認(rèn)知模式識(shí)別理論及其在無(wú)字庫(kù)智能造字應(yīng)用研究.ppt

《認(rèn)知模式識(shí)別理論及其在無(wú)字庫(kù)智能造字應(yīng)用研究.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《認(rèn)知模式識(shí)別理論及其在無(wú)字庫(kù)智能造字應(yīng)用研究.ppt（26頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

博士學(xué)位論文開(kāi)題報(bào)告,認(rèn)知模式識(shí)別理論及其在無(wú)字庫(kù)智能造字應(yīng)用研究,研究生：劉明友指導(dǎo)教師：皮佑國(guó)教授,Outline,背景研究?jī)?nèi)容和創(chuàng)新點(diǎn)研究基礎(chǔ)進(jìn)度計(jì)劃,背景—模式識(shí)別,模式識(shí)別尚存在兩個(gè)主要問(wèn)題需要解決：小樣本問(wèn)題迄今為止的模式識(shí)別主要是基于被識(shí)別事物的區(qū)分機(jī)理，而不是基于認(rèn)知機(jī)理，在“識(shí)”方面，即對(duì)事物認(rèn)識(shí)（學(xué)習(xí)）方面與人類(lèi)的認(rèn)知過(guò)程差異較大而且學(xué)習(xí)能力不足,背景—智能造字,字庫(kù)方式存在的弊端：難于形成規(guī)模適度和長(zhǎng)期穩(wěn)定的漢字信息化標(biāo)準(zhǔn)不符合漢字的造字規(guī)律，無(wú)法傳承漢字文化不符合漢字認(rèn)知規(guī)律，與漢字教學(xué)脫節(jié)不能滿足整個(gè)社會(huì)的應(yīng)用需求信息熵高，是效率最低語(yǔ)言文字信息系統(tǒng)之一,,研究?jī)?nèi)容和創(chuàng)新點(diǎn),提出了基于原型匹配的認(rèn)知模式識(shí)別理論提出了擬人的計(jì)算機(jī)無(wú)字庫(kù)智能造字完善了漢字原型及結(jié)構(gòu)提取理論和方法提出了漢字基元映射知識(shí)獲取方法提出了漢字知識(shí)組織與表示方法,原型匹配的認(rèn)知模式識(shí)別理論研究,恒常性與拓?fù)洳蛔冃阅Ｊ降慕M成原型與成分的關(guān)系,恒常性與拓?fù)洳蛔冃?視知覺(jué)恒常性表述為：在對(duì)象圖像信息足夠確定其模式的條件下，圖像的大小變化和形狀變化不影響人對(duì)對(duì)象的知覺(jué)。用幾何拓?fù)鋵W(xué)的相關(guān)理論，建立物體對(duì)象的數(shù)學(xué)模型，從大小和形狀恒常性兩個(gè)角度加以證明。,模式的組成,從成分識(shí)別理論出發(fā)，研究現(xiàn)實(shí)世界中物體的組成法則。比如，世界上的物質(zhì)種類(lèi)多得數(shù)不清，但組成物質(zhì)的化學(xué)元素卻只有一百多種。又如，可以通過(guò)紅、綠、藍(lán)三種顏色來(lái)構(gòu)成五彩繽紛的顏色。Biederman的成分識(shí)別理論揭示了客觀世界的構(gòu)成模式：客觀世界中的所有物體都是由一些成分構(gòu)成的，也就是說(shuō)，客觀世界中物體都可以分解成一定的組成成分，各個(gè)成分之間的組合關(guān)系我們稱(chēng)之為結(jié)構(gòu)。我們用集合理論來(lái)對(duì)物體的構(gòu)建進(jìn)行描述。,原型與成分的關(guān)系,原型是這一類(lèi)客體所有的個(gè)體的概括表征。物體是由一些成分按照其結(jié)構(gòu)所組成的，這里的成分是具體的、確定的。因此原型和組成物體的成分之間就存在一個(gè)由概括到確定，由抽象到具體的過(guò)程。我們用拓?fù)淇臻g相關(guān)理論，研究原型與具體的組成成分之間的拓?fù)溆成?。從拓?fù)鋵W(xué)的理論加以證明：原型匹配過(guò)程就是用原型集合中的一個(gè)或數(shù)個(gè)元素的拓?fù)渥儞Q對(duì)模式中的組成成分進(jìn)行覆蓋的過(guò)程。,,擬人的計(jì)算機(jī)無(wú)字庫(kù)智能造字研究,漢字是用象形和指事及其符號(hào)按照一定的規(guī)則造出來(lái)的，傳統(tǒng)的漢字造字理論包括：象形，指事，會(huì)意，形聲。從認(rèn)知心理學(xué)的知覺(jué)理論出發(fā)，研究人對(duì)漢字的認(rèn)知機(jī)理，包括漢字的認(rèn)讀和書(shū)寫(xiě)過(guò)程。無(wú)字庫(kù)智能造字的結(jié)構(gòu)框架：,,擬人的計(jì)算機(jī)無(wú)字庫(kù)智能造字研究,將計(jì)算機(jī)比作人腦，建立包括基元庫(kù)，漢字結(jié)構(gòu)以及基元在結(jié)構(gòu)中映射知識(shí)的知識(shí)庫(kù)來(lái)模擬人的長(zhǎng)時(shí)記憶；用推理機(jī)、解釋機(jī)制、智能造字單元來(lái)模擬人在漢字認(rèn)讀和書(shū)寫(xiě)過(guò)程中腦的控制功能。漢字識(shí)別對(duì)應(yīng)于認(rèn)讀過(guò)程，智能造字對(duì)應(yīng)于書(shū)寫(xiě)過(guò)程。這樣就將人的漢字認(rèn)讀和書(shū)寫(xiě)過(guò)程外延到計(jì)算機(jī)中了。,,漢字原型及結(jié)構(gòu)研究,原型論即原型匹配理論，原型論的突出特點(diǎn)是它認(rèn)為在記憶中儲(chǔ)存的不是與外部模式有一對(duì)一關(guān)系的模板，而是原型(prototype)。原型不是某一個(gè)特定模式的內(nèi)部復(fù)本，它被看作一類(lèi)客體的內(nèi)部表征，即一個(gè)類(lèi)別或范疇的所有個(gè)體的概括表征。構(gòu)成漢字的原型是漢字基元，漢字基元是智能造字中按照漢字結(jié)構(gòu)組成漢字的基本單元；漢字的組成成分是漢字基元的拓?fù)渥儞Q，變換保持漢字基元的拓?fù)洳蛔冃?；同一漢字基元在不同漢字中拓?fù)渥儞Q是同胚映射。漢字成分之間的拓?fù)潢P(guān)系構(gòu)成了漢字的結(jié)構(gòu)。,漢字原型及結(jié)構(gòu)研究,通過(guò)初始原型集合→漢字編碼→造字實(shí)驗(yàn)→原型使用頻率等統(tǒng)計(jì)→修改原型集合的流程，反復(fù)實(shí)驗(yàn)，最終獲得漢字的原型知識(shí)。研究漢字的拆分規(guī)律，分析和總結(jié)漢字原型的形成規(guī)律。從圖形符號(hào)的角度分析漢字原型之間組合規(guī)律，在傳統(tǒng)漢字結(jié)構(gòu)和實(shí)驗(yàn)室研究的基礎(chǔ)上，進(jìn)一步完善漢字結(jié)構(gòu)。旨在用現(xiàn)代科學(xué)實(shí)驗(yàn)的方法來(lái)解決文字文化問(wèn)題探討。,,漢字基元映射研究,基于區(qū)域的仿射變換系數(shù)自動(dòng)獲取基于特征提取的仿射變換系數(shù)自動(dòng)獲取,基于區(qū)域的仿射變換系數(shù)自動(dòng)獲取,該方法包括一個(gè)變換模型（參考圖像坐標(biāo)到對(duì)應(yīng)的目標(biāo)圖像空間坐標(biāo)），圖像相似性度量（衡量?jī)蓤D像空間內(nèi)對(duì)應(yīng)特征的相似性），和優(yōu)化算法（通過(guò)改變變換系數(shù)最優(yōu)化圖像相似性）。,基于區(qū)域的仿射變換系數(shù)自動(dòng)獲取,變換模型設(shè)W表示基元圖像，x表示該圖像中的一個(gè)點(diǎn)。定義基元圖像的一個(gè)幾何變換為：對(duì)于某一線性變換A，其位置系數(shù)t表示為：由上式知，線性變換系數(shù)可以看成是輸入，而計(jì)算得到的平移系數(shù)看成是輸出。,,,,,基于區(qū)域的仿射變換系數(shù)自動(dòng)獲取,圖像相似性度量歸一化相關(guān)系數(shù)（NCC）I表示子圖像，T表示模板圖像，R表示圖像相關(guān)系數(shù),基于區(qū)域的仿射變換系數(shù)自動(dòng)獲取,優(yōu)化算法利用粒子群算法來(lái)優(yōu)化仿射變換系數(shù)。粒子群算法因其簡(jiǎn)單性和有效性得到了廣泛的應(yīng)用，成為研究的熱點(diǎn)。粒子群算法用于仿射變換系數(shù)尋優(yōu)的過(guò)程為：隨機(jī)產(chǎn)生m組仿射變換系數(shù)中的線性變換系數(shù)組成初始群體，分別對(duì)基元圖像進(jìn)行變換（模板圖像），然后在漢字圖像（搜索圖）上尋找最佳匹配，由最佳匹配時(shí)的圖像相似性系數(shù)決定每個(gè)粒子的適應(yīng)度值，通過(guò)迭代尋優(yōu)，獲取最優(yōu)的線性變換系數(shù)和平移系數(shù)。,基于特征提取的仿射變換系數(shù)自動(dòng)獲取,仿射不變特征圖像在仿射變換下保持不變的性質(zhì)稱(chēng)為仿射不變特征。仿射不變特征可分為全局不變特征和局部不變特征。SIFT（尺度不變特征變換）算法是一種提取局部特征的算法，在尺度空間尋找極值點(diǎn)，提取位置，尺度，旋轉(zhuǎn)不變量，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。,基于特征提取的仿射變換系數(shù)自動(dòng)獲取,基本思路漢字基元到漢字組成成分的仿射變換，通過(guò)提取局部仿射不變特征—位置和尺度不變量，找到相對(duì)應(yīng)的匹配點(diǎn)對(duì)，由三對(duì)不共線點(diǎn)計(jì)算得到仿射變換系數(shù)。,基于特征提取的仿射變換系數(shù)自動(dòng)獲取,獲取流程興趣點(diǎn)或角點(diǎn)檢測(cè)：SIFT空間極值點(diǎn)檢測(cè)往往會(huì)丟失掉重要的關(guān)鍵點(diǎn)，比如角點(diǎn)和拐點(diǎn)，而角點(diǎn)和拐點(diǎn)是計(jì)算仿射變換系數(shù)最重要的參數(shù)。通過(guò)對(duì)各種興趣點(diǎn)和角點(diǎn)算法的比較，如Harris角點(diǎn)檢測(cè)，Susan角點(diǎn)檢測(cè)，采用強(qiáng)角點(diǎn)檢測(cè)漢字圖像的角點(diǎn)，具有穩(wěn)定性好，檢測(cè)到的角點(diǎn)準(zhǔn)確而全面等優(yōu)點(diǎn)。角點(diǎn)描述子生成：檢測(cè)到漢字角點(diǎn)以后，用改進(jìn)的SIFT描述子生成角點(diǎn)特征向量，去除SIFT描述子的旋轉(zhuǎn)不變性，提取位置和尺度不變量。確定匹配點(diǎn)對(duì)：角點(diǎn)特征向量生成后，采用角點(diǎn)特征向量的歐氏距離作為兩幅圖像中角點(diǎn)的相似性判定度量。取圖像一中的某個(gè)角點(diǎn)，并找出其與圖像二中歐氏距離最近的前兩個(gè)角點(diǎn)，這樣就找到了基元圖像中某個(gè)角點(diǎn)在漢字圖像中相匹配的兩個(gè)角點(diǎn)，從而不漏掉重要的相匹配的角點(diǎn)。隨機(jī)選取不共線的相匹配三對(duì)點(diǎn)可以計(jì)算確定一組仿射變換系數(shù)，通過(guò)使用前面介紹的歸一化相關(guān)系數(shù)作為相似性度量，由此可以確定一組最佳的仿射變換系數(shù)。,漢字知識(shí)組織與表示,語(yǔ)義網(wǎng)絡(luò)是通過(guò)概念及其語(yǔ)義關(guān)系來(lái)表達(dá)知識(shí)的一種有向網(wǎng)絡(luò)圖。漢字集先按漢字一級(jí)結(jié)構(gòu)聚類(lèi)，構(gòu)成語(yǔ)義網(wǎng)絡(luò)的第一層次。,漢字知識(shí)組織與表示,在一級(jí)結(jié)構(gòu)的基礎(chǔ)上，漢字的結(jié)構(gòu)或基元再按照自上而下的語(yǔ)義關(guān)系匯集，構(gòu)成一個(gè)多層次的語(yǔ)義網(wǎng)絡(luò)。,圖3左三包圍結(jié)構(gòu)漢字語(yǔ)義網(wǎng)絡(luò),,研究基礎(chǔ),分別對(duì)GB2312-80和GB18030-2000漢字字符集進(jìn)行了編碼和造字，提取和歸納了漢字基元和漢字結(jié)構(gòu)。搭建了無(wú)字庫(kù)智能造字實(shí)驗(yàn)平臺(tái)。發(fā)表相關(guān)論文和專(zhuān)著六篇。,,進(jìn)度計(jì)劃,,,謝謝！請(qǐng)各位老師和同學(xué)提出寶貴修改和完善意見(jiàn)和建議！,