一种大容量的模式识别方法 【技术领域】
本发明涉及大容量模式或图像高效识别方法，属图像处理技术领域。
背景技术
模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别迅速发展成为一门学科，它所研究的理论和方法在很多科学和技术领域中得到了广泛应用，其领域涉及到人工智能，计算机工程，机器人学习，神经生物学，医学，侦探学，宇航科学等。但是，在这些传统模式中，存储容量是非常有限的，而在现实生活中识别都是大容量的图像或模式，因此许多复杂的现实问题根本无法解决。这就促使研究人员一直在探索新的方法。近年来，模式识别与其他学科，比如模糊集理论、神经网络、量子计算等结合产生了一些新型的模式识别方法，并且迅速成为模式识别的研究热点。
【发明内容】
本发明的目的是，设计一种模式或图像矩阵元素以概率分布存储的大容量高效模式识别方法，从而解决传统模式识别速度和效率不高，不适合识别大量图像或模式的缺点。
本发明的设计思想为：
本发明借鉴量子计算的核心思想，设计一种图像矩阵元素概率存储方法，该方法的存储容量以及识别效率较传统方法有了指数级的提高。该方法有两个突出的特点：(1)一个N元素的矩阵在该方法下可同时存储2N个模式或图像，存储容量相对于传统的存储器有了指数级的提高。这是因为一个元素可以同时存储两个数据，所以一个N元矩阵可以存储2N个数据。(2)由于图像矩阵的叠加、纠缠等特性，使得计算能够实现并行运算，可大大加快计算速度。正是对图像存储施行了这种效率存储改造，真正实现了高效并行运算。
本发明的技术方案，是一种采用权值矩阵元素基于概率分布存储的模式识别方法。该方法根据图像状态或向量构成的矩阵，通过么正演化来确定权值，设计矩阵元素以概率分布存储的模式识别器，当输入一个外界待识别的模式时，经过测量就可以以一定的概率坍缩到它的一个存储模式或图像中，这样即实现了模式识别的功能。
所述方法将W的矩阵元素wi，j设计成一种随机变量或随机数值，根据wi，j的数值大小在一个坐标轴上分成若干等份，x1，x2，…xn，划分的原则是使得每个矩阵元素值(可能有相同的元素值)要属于不同的等分区间内，理论上说区间越小分类越精确。设矩阵元素wi，j取值xi的概率为ρi，j，那么取值Xi+1的概率为1-ρi，j。其中ρi，j＝(xi+1-wi，j)/(Xi+1-Xi)。
所述方法确定需要处理的wi，j的元素的个数，即为处理单元的个数N，和wi，j取值为xi(概率为ρi，j)或取值为xi+1(概率为1-ρi，j)的任意排列。因为每个wi，j只有两个不同的取值，所以就可以构成2N个不同的Wi，Wi即为存储在网络中的图像或模式。
所述方法计算输入模式被识别为Wi的概率pi，根据矩阵的性质，可由概率ρi，j来构成概率矩阵，其矩阵的范数除以矩阵的非对角元素的总数(N(N-1))乘以2N-1等于1。即1N(N-1)2N-1Σi=1NΣj=1N|ρi,j|=1]]>所以pi=Σi,j=1N|ρi,j|/N(N-1)2N-1.]]>
具体实现该方法的步骤如下：
(1)将所需识别的模式或图像向量正交化：为了满足么正性，要求提供的图像或模式向量需是正交向量，由于一般情况下它们不是正交的，所以必需变换成正交向量；
(2)计算模式或图像的权值矩阵W：根据提供的模式或图像来计算权值矩阵W；
(3)根据矩阵的特征选择需要处理的矩阵元素wi，j：我们对W中对角线上地数值并不关心，且W又是对称矩阵，根据需要选择要处理的矩阵元素；
(4)将W的矩阵元素wi，j设计成一种随机变量或随机数值：根据wi，j的数值大小在一个坐标轴上分成若干等份，将W的矩阵元素wi，j看成是一种随机变量或随机数值，即wi，j既有可能以某一概率取其区间左边值，又可能取区间右边值；
(5)权值矩阵叠加表示：将权值矩阵表示为：W=ΣipiWi;]]>
(6)计算输入图像被识别为Wi的概率pi：矩阵的范数除以矩阵的非对角元素的总数(N(N-1))乘以2N-1等于1，分别求出概率幅pi；
(7)模式识别：训练后输入的待识别图像就是经测量坍缩到不同的Wi，从而达到图像识别的目的。
本发明与已有技术比较的有益效果是，本发明采用存储矩阵W中元素的概率分布来构造存储模式的线性叠加，当输入一个模式时，经过比较将以较高概率落在矩阵W的一个线性分量上，从而达到识别模式的目的。传统存储的模式或图像数一般为P＝0.14N，N为处理单元的个数，P为存储的模式数。本发明中的方法采用矩阵元素概率分布存储，识别的模式或图像能达到处理单元的2N倍，存储容量或记忆容量有了指数级的提高。本发明的方法对促进模式识别、图像处理、人脑意识和高级智能机器人等的研究都将有重大科学意义。
本发明适用于大容量模式或图象的识别。
【附图说明】
图1是大容量模式高效识别方法的流程图；
图2是根据wi，j划分坐标轴示意图；
图3是仿真时输入模式或图像；
图4是仿真时输出模式或图像。
【具体实施方式】
本发明实施例为一种采用权值矩阵元素基于概率分布存储的模式识别方法。首先根据提供的模式或图像计算权值矩阵W，将计算得到的权值矩阵W中的元素设计成一种随机变量或随机数值，如图2，在此基础上构造存储模式的线性叠加。具体步骤如图1流程图所示。
根据线性叠加，权值可以写为：
W=ΣiPspiWi---(1)]]>
pi是W坍缩到Wi的概率(满足归一化条件Σipi=1]]>)；PS是存储的模式或图像总数，也是能够识别的模式或图像总数；当输入一个外界待识别的模式时，经过测量就可以以一定的概率坍缩到它的一个存储模式或图像中，这样即实现了图像识别的功能。
本发明设计了一仿真实验来检测所提出的大容量模式高效识别方法的性能。图3，图4分别是仿真输入和输出的结果。
该方法在分析了线性叠加特性的基础上，提出了一种存储矩阵元素基于概率分布的模式识别器，它在存储容量或记忆容量上提高到了处理单元个数的2N倍，比传统方法有了指数级的提高，其方法为：
1.)计算模式或图像的权值矩阵W：根据提供的模式或图像来计算权值矩阵W。为了满足么正性，要求提供的模式或图像向量需是正交向量，由于一般情况下它们不是正交的，所以必需变换成正交向量，其变换可以采用Gram-Schmidt正交化方法进行；
2.)将W的矩阵元素wi，j设计成一种随机变量或随机数值：将W的矩阵元素wi，j看成是一种随机变量或随机数值，根据wi，j的数值大小在一个坐标轴上分成若干等份，x1，x2，…xn划分的原则是使得每个矩阵元素值(可能有相同的元素值)要属于不同的等分区间内，理论上说区间越小分类越精确。设矩阵元素wi，j取值xi的概率为ρi，j，那么取值Xi+1的概率为1-ρi，j。其中ρi，j＝(xi+1-wi，j)/(Xi+1-Xi)；
3.)根据需要处理wi，j元素的个数，即处理单元个数N：根据需要处理的wi，j的元素的个数，即为处理单元的个数N，和wi，j取值为xi(概率为ρi，j)或取值为xi+1(概率为1-ρi，j)的任意排列，因为每个wi，j只有两个不同的取值，所以就可以构成2N个不同的Wi，Wi即为存储在网络中的模式或图像，输入的待识别图像就是经测量坍缩到不同的Wi，从而达到模式识别的目的。从这里可以看出有N个元素的矩阵可以识别2N个模式。识别容量，即存储容量比传统方法有了指数级的提高；
4.)计算输入图像被识别为Wi的概率pi：根据矩阵的性质，可由概率ρi，j来构成概率矩阵，其矩阵的范数除以矩阵的非对角元素的总数(N(N-1))乘以2N-1等于1.即
1N(N-1)2N-1Σi=1NΣj=1N|ρi,j|=1]]>
所以pi=Σi,j=1N|ρi,j|/N(N-1)2N-1.]]>
本发明的具体方法为：
第一步：计算模式或图像的权值矩阵W
设表示模式的向量集有N个向量V1，V2，......Vn。为了满足么正性，要求提供的模式或图像向量需是正交向量，由于一般情况下它们不是正交的，所以必需变换成正交向量，其变换可以采用Gram-Schmidt正交化方法进行权值矩阵可由(1)式得出：
W=1NΣi=1NViViT]]>
将矩阵W中的元素看成是随机变量，我们对W中对角线上的数值并不关心，而由于W又是对称矩阵，因此需要在坐标轴上来确定其位置的元素远远少于权值矩阵元素。
第二步：将W的矩阵元素wi，j设计成一种随机变量或随机数值
将W的矩阵元素wi，j看成是一种随机变量或随机数值，即根据wi，j的数值大小在一个坐标轴上分成若干等份x1，x2，…x后，wi，j既有可能以某一概率取其区间左边值，又可能取区间右边值。坐标轴划分的原则是使得每个矩阵元素值(可能有相同的元素值)要属于不同的等分区间内，理论上说区间越小分类越精确。设矩阵元素wi，j取值xi的概率为ρi，j，那么取值Xi+1的概率为1-ρi，j，其中ρi，j＝(xi+1-wi，j)/(Xi+1-Xi)。这样每个wi，j有两个不同的取值，根据需要确定要处理的wi，j个数后，就可以构成2N个不同的Wi，Wi即为模式或图像
第三步：计算输入图像被识别为Wi的概率pi
在第二步中根据需要确定了需要处理元素个数N，并构成了2N个不同的Wi，根据矩阵的性质，可由概率ρi，j来构成概率矩阵，其矩阵的范数除以矩阵的非对角元素的总数(N-(N-1))乘以2N-1等于1.即
1N(N-1)2N-1Σi=1NΣj=1N|ρi,j|=1]]>
所以
pi=Σi,j=1N|ρi,j|/N(N-1)2N-1]]>
等号两边的i不是相同的变量
那么由(2)式可得：
W=ΣipiWi=Σi(Σi,j=1N|ρi,j|/N(N-1)2N-1)Wi]]>
训练后输入的待识别模式就是经测量以概率pi坍缩到不同的Wi，从而达到模式识别的目的。