模式識(shí)別現(xiàn)狀的簡(jiǎn)要分析

摘要：模式識(shí)別（Pattern?recognition）是上世紀(jì)七八十年代的流行術(shù)語(yǔ)。它是對(duì)原始數(shù)據(jù)信號(hào)（圖像、語(yǔ)音、文字、視頻等）進(jìn)行分析、解釋，從而得到其類別屬性，甚至對(duì)其特征進(jìn)行選擇，繼而進(jìn)行判斷分類的過(guò)程。模式識(shí)別相關(guān)的方法有很多，它們之間有很多的不同，當(dāng)然也和傳統(tǒng)的模式識(shí)別方法也有很大出入。

關(guān)鍵詞：模式識(shí)別;類別屬性;特征選擇

一、國(guó)內(nèi)外研究發(fā)展現(xiàn)狀類比

傳統(tǒng)的模式識(shí)別特征選擇策略主要應(yīng)用于單標(biāo)記學(xué)習(xí)，單標(biāo)記特征選擇算法有很多，比如說(shuō)傳統(tǒng)的主成分分析法（principal component analysis ，PCA），以及它的演變算法——快速PCA算法[2，3]。主成分分析（PCA）是一種統(tǒng)計(jì)程序， 是作為一個(gè)在探索性數(shù)據(jù)分析上的工具而且可以用來(lái)預(yù)測(cè)模型。它使用一個(gè)正交變換將一組觀測(cè)可能相關(guān)的變量轉(zhuǎn)化為一組線性不相關(guān)的變量。PCA方法是一種基于圖像轉(zhuǎn)化的分析處理方法，其本質(zhì)則是將一些圖像矩陣所轉(zhuǎn)換成的圖像向量作為原始的特征，不過(guò)這樣會(huì)導(dǎo)致特征維數(shù)較高，使得特征提取過(guò)程變得復(fù)雜;除此之外，在同類內(nèi)部之間，高維的特征向量也會(huì)導(dǎo)致散布矩陣奇異性的一些問(wèn)題。另外，目前比較推崇的逐步判別分析方法（Stepwise Discriminant Analysis，SDA）。判別分析：在研究過(guò)程中，研究對(duì)象已經(jīng)按某種方法劃分成了若干個(gè)類型，當(dāng)?shù)玫揭唤M新的樣本數(shù)據(jù)時(shí)，確定這些樣本屬于哪一種類型，這類問(wèn)題就屬于判別分析，逐步判別分析就是逐步地選擇滿意的變量（特征）來(lái)進(jìn)行判別分析，分析出輸入數(shù)據(jù)樣本類別的一個(gè)過(guò)程。

近年來(lái)，多標(biāo)記學(xué)習(xí)也已經(jīng)獲得來(lái)自國(guó)內(nèi)外廣泛的關(guān)注，并且已經(jīng)應(yīng)用于大量的研究領(lǐng)域內(nèi)。比如說(shuō)，在語(yǔ)義場(chǎng)景分類中，一幅圖片可能被注釋為河流和山脈，也許另一幅圖片卻被注釋為沙灘和城市。在音樂(lè)情感分類中，一首音樂(lè)可能包含不同的情感，比如說(shuō)喜、怒、哀、樂(lè)。在文本分類中，一個(gè)文件可能具有幾個(gè)不同的主題，例如健康與政府。在生物信息學(xué)領(lǐng)域，每一個(gè)基因可能具有一套功能類標(biāo)，比如說(shuō)新陳代謝、轉(zhuǎn)錄以及蛋白質(zhì)合成等。以上所有的這些案例，每個(gè)樣本都具一套類標(biāo)，均屬于多標(biāo)記學(xué)習(xí)數(shù)據(jù)樣本。多標(biāo)記學(xué)習(xí)的任務(wù)就是為了構(gòu)造出一個(gè)多標(biāo)記分類模型，從而為每一個(gè)未知的樣本（對(duì)象）獲得一個(gè)預(yù)測(cè)的類標(biāo)子集。

二、與傳統(tǒng)的模式識(shí)別類比

多標(biāo)記特征選擇（Multi-label feature selection）相對(duì)來(lái)說(shuō)是一個(gè)比較全新的研究領(lǐng)域。隨著多標(biāo)記問(wèn)題的提出，多標(biāo)記學(xué)習(xí)問(wèn)題也受到越來(lái)越多的關(guān)注。根據(jù)調(diào)查發(fā)現(xiàn)，在過(guò)去的幾年里，大量的多標(biāo)記學(xué)習(xí)方法被提出。這些多標(biāo)記學(xué)習(xí)方法可大致分為兩個(gè)主要的類別：（1）、問(wèn)題轉(zhuǎn)化法（problem transformation）;（2）、算法自適應(yīng)方法（algorithm adaptation）。在問(wèn)題轉(zhuǎn)化方法中，轉(zhuǎn)換的核心就是改造原始的樣本數(shù)據(jù)以便適應(yīng)于現(xiàn)有的學(xué)習(xí)算法。轉(zhuǎn)化的任務(wù)就是將原始的多標(biāo)記學(xué)習(xí)問(wèn)題轉(zhuǎn)化為一個(gè)或若干個(gè)相應(yīng)的單標(biāo)記學(xué)習(xí)問(wèn)題，然后再通過(guò)傳統(tǒng)的單標(biāo)記學(xué)習(xí)方法來(lái)逐一解決這些問(wèn)題。幾種著名的問(wèn)題轉(zhuǎn)換方法，包括二元關(guān)聯(lián)法binary relevance （BR）、類標(biāo)能量子集法label power set （LP）以及它的變體，修剪的問(wèn)題轉(zhuǎn)換法pruned problem transformation （PPT）。BR方法則是將多類問(wèn)題轉(zhuǎn)換為L(zhǎng)個(gè)二類分類問(wèn)題，再訓(xùn)練出L個(gè)二類分類器。那么對(duì)于第m個(gè)類別來(lái)說(shuō)，所有屬于第m個(gè)類的樣本均為正樣本（positive instance），其他的樣本則為負(fù)樣本（negative instance）。但是這類方法有著一個(gè)缺點(diǎn)，那就是其忽略了類別之間的關(guān)聯(lián)性。LP方法雖然考慮了類別之間關(guān)聯(lián)性，但是它將具有多個(gè)類標(biāo)的樣本作為一組新的類別，這必將會(huì)引起一些新的問(wèn)題：1）隨著新類別的增加，時(shí)間消耗越來(lái)越大;2）由于只有少量的樣本被歸屬于新的類標(biāo)，使其易于趨向過(guò)擬合;3）由于新的類標(biāo)只具有少量的樣本數(shù)目，則可能會(huì)導(dǎo)致類標(biāo)不平衡的問(wèn)題。PPT方法，其是LP方法的一個(gè)變體，這種方法拋棄了那些只具有少量樣本數(shù)目的新類標(biāo)，相對(duì)于LP方法而言，這種方法就減輕了LP方法的缺陷，但是卻引發(fā)了一個(gè)新的問(wèn)題，即當(dāng)拋棄那些只有少量樣本的新類標(biāo)的時(shí)候，則會(huì)導(dǎo)致信息損失。圖2則直觀地展示了BR和LP方法的轉(zhuǎn)換過(guò)程。

對(duì)于算法自適應(yīng)方法，其主要思想：通過(guò)修正一些約束條件，以便擴(kuò)展某種單標(biāo)記學(xué)算法從而直接處理多標(biāo)記問(wèn)題，在這期間并不涉及任何的轉(zhuǎn)換過(guò)程?；谶@類方法的思想，類標(biāo)排名支持向量機(jī)方法（Label rank support vector machine，LaRankSVM）， 基于k近鄰的多標(biāo)記學(xué)習(xí)算法（Multi-label based on k-Nearst Neighbor algorithm，ML-kNN）， 以及多類標(biāo)樸素貝葉斯特征選擇方法（Multi-label Naive Bayes feature selection method，MLNB）依次被提出。

盡管以上的這些方法的性能都很好，但是他們都是在不同的類標(biāo)中基于同樣的特征空間下來(lái)實(shí)現(xiàn)學(xué)習(xí)的目的。然而實(shí)際上，在多標(biāo)記學(xué)習(xí)算法中，不同的類標(biāo)可能擁有他們自己獨(dú)特的特征。例如：當(dāng)判斷一個(gè)學(xué)生是計(jì)算機(jī)系的學(xué)生還是藝術(shù)系的學(xué)生時(shí)，可以通過(guò)像代碼和藝術(shù)作品這類的特性就可以大致區(qū)別該學(xué)生的身份來(lái);像這類特征就可以看作是對(duì)應(yīng)類標(biāo)下的特異性特征（label-specific features）。然而，隨著特異性特征的構(gòu)建，特征維度將會(huì)急劇地增加，從而導(dǎo)致在所構(gòu)建的特征空間中有大量的冗余信息存在的現(xiàn)象，尤其是在多樣本分類數(shù)據(jù)集或者是在高維特征空間中，這種現(xiàn)象極為明顯。因此，為了適應(yīng)時(shí)代的發(fā)展，為了有效地避免維度災(zāi)難問(wèn)題，還需要研究人員進(jìn)行大量的實(shí)驗(yàn)探究，這種情況就刻不容緩了。

參考文獻(xiàn)

[1]楊淑瑩， 張樺. 模式識(shí)別與智能計(jì)算：MATLAB技術(shù)實(shí)現(xiàn)[M]. City： 電子工業(yè)出版社， 2015.

[2]余映， 王斌， 張立明. 一種面向數(shù)據(jù)學(xué)習(xí)的快速PCA算法[J]. 模式識(shí)別與人工智能， 2009， 22（4）： 000567-000573.

[3]Boutell M R， Luo J， Shen X， et al. Learning multi-label scene classification ☆[J]. Pattern Recognition， 2004， 37（9）： 1757-1771.

作者簡(jiǎn)介：李星星，1991.4，男，江西九江，廣州工商學(xué)院，無(wú)，模式識(shí)別與圖像處理