??xml version="1.0" encoding="utf-8" standalone="yes"?>欧美亚洲一区二区在线观看,亚洲国产另类久久久精品极度,亚洲综合网站http://www.aygfsteel.com/ThinkingTalking/category/24011.htmlDo what I can do!zh-cnThu, 18 Oct 2007 09:26:45 GMTThu, 18 Oct 2007 09:26:45 GMT60遗传法http://www.aygfsteel.com/ThinkingTalking/archive/2007/10/15/153119.htmlThinkingTalkingThinkingTalkingMon, 15 Oct 2007 14:46:00 GMThttp://www.aygfsteel.com/ThinkingTalking/archive/2007/10/15/153119.htmlhttp://www.aygfsteel.com/ThinkingTalking/comments/153119.htmlhttp://www.aygfsteel.com/ThinkingTalking/archive/2007/10/15/153119.html#Feedback0http://www.aygfsteel.com/ThinkingTalking/comments/commentRss/153119.htmlhttp://www.aygfsteel.com/ThinkingTalking/services/trackbacks/153119.htmlhttp://blog.csdn.net/leeshaoqun/archive/2006/07/16/928699.aspx

ThinkingTalking 2007-10-15 22:46 发表评论
]]>
?sh)脑围棋中的人工技?/title><link>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129547.html</link><dc:creator>ThinkingTalking</dc:creator><author>ThinkingTalking</author><pubDate>Wed, 11 Jul 2007 03:06:00 GMT</pubDate><guid>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129547.html</guid><wfw:comment>http://www.aygfsteel.com/ThinkingTalking/comments/129547.html</wfw:comment><comments>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129547.html#Feedback</comments><slash:comments>0</slash:comments><wfw:commentRss>http://www.aygfsteel.com/ThinkingTalking/comments/commentRss/129547.html</wfw:commentRss><trackback:ping>http://www.aygfsteel.com/ThinkingTalking/services/trackbacks/129547.html</trackback:ping><description><![CDATA[摘要 <br><br><br>本文通过研究几个最的电(sh)脑围程序,从认知科学的角度介绍了电(sh)脑围,q特别针对电(sh)脑围编Eh员(或有意投w于此的E序员)揭示围棋作ؓ(f)一个认知科学研I域的日益增长的重要性。对手谈QGo4++QMany Faces of GoQGo Intellect 和Explorer几个目前最优秀的电(sh)脑围程序,我们概括了它们用到的人工技术,必须面对的关键性挑战和博弈?wi)搜索中牉|的问题,以此揭示Z么计机国际象棋技术不能被很好的移植到围棋领域?<br><br><br>1Q?nbsp;挑战围棋的程?<br>作ؓ(f)正规游戏之一的围领域,q去即便是应付一般的人类手计算Z难以有所作ؓ(f)。几个一q一度的?sh)脑围棋赛事Q如FOST杯赛为第一名提?Q?00Q?00日元奖金Q台湄应氏基金为第一个能在分先七番棋中击败顶职业棋手的围棋E序许诺40万美元的奖金?<br>最早以围棋为对象把?sh)脑围棋U_研究工作是在1962q_(d)管W一ơ由E序下一盘完整的是发生?968q_(d)ZobristQ?970Q。随着?sh)脑围棋赛事的D行和W一个商业程序的发放Q电(sh)脑围作Z个领域于80q代被正式创立,q在90q代变得兴旺h。目前活跃在?sh)脑围棋竞赛中的尖E序有ExplorerQGo IntellectQGo4++Q手谈和The Many Faces of GoQ它们的水^大致?-8U之间?<br><br>2Q?nbsp;围棋中的博弈?wi)搜?<br>二h完美信息博弈中典型的人工Ҏ(gu)是搜索博弈树(wi)以决定走哪一步。标准博弈树(wi)搜烦由四部分l成Q?Q状态表C,2Q候选走法生,3Q确定目标状态,以及4Q一个确定相对优势状态的静态评估函数。有效的博弈?wi)剪枝方法(比?#945;-βQ增ZE序的表现?<br>博弈?wi)这条途径很成功,如我们在国际象棋E序中所看到的,Z典型的完全广?#945;-β剪枝博弈?wi)搜索的E序甚至击|了世界冠军。这一节我们从透视?sh)脑围棋的角度检查博弈树(wi)搜烦的四个构件?<br><br>2.1 状态表C?<br>从完全信息的角度看,围棋盘面?9X19?ơ方|每个交叉点要么空要么被黑子或白子占据。状态空间的大小Q例如可能的位置敎ͼ??61ơ方Q或10?72ơ方Q,相比之下国际象棋大致?0?0ơ方而Othelloؓ(f)10?0ơ方QAllisQ?994Q。另外,博弈?wi)的大小Q例如可能的博弈敎ͼ?0?75ơ方?0?20ơ方之间Q对比国际象的10?23ơ方和Othello的10?5ơ方QAllisQ?994Q?<br>׃I间的组合尺寸,?9X19格的形式严格表示状态空间对人或机器来说都层ơ太低而不能有效用。接下来的层面的描述是把正交的邻接棋子组成串Q或链)。所有的E序把串搜集到更大的单元Q然而没有通用的处理方法——即便是对专业棋手来说——把串组合到更大的单元中。依靠他们的围棋理论Q程序员开发了他们自己的启发式Q当串有效的q接在一h用做评估之用Q叫做模p组或块Q?<br>另外Q恰当层ơ的表示能改变对q行时子d的依赖,例如Q战术分析,L分析Q或实地评估?<br><br>2.2 走子 <br>手在禁止自杀和同型反复(劫)的规则限制下轮流把棋子投攑֜I的交叉点(包括角和边)。象国际象棋一P围棋在给定位|的上下文中只有所有合法走法中的一部分是有效的。围的q_分枝因子是很大的Q大U是国际象棋的六倍(200?5QBurmeister & WilesQ?995Q?<br>注意q个分枝因子在全盘中的考虑。而在某些情Ş下只有局部的考虑是重要的。例如,直接目标搜烦被用来判断通常只有一两种可能走法却可以多?0手深度的征子?<br>实际的走子是个复杂的问题Q参?.4部分?<br><br>2.3 目标状?<br>围棋的最l目标是获得比对手更多的实地。有两种Ҏ(gu)用来争取实地Q徏子城墙围空以及用棋子包围ƈ吃掉敌方的棋丌Ӏ实际上很难定目标状态,因ؓ(f)实地的获得是靠慢慢积累v来的Q不象国际象那样将军的最l的目标是突然死亡ƈ且集中在一个子上)。由于在接近l局前很隄地计算实地Q故启发式估计用的较多。这L(fng)启发方式通常要归q组件和指示领地安全潜力的(例如Ll和影响Q次要目标(例如国际象棋里的材料优势Q?<br>当对局双方依次弃权时结束。棋手通常在没有走法能增加所得和/或无论怎么走都?x)减所得时选择弃权。实际上Q要定对局l束Q即何时弃权Q是相当困难的。h们下,计算l果时如果遇到有xzȝ争执要通过l箋下直到最l结果出现。在?sh)脑围棋比赛中,如果E序出现法不能解决的得分争执,计分ql织比赛的h员来做?<br><br>2.4 评估函数 <br>在判断盘面的形势优劣时棋块的L是个重要的考虑炏V死zd断是很费旉的,q且是典型的通过战术搜烦Q参?.5部分Q或L搜烦Q参?.6部分Q来获得的。有意思的是,另一评估块L的复杂之处在于它可能需要评估全盘的形势Q如果要一个棋块在劫争中是可活的(卛_必须赢得打劫来自己zM来)Q就必须估算所有和Ҏ(gu)相比用来军_块L的劫材的数量和大。如果出现双重或三重劫的形势Q打劫分析会(x)变得更复杂?<br>评估的结果有时不定Q因为明的L定义在受限的战术搜烦里也许是不可能的Q即一个绝对的L回答可能出了战术或L搜烦的范围?<br>从复杂的cd分析看,׃个绝对位|来定赢家是PI间NQLichtenstein & SipserQ?980Q,军_一个棋手能否左双赢需指数旉来完成(RobsonQ?983Q,由此也就不奇怪要用到启发式了。这些理论结果显CZ存在从一个绝对局势出发决定领地结果的多项式时间算法?<br><br>3Q?nbsp;参赛E序里的博弈?wi)搜索和人工技?<br>当前z跃在各?sh)脑围棋赛事里的E序有Martin MullerQ?995Q的ExplorerQEXQ,陈恳Q陈Q?989Q?990Q?992Q的Go IntellectQGIQ,Michael Reiss 的Go4++QGo4Q,陈志行的HandTalkQHTQ以及David Fotland 的Many Faces of GoQMFGQ。针对第2节讨论的博弈?wi)搜索和围棋专用的h工智能技术:(x)战术搜烦Q死zL索和势函敎ͼ我们报告q些E序的细节?<br><br>3.1 位置表示 <br>所有的E序都有子、串、块的表C,认串属于某个组的典型方式是采用Z模式的启发来定串与串之间的兌性。敌方(或块Q表CZ被用在EX和GI 中,启发式用来确定敌方的影响QGIQ和领地区域QEXQ?<br>盘面Q例如棋块、敌方)表示的对象属性包括它们的L状态(也指安全性或生命力)、实地数、眼数和ѝ某些情况下q些属性值由战术搜烦军_?<br>MFG的表C方式中一些组件由评估函数控制Q例如块、联接、眼、实地和势)。Go4的盘面只是简单的p估函敎ͼ例如块、眼、安全性、实圎ͼ来表C?<br><br>3.2 候选走?<br>通常Q由模式或更常见的是由基于规则的专家pȝ产生候选走法。走子生过E最后是通过Q线性的或加权求和的Q相加棋盘上所有点的参考gؓ(f)合适的走法l出一个分倹{全盘评C般选最高得分点作ؓ(f)下一手的落子炏V?<br>不同E序由全局水^变量估值得出的候选走法数也有所不同QGIQ陈Q?997Q有12手,MFG?0手,而Go4臛_?0手。程序变量保持的规则敎ͼ(x)EX大约100QMFG大约200。GI含有U?0个走子算法,它们或者基于模式库Q或者基于面向目标的搜烦Q或者基于启发式规则Q可能含有大量的规则Q?<br>模式通常既包含低U信息也包含高信息。低U信息与黑白子的位置有关Q那些点必须是空着的,已经被子占据的点不在此列。高U信息则是关于气的数量、安全性、眼位和领地的信息。模式匹配不仅与子的配置匚wQ而且跟包含在子或串里的Q何高U需求有兟뀂大量的模式匚w计算是很耗时的,q且׃盘上的对称性而变得更复杂。这已经D了发展特D算法来克服与模式匹配有关的问题Q比如MFG的哈希函敎ͼEX的串匚wQ?<br>知识以不同的方式l合到程序当中:(x)一些程序几乎完全依据第一原则工作Q另一些根据存储的模式匚w当前位置。不同的E序其模式数量相差很大:(x)Go4U有15个;MFG大约2000个;而EX则在3000个左叟뀂有些程序也包含开攄走法模式数据库(定式Q(例如QMFG含有U?5Q?00个定式模式)?<br><br>3.3 目标  <br>多数情况下,大量的实地比起少量的实地加相应的外势更合乎需要。尽有时也存在着实地和外劉K地{化(特别是在布局和中盘阶D)。然而,虽然实地的启发式评估是可能的Q实C然不L形势优劣最好的指示明灯。在对局的早期阶D,占有大量的实地可能表明一U过于集中的形势Q从实地安全的角度看Q这L(fng)形对对局的后面阶D|许是有害的。开局造就最大可能的势而不是实地通常D局末对更多实地的追求。外势是可能用来定形势优劣的子目标的一个例子?<br>用来定形势优劣的大量子目标的相对优先度在电(sh)脑围中看来没有一致性可a。典型的块和实地的死zȝ态(安全性)被包含在目标和子目标中。在手谈中,战术手段是重点,而MFG集中在联接性、眼和块的生命力。Go4则好像完全诏注于联接性上Q几乎Q何东襉K是从联接概率图上zQ直接或间接圎ͼ出来?<br><br>3.4 评估q程 <br>评估围棋的Ş势是个很慢的q程Q例如,比v国际象棋E序的每U?0,000-100,000ơ评伎ͼMFG是以低于每秒10ơ的速度完成Ҏ(gu)局不过10,000U全盘Ş势的评估Q。由于比赛时间的限制Q程序执行的全局评估数通常是有限的Q例如,MFG在选择下一步时全局的评估数不超q?00Q?<br>Go4?0U候选走法中每一个都通过一个六步的q程来评伎ͼ(x)1.启用一个联接概率图。对于盘面上的每一个黑子和白子Q计它?2个(实际的或假定的)友好点的联接概率Q要处理大量的数据)。确定联接性还要用到战术搜索;2.块p接图和战术搜索来定Q?.gQ利用模式)p接性和块数据定Q?.g的数量确定了块的安全性;5.每个子的安全性按联接概率囄比率辐射q在所有棋子上相加Q?.黑白领地pg计。黑白领地的差别作ؓ(f)一个给定走法的评估l果q回?<br>MFG的评估是个多步过E,q且在很大程度上依赖于战术搜索。战术搜索检查所有少于四口和一部分有四口气的串以确定是不是M。战术搜索也被用来鉴别联接性和g。在q一环节Q串l成了棋块。棋块的生命力由ZL的考虑Q例如,联接、眼位等Q决定,q且用来定黑白子在盘面每个点(?50?50的范围之_(d)行控制的总量l计。在d每个点的值的基础上确定领圎ͼl出最l的估计倹{多?轮的静态搜索可以被执行Q有时用一个特D的模式集找使Ş势稳定下来的局部走法?<br>GI的评估用在做全局搜烦时。如果所有候选走法中有一U走法的得分要明N于其它的走法Q它?yu)p选ؓ(f)要走的下一步。如果候选走法中有些走法的得分大致相{,靠评估带来方便的全局搜烦军_选择走哪一步。评估时Q敌子的安全性是为盘上每个点指定一个在-64?64之间的黑白控度的基础Q所有点的分值加hq回一个评估倹{全局搜烦查的步数不多??步,搜烦的深度不过6层?<br><br>3.5 战术搜烦 <br>战术搜烦是有选择的、面向目标的搜烦Qƈ且ؓ(f)一大堆目的而用,包括定串是Lz(Go4QMFGQEXQGIQ、联接是安全的还是可被切断的QGo4QMFGQ、是否可以Ş成眼位(MFGQ、生候选走法(GIQ和定块的死z(EXQ。就是在全局的水qI战术搜烦也要用来做棋步生和评估。战术评估和全盘评估有区别,q跟搜烦的目标(例如Q一个串的气的数量)有关。由于时间上的制U,战术搜烦通常在节Ҏ(gu)、枝因子和层的深度上受到限制。因此,管象死z这cȝ问题通常被认为是战术性的Q棋子却可以在战略上死MQ即使它们可能不能通过战术手段被抓莗由此,从围评估的Ҏ(gu)面面看,战术搜烦只是一U启发式装备而已?<br>MFG提供了一个战术搜索操作的很好的例证(通过“战术?#8221;Q:(x)每个有三口或更少的气的串和许多有四口气的串被“战术?#8221;查过。每个串查两ơ,一ơ白先走一ơ黑先走?#8220;战术?#8221;军_一个串是否被抓Q比如,即它先C不能z)、被威胁Q比如,如果它先走则z,后走则死Q,或者是牢固的?#8220;战术?#8221;依靠单的启发式(例如Q气数和联接性)?<br>“战术?#8221;有两个分ȝ走子器;一个执行攻击走法,一个执行防卫走法。走子器的走法按一些规则分c,q些规则包括二次气(气的气)、切点和单的眼Ş。一旦分c,Ҏ(gu)依赖走法分类的质量的搜烦的表玎ͼ一U?#945;-β深度优先搜烦被派上用场。走子和分类解释了多数时间依靠战术搜索的原因?<br>战术搜烦直接针对目标q被限制一个最大节Ҏ(gu)。抓子时q个限制是大U?00Q然而当只有一步可走时׃考虑q个限制。采用这U方式,可以毫不费力地确定征子的胜方。根据第一层走子生赋予走法的分|一ơ搜索的节点数分配到?wi)枝中,因此不同的?wi)枝可能在不同的深度结束。每一成功的层的枝因子?#8220;战术?#8221;逐步强化Q枝因子从第一?降到W五层的1??br>对局q程中,MFG作大U?00,000-150,000ơ战术搜索,以每U?,000-2,500个节点的速度遍历1.5-2百万个节炏V^均v来每ơ战术搜索访问约10-20个节点,管׃一些搜索因节点限制而终止,许多搜烦讉Kq节Ҏ(gu)要少?个?<br><br>3.6 L搜烦 <br>不是所有的E序都做明确的死zd析,很多E序Ҏ(gu)使用了战术搜索。MFG用与它的战术搜烦q程cM的方式作L分析Q除了它是在块上作死zd析而不是分析串?<br>一个静态死z评估器在多步过E中定每个块的L状态,而没有以从简单的l构中进一步生复杂结构的方式向前搜烦。静态死z评估器使用“战术?#8221;q且为棋块中的每个合适的串至调用两ơ?<br>L搜烦是直接面向目标的Q例如,拯救或杀M个棋块)。如果在一个特定点没有获得搜烦目标Q合适走法由L搜烦引擎自n的走法器产生Qƈl箋搜烦。ؓ(f)了在一ơ死zL索期间确定目标是否已l达刎ͼ静态死z评估器在每个点被调用。死zL索引擎用深度优?#945;?#946;搜烦Q每一个特定的枝的搜烦深度由启发式军_。搜索树(wi)的大是强制性的Q通常可以辑ֈ7层的深度?0个节点的大小。死zL索是很慢的,整棵?wi)要装到~存里以减少花在重复搜烦上的开销。死zL索的~慢也意味着它不?x)被用在全盘评估中?<br><br>3.7 势函?<br>势是一U围概念,它表明了每一Ҏ(gu)子对I点的最大可能的控制潜力。通过保开局时子力投放不q于集中Q棋手在后面的对局中将取得最大限度获得领地的Z(x)?<br>劉K过势函数徏立可计算模型QZobristQ?969QRyderQ?971QChenQ?989Q。通常Q子力以盘上每个点的辐射影响值的和(黑白子辐正负相反的|对周边的Ҏ(gu)加辐媄响(MFG的黑白子的势是分ȝQ。子力辐按距离函数递减QGI?的距L方分之一QMFG是距d之一。但q于依赖势函数的E序表现不佳QEX和Go4不再使用势函敎ͼ管Go4的辐函数很象一个势函数QEX采取另一些措施,象同色点或可联接点的距离Q?<br>应用势的启发包括定联接性和敌子QGIQ,以及定领地QMFGQ。MFG的块势初始g赖于块的强度{,强壮的块比弱块或死的块辐射更大的媄响。这也意味着d辐射负媄响等Q因为它Ҏ(gu)Ҏ(gu)利。在MFG和GI中势都没有通过子辐;MFG也没有通过敌链辐射影响?<br><br>4Q?nbsp;讨论 <br>当前的围程序都使用了一定量?#8220;知识”。由于徏立在设计者下成功经验的启发之上Q每个程序都可被看作一U(可能是含蓄的Q围理论的一ơ以l验Z据的实验。围理论成立的关键要靠数据l构的选择Q因为它们决定了~码不同cd知识的难易和应用q些知识的计开销。随着E序员同时在围棋和电(sh)脑围方面获得技能,E序?x)有发展Q例如,在过ȝ十五q中随着 Fotland 的棋力从15U发展到2D,MFG也增长了力q且代码长度增加到目前的4万行Q。程序的性能由它最q部g军_Q而向E序增加新知识的难易是提高程序性能的重要部分?<br>由此可见Q电(sh)脑围领域在关于怎样构筑一个围程序或者指配不同围知识的优先性(例如QGo4注重联接性而MFG注重LQ方面还没有一致性可a。必L到的一Ҏ(gu)Q关于hcL怎样下围的至今也没个一致的说法Q这是目前认知科学研I的一个课题(见Saito & YoshikawaQ?977Q作为回)。这个领域的Mq展都会(x)对围理论有个直接的促进Qƈ可能D?sh)脑围棋E序法的改q?<br>本文对目前比较成功的几个E序作了比较。通过q项工作Q我们在博弈?wi)搜索的框架内分析了围棋Qƈ通过对示例电(sh)脑围编E的观察把有关的问题暴露出来。这U困隑֜?sh)脑围棋领域是常识,但在更?f)q泛的h工智能范畴却很少被h们认识和接受。围全盘评估需要确定棋块的L状态,不管是通过L搜烦q是战术搜烦Q评估是非常消耗计资源的。缺乏快速有效的评估函数是电(sh)脑围遭遇的一个基本问题,q且和巨大的?wi)枝因素、用户和?sh)脑比赛的实旉求(一般来_(d)相对于国际象的每秒180步围每U只?4步){搅和在一赗因此,计算机国际象通常要用到的完全q度博弈?wi)搜索在电(sh)脑围棋里是行不通的?<br>除了所列出的围领域固有的问题外,本文q探讨当前的E序怎样地处理这些问题,由此为未来的围棋E序员提供一个蟩ѝ请注意?sh)脑围棋是个商业的领域,E序本nQ不是学术论文)是它的主要产品。跟其它的参考不同的是,q里报告的细节都已经通过个h交流征询了(h贡献自己的知识的Q程序作者本人的意见Qƈ且有相关的电(sh)脑围邮件列?lt;computer-go@anu.edu.au>和FTP站点<ftp://igs.nuri.net/Go/comp/>的信息ؓ(f)依据?<br>?sh)脑围棋的挑战性在于要扩展当前的围理论或发展新理论——特别是与评估有关的Q针对实旉制设计合适的数据l构和算法,解决知识瓉。目前还没有一个有力的E序使用学习(fn)技术,管有过几次q样的尝试(如,PellQ?991QSchraudolph, Dayan & SejnowskiQ?994QDonnelly, Corr & CrookesQ?994Q。回这些程序已l超Z本文的范_(d)但我们推这些程序也没有成功Q因为它们的设计者的含蓄的围理论缺乏对围棋复杂性的必要理解。怎样把学?fn)能力赋予现有的E序Q或者它们暗C的围棋理论Q是个等待解决的问题?<br> <img src ="http://www.aygfsteel.com/ThinkingTalking/aggbug/129547.html" width = "1" height = "1" /><br><br><div align=right><a style="text-decoration:none;" href="http://www.aygfsteel.com/ThinkingTalking/" target="_blank">ThinkingTalking</a> 2007-07-11 11:06 <a href="http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129547.html#Feedback" target="_blank" style="text-decoration:none;">发表评论</a></div>]]></description></item><item><title>IT业界基础名词解释Qh工智?/title><link>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129545.html</link><dc:creator>ThinkingTalking</dc:creator><author>ThinkingTalking</author><pubDate>Wed, 11 Jul 2007 03:03:00 GMT</pubDate><guid>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129545.html</guid><wfw:comment>http://www.aygfsteel.com/ThinkingTalking/comments/129545.html</wfw:comment><comments>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129545.html#Feedback</comments><slash:comments>0</slash:comments><wfw:commentRss>http://www.aygfsteel.com/ThinkingTalking/comments/commentRss/129545.html</wfw:commentRss><trackback:ping>http://www.aygfsteel.com/ThinkingTalking/services/trackbacks/129545.html</trackback:ping><description><![CDATA[AI(Artificial Intelligence) 人工 <p>  人工是计机U学的一个分支,它企图了解智能的实质Qƈ生ZU新的能以hcL能相似的方式作出反应的智能机器,该领域的研究包括机器人、语a识别、图像识别、自然语a处理和专家系l等?</p> <!--newszw_hzh_begin--> <img src ="http://www.aygfsteel.com/ThinkingTalking/aggbug/129545.html" width = "1" height = "1" /><br><br><div align=right><a style="text-decoration:none;" href="http://www.aygfsteel.com/ThinkingTalking/" target="_blank">ThinkingTalking</a> 2007-07-11 11:03 <a href="http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129545.html#Feedback" target="_blank" style="text-decoration:none;">发表评论</a></div>]]></description></item><item><title>模式识别的原理是什?/title><link>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129543.html</link><dc:creator>ThinkingTalking</dc:creator><author>ThinkingTalking</author><pubDate>Wed, 11 Jul 2007 02:52:00 GMT</pubDate><guid>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129543.html</guid><wfw:comment>http://www.aygfsteel.com/ThinkingTalking/comments/129543.html</wfw:comment><comments>http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129543.html#Feedback</comments><slash:comments>0</slash:comments><wfw:commentRss>http://www.aygfsteel.com/ThinkingTalking/comments/commentRss/129543.html</wfw:commentRss><trackback:ping>http://www.aygfsteel.com/ThinkingTalking/services/trackbacks/129543.html</trackback:ping><description><![CDATA[<p><font face=宋体 size=2><strong><font size=3>模式识别</font></strong>Q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。我们把环境与客体统UCؓ(f)“模式”。随着计算机技术的发展QhcL可能研究复杂的信息处理过E。信息处理过E的一个重要Ş式是生命体对环境及客体的识别。对人类来说Q特别重要的是对光学信息Q通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要斚w。市Z可见到的代表性品有OCR(Optical Character Recognition),语音识别pȝ?br><br>计算别的显著特点是速度快,准确性高Q效率高。完全可以取代h工录入?br><br>识别q程与hcȝ学习(fn)q程怼。以“汉字识别”ZQ首先将汉字图象q行处理Q抽取主要表辄征ƈ特征与汉字的代码存在计机中。就象老师教我们这个字叫什么如何写记在大脑中。这一q程叫做“训练”。识别过E就是将输入的汉字图象经处理后与计算Z的所有字q行比较Q找出最相近的字是识别l果。这一q程叫做“匚w”?br><br>OCRq有一个重要组成部分是对具体对象的“版面分析”或称“分割”。属于图象处理范畴。比如在一文章中每个独立的汉字切分出来Q名片识别中要将每个字段切出来。切分的隑ֺ不亚于识别?/font></p> <p><font face=宋体 size=2>以下l出OCR的常用概念与技术指标:(x)</font></p> <p><font face=宋体 size=2><strong><em>识别?/em></strong>Q正识别的字符占所有测试字W的比例。是大量字符试后的l计l果?br><em><strong>拒识?/strong></em>Q无法识?没有l出识别l果)的字W占所有测试字W的比例?br><em><strong>误识?/strong></em>Q将甲识别成乙等识别错误的字W占所有测试字W的比例?br><em><strong>识别速度</strong></em>Q基于某U速度计算机的识别一个字W的旉或一U钟能识别字W的个数?br><em><strong>扫描分L?/strong></em>Q指扫描仪光学源的物理分辨率。分辨率高获得的图象越清晰?/font></p> <p><font face=宋体 size=2>       那么人的模式识别是什么呢Q看来主要的q是要依靠原先的认知l构。在专家记忆中有5?0万个l快Q且都按照层ơ网l结构进行连接,而且易于提取。那么在认识或者学?fn)新东西的时候,很容易对“模式”q行识别了?/font></p> <img src ="http://www.aygfsteel.com/ThinkingTalking/aggbug/129543.html" width = "1" height = "1" /><br><br><div align=right><a style="text-decoration:none;" href="http://www.aygfsteel.com/ThinkingTalking/" target="_blank">ThinkingTalking</a> 2007-07-11 10:52 <a href="http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129543.html#Feedback" target="_blank" style="text-decoration:none;">发表评论</a></div>]]></description></item><item><title>什么是模式识别 http://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129542.htmlThinkingTalkingThinkingTalkingWed, 11 Jul 2007 02:45:00 GMThttp://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129542.htmlhttp://www.aygfsteel.com/ThinkingTalking/comments/129542.htmlhttp://www.aygfsteel.com/ThinkingTalking/archive/2007/07/11/129542.html#Feedback0http://www.aygfsteel.com/ThinkingTalking/comments/commentRss/129542.htmlhttp://www.aygfsteel.com/ThinkingTalking/services/trackbacks/129542.html

模式识别是一U从大量信息和数据出发,在专家经验和已有认识的基上,利用计算机和数学推理的方法对形状、模式、曲Uѝ数字、字W格式和囑Ş自动完成识别的过E。模式识别包括相互关联的两个阶段Q即学习(fn)阶段和实现阶D,前者是Ҏ(gu)本进行特征选择Q寻扑ֈcȝ规律Q后者是Ҏ(gu)分类规律Ҏ(gu)知样本集q行分类和识别。广义的模式识别属计机U学中智能模拟的研究范畴Q内定w常广泛,包括声音和语a识别、文字识别、指U识别、声U信号和地震信号分析、照片图片分析、化学模式识别等{。计机模式识别实现了部分脑力劳动自动化?/span>

模式识别Q-对表征事物或现象的各UŞ式的Q数值的Q文字的和逻辑关系的)信息q行处理和分析,以对事物或现象进行描q、L认、分cd解释的过E,是信息科学和人工的重要组成部分?/span>

模式q可分成抽象的和具体的两UŞ式。前者如意识、思想、议论等Q属于概念识别研I的范畴Q是人工的另一研究分支。我们所指的模式识别主要是对语音波Ş、地震L、心?sh)图、脑?sh)图、图片、文字、符受三位物体和景物以及各种可以用物理的、化学的、生物的传感器对对象q行量的具体模式进行分cd辨识?/span>

模式识别问题指的是对一pdq程或事件的分类与描qͼh某些相类似的性质的过E或事g分ZcR模式识别问题一般可以应用以?/font>4U方法进行分析处理?/span>

l计模式识别Ҏ(gu)Q统计模式识别方法是受数学中的决{理论的启发而生的一U识别方法,它一般假定被识别的对象或l过特征提取向量是符合一定分布规律的随机变量。其基本思想是将特征提取阶段得到的特征向量定义在一个特征空间中Q这个空间包含了所有的特征向量Q不同的特征向量Q或者说不同cd的对象都对应于空间中的一炏V在分类阶段Q则利用l计决策的原理对特征I间q行划分Q从而达到识别不同特征的对象的目的。统计模式识别中个应用的l计决策分类理论相对比较成熟Q研I的重点是特征提取?/span>

人工经|络模式识别Qh工神l网l的研究h于对生物经pȝ的研I。h工神l网l区别于其他识别Ҏ(gu)的最大特Ҏ(gu)它对待识别的对象不要求有太多的分析与了解Q具有一定的化处理的特点?/span>

句法l构模式识别Q句法结构模式识别着g对待识别对象的结构特征的描述?/span>

在上q?/font>4U算法中Q统计模式识别是最l典的分c识别方法,在图像模式识别中有着非常q泛的应用?/span>

 

模式识别研究方向
     
模式识别研究主要集中在两斚wQ即研究生物体(包括人)是如何感知对象的Q属于认知科学的范畴Q以及在l定的Q务下Q如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和经生理学家的研I内容,后者通过数学家、信息学专家和计机U学工作着q几十年来的努力Q已l取得了pȝ的研I成果?/span>

一个计机模式识别pȝ基本上事有三部分l成的,x据采集、数据处理和分类决策或模型匹配。Q何一U模式识别方法都首先要通过各种传感器把被研I对象的各种物理变量转换机可以接受的数值或W号Q串Q集合。习(fn)惯上Q称q种数值或W号Q串Q所l成的空间ؓ(f)模式I间。ؓ(f)了从q些数字或符PԌ中抽取出对识别有效的信息Q必d它进行处理,其中包括消除噪声Q排除不相干的信号以及与对象的性质和采用的识别Ҏ(gu)密切相关的特征的计算Q如表征物体的Ş状、周ѝ面U等{)以及必要的变换(如ؓ(f)得到信号功率谱所q行的快速傅里叶变换Q等。然后通过特征选择和提取或基元选择形成模式的特征空间。以后的模式分类或模型匹配就在特征空间的基础上进行。系l的输出或者是对象所属的cd或者是模型数据库中与对象最怼的模型编受针对不同应用目的,q三部分的内容可以有很大的差别,特别是在数据处理和识别这两部分,Z提高识别l果的可靠性往往需要加入知识库Q规则)以对可能产生的错误进行修正,或通过引入限制条g大大~小待识别模式在模型库中的搜索空_(d)以减匹配计量。在某些具体应用中,?a >机器视觉Q除了要l出被识别对象是什么物体外Q还要求物体所处的位置和姿态以引导机器人的工作?/span>

 

模式识别在实际中的应?/span>

模式识别已经在天气预报、卫星航I图片解释、工业品检、字W识别、语韌别、指U识别、医学图像分析等许多斚w得到了成功的应用。所有这些应用都是和问题的性质密切不可分的Q至今还没有发展成统一的、有效的可应用于所有的模式识别的理论。当前的一U普遍看法是不存在对所有的模式识别问题都用的单一模型和解册别问题的单一技术,我们现在拥有的是一个工兯Q我们所要做的是l合具体问题把统计的和句法(l构Q的识别Ҏ(gu)l合hQ把l计模式识别或句法模式识别与人工中的启发式搜索结合v来,把h工神l元|络与各U以有技术以及h工智能中的专家系l,不确定方法结合v来,深入掌握各种工具的效能和应用的可能性,互相取长补短Q开创模式识别应用的新局面?/span>



ThinkingTalking 2007-07-11 10:45 发表评论
]]>
վ֩ģ壺 | | | | | | ̨| | | կ| Ϳ| ƽ| ɽ| | ɽ| | | | ǧ| Ӣ| | | | ̫ԭ| ʡ| ϸ| ˾| üɽ| | | Դ| ʡ| Ӷ| Ѩ| | | | | | β| ʯ|