced materials research, 2012, 560-561: 401-409.

[79]安冬, 王守覺(jué). 基于仿生模式識(shí)別的DOA估計(jì)方法[J]. 電子與信息學(xué)報(bào), 2004, 26(9): 1468-1473.

AN Dong, WANG Shoujue. A DOA estimation method based on biomimetic pattern recognition[J]. Journal of electronics & information technology, 2004, 26(9): 1468-1473.

[80]安冬, 王守覺(jué). 基于仿生模式識(shí)別和PCA/ICA的DOA估計(jì)方法[J]. 電子學(xué)報(bào), 2004, 32(9): 1448-1451.

AN Dong, WANG Shoujue. A DOA estimation method based on biomimetic pattern recognition and PCA/ICA[J]. Acta electronica sinica, 2004, 32(9): 1448-1451.

[81]蔣加伏, 鄒紅梅. 基于Contourlet變換和仿生模式識(shí)別的紋理圖像識(shí)別方法[J]. 計(jì)算機(jī)工程與科學(xué), 2010, 32(1): 60-63.

JIANG Jiafu, ZOU Hongmei. A texture image recognition method based on the Contourlet transform and biomimetic pattern recognition[J]. Computer engineering and science, 2010, 32(1): 60-63.

[82]耿春云, 郭顯久. 基于仿生模式識(shí)別算法的海洋微藻識(shí)別研究[J]. 大連海洋大學(xué)學(xué)報(bào), 2014, 29(5): 525-529.

GENG Chunyun, GUO Xianjiu. Recognition of marine microalgae based on bionic pattern recognition[J]. Journal of Dalian Ocean University, 2014, 29(5): 525-529.

[83]SHI Haitao, YU Yunhua, KONG Qianqian. Status recognition for electrical parameters of ESPCP based on biomimetic pattern recognition[C]//Proceedings of the 2nd International Workshop on Intelligent Systems and Applications. Wuhan, China, 2010: 1-3.

[84]WANG Xiaozhe, WANG Jinping. Research of fault diagnosis based on matching pursuit and biomimetic pattern recognition[C]//Proceedings of the 10th World Congress on Intelligent Control and Automation. Beijing, China, 2012: 4848-4852.

[85]周全強(qiáng), 張付志, 劉文遠(yuǎn). 基于仿生模式識(shí)別的未知推薦攻擊檢測(cè)[J]. 軟件學(xué)報(bào), 2014, 25(11): 2652-2665.

ZHOU Quanqiang, ZHANG Fuzhi, LIU Wenyuan. Detecting unknown recommendation attacks based on bionic pattern recognition[J]. Journal of software, 2014, 2014, 25(11): 2652-2665.

[86]周全強(qiáng), 張付志. 基于仿生模式識(shí)別的用戶(hù)概貌攻擊集成檢測(cè)方法[J]. 計(jì)算機(jī)研究與發(fā)展, 2014, 51(4): 789-801.

ZHOU Quanqiang, ZHANG Fuzhi. Ensemble approach for detecting user profile attacks based on bionic pattern recognition[J]. Journal of computer research and development, 2014, 51(4): 789-801.

[87]閭海榮, 韓慧, 王文淵. 基于仿生模式識(shí)別思想的時(shí)間序列匹配[J]. 電子學(xué)報(bào), 2007, 35(7): 1323-1326.

LV Hairong, HAN Hui, WANG Wenyuan. Time series matching based on bionic pattern recognition[J]. Acta electronica sinica, 2007, 35(7): 1323-1326.

Progress in research and application of biomimetic pattern recognition technology

CHEN Yang1, QIN Hong2, LI Weijun2, ZHOU Xinqi3, DONG Xiaoli2, ZHANG Liping2, LI Haoguang2

(1. China Center of Information Industry Development, Ministry of Industry and Information Technology of the People’s Republic of China, Beijing 100846, China; 2. Institute of Semiconductors, Chinese Academy of Sciences, Beijing 100083, China; 3. Focused Photonics (Hangzhou), Inc., Hangzhou 310052, China)

Abstract：An essential difference between traditional pattern recognition and biomimetic pattern recognition (BPR) is reviewed. Different from the idea of “matter classification” of traditional pattern recognition, BPR considers the problem of pattern recognition as the “cognition” of every type of sample, uses the principle of “homology continuity” as a priori knowledge, and performs class recognition by a union of geometrical cover sets in high-dimensional space and feature space, thus overcoming the shortcomings of traditional pattern recognition. The effectiveness of BPR has gradually drawn extensive attention from scholars. In this study, research on BPR and its applications are summarized. The research method includes the topological analysis of the distribution of sample points, covering algorithm research, and a sample’s attribute in the overlapping space. Applications of BPR involve object recognition, biometric identification, text recognition, NIR spectroscopy qualitative analysis, and so on. Results show that BPR is an innovative and effective means of pattern recognition. Finally, important development directions of BPR are reported, such as manifold analytical methods of sample distribution in the same class, topological theory, and algorithm research in a high-dimensional space.

Keywords：pattern recognition; biomimetic pattern recognition; homology continuity; topological analysis; covering algorithm; object recognition; biometric feature identification; text recognition

DOI:10.11992/tis.201506011

收稿日期：2015-06-08. 網(wǎng)絡(luò)出版日期：2016-02-18.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61572458);國(guó)家重大科學(xué)儀器設(shè)備開(kāi)發(fā)專(zhuān)項(xiàng)項(xiàng)目(2014YQ470377)；國(guó)家公派訪(fǎng)問(wèn)學(xué)者資助項(xiàng)目(留金發(fā)[2014]3012號(hào)).

通信作者：陳陽(yáng).E-mail:xz.zhou@scu.edu.cn.

中圖分類(lèi)號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-4785(2016)01-0001-14

作者簡(jiǎn)介：

陳陽(yáng)，女，1984年生，博士后，主要研究方向?yàn)槟Ｊ阶R(shí)別、云計(jì)算、大數(shù)據(jù)等。

覃鴻，女，1977年生，高級(jí)工程師，博士，主要研究方向?yàn)閳D像處理、仿生模式識(shí)別理論與方法、近紅外光譜定性分析技術(shù)、高維信息計(jì)算等。

李衛(wèi)軍，男，1975年生，研究員，博士，主要研究方向?yàn)闄C(jī)器視覺(jué)、模式識(shí)別與智能系統(tǒng)、高維計(jì)算等。主持完成多項(xiàng)國(guó)家“863”計(jì)劃、國(guó)家自然科學(xué)基金、國(guó)際合作交流等科研項(xiàng)目。發(fā)表學(xué)術(shù)論文30余篇。

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20160218.1452.002.html