模式识别与人工智能

模式识别与人工智能（共14篇）

篇1：模式识别与人工智能

模式识别与智能系统简况

模式识别与智能系统是二十世纪八十年代发展起来的新型交叉学科，该学科包含自动控制、模式识别、人工智能、模糊逻辑、仿生学和计算机科学等多种学科。该学科以信息处理与模式识别的理论技术为核心，探索对各种信息进行处理、分类、理解，并在此基础上构造出具有某些智能特性的系统或装置的方法、途径与实现。该学科在经济建设和国防建设具有广泛的实际背景，二十多年来，已引起了国内外有关学者的极大重视，被称其为面向二十一世纪的控制科学。

本学科点开始于我校省级重点学科计算机应用学科，从该学科人工智能方向发展而来。最早的团队可以追溯到二十世纪八十年初，从承担航空基金立体仓库机器人开始。经过近三十年的发展，该学科逐步形成了稳定的研究方向，于2003年从计算机应用学科独立出来，成为独立的学科，2005年获得“模式识别与智能系统”硕士学位授予权。主要研究方向包括：神经网络与模式识别、图象处理与模式识别、智能机器人与人工智能和智能检测与智能控制等。当前正在筹建“自主武器技术平台研究中心”，这是目前我省唯一一所高等院校首次建立的平台研究中心，中心下设6个实验室分别为飞行器仿真与模拟技术实验室、智能机器人与目标探测技术实验室、综合健康管理技术实验室、任务设备检测技术实验室、武器应用环境仿真实验室和导弹实验室，其中，导弹实验室近2-3年内投资200万多万元，购置了3枚导弹等，实验室已初具规模。本学科主要关注与武器平台自主运行有关的技术，即主要关注：自主控制、环境感知、导航制导、保障与健康管理、电源、部分任务的关键技术研究和工程验证研究，逐步发展对平台总体设计、搭载任务武器等技术研究和工程验证。本学科具有一定师资力量基础，现拥有双聘院士1人，博士生导师5人（外校兼职，本学科点没有博士授予权），硕士生导师9人，教授12人，副教授16名，其中，具有博士学位的教师有20名。目前本学科点已培养硕士研究生10多名，学科梯队结构合理，整体实力强。

篇2：模式识别与人工智能

“模式识别与智能信息处理”是当今发展最快的热点领域，本领域以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统的性能。模式识别与智能处理是现代服务业信息支撑技术之一，是一个理论与实际紧密结合、具有广泛应用价值的重要领域。

一、计算机视觉与图像识别

以信息处理与模式识别的理论、方法和技术为核心，以数学方法和计算机为主要工具，探索对图像、图形（人脸、指纹、虹膜、静脉、步态、车牌等）的信息进行处理、分类、理解，并在此基础上构造具有智能特性的系统。

二、语音合成、识别和理解

研究非特定人大词汇量连续语音识别，语言模型与口语理解，说话人识别，口音识别，语音合成系统，对话系统，人机语音交互技术，音频信号处理、识别，以及语音应用系统开发。

三、计算机控制系统

以计算机为主要工具，以人脑仿真研究为基础，将人工智能技术、数据挖掘技术、嵌入式技术、人工神经网络理论等智能化方法用于信息系统、自动化系统和，以实现智能化信息处理和智能化控制。

篇3：模式识别与人工智能

关键词：模式识别,智能系统,树状模型

1 提出并建立树状模型

1.1 智能模型基态

首先, 通过与瀑布模型相仿的做法, 将个别数据结构通过一定方法合成一类模式能够识别的智能模型基态。其数据结构主要有以下几部分, 包括某一领域内的一类最基本模型单元, 也包括知识结构单元, 其所形成的知识数据库就好比广义树状模型的初等原型。基于模式识别或人工智能模型是由数据结构为主要构成, 且算法精炼简洁这些特性, 故以上任何一类系统有关的算法模式都可通过原型加以达成。通过个别最基本的模型单位生成的基础领域模型库或知识系统, 可以类似看作整个树状模型的基础化, 这对日后的工业型发展起着极为重要的铺垫作用。

1.2 与模块式程序设计相仿, 模型库或知识库一样能通过一定的手段模块化

可将其视为由众多模型单位或知识单位构成, 将领域模型单位以及知识单位合理有序得放进上述两类库内中。这一做法对整体模型的设计有着很大的帮助效果, 其功能与普通软件的实现思路和设计逻辑相似, 均通过将模型单元化的方式分析, 并极大程度提高了流水线生产的效率。

通过用诸如螺旋模型等形式, 向模型库或知识库中导入基本单位。螺旋每旋转一次之前, 都有必要通过细致的分析进行合适的计划开展, 并对宏观需求加以分析。然后开展领域模型以及领域知识的概念认知, 对各个领域的结构和内容按块进行区分和了解, 这之中各个结点单元便是所谓的各领域单元。方便简洁的结构使其能够很快的看出已经实现的部分结构单位和小部分仍在建设结构单位。针对仍未成功的小部分领域可以加以分析、设计和测试, 并设立部门各自分工, 各个部门最终通过流水线的形式井然有序地将基础结构单元放入库内, 长此以往, 最终得以完成该系统的各类软件版本的开发。

对于模式识别系统而言, 其基本单元便是领域的模型单位, 例如在进行语音识别时, 其本质就是一类波形;有关指纹识别主要由以下三个步骤组成:

(1) 加强与权威声音的合作与探讨, 并查阅相关书籍和文献, 以获得各个模型单位的准确参数。

(2) 将收集到的参数资料进行整理和汇总, 汇入并制成一张总表, 并对数据进行分析和处理。

(3) 将数据输入计算机进行相关的模拟, 观察是否能得到正确的识别成果。

就人工智能而言, 基本单元也可以按逻辑分为三大步骤, 类似于模式识别系统。此外, 当向库内装放基本单位时, 通过使用直接交互操作旧有的模式识别或人工智能系统的可视化生成方式, 能够较大的帮助系统在识别以及其他功能上得到更好的直观性体现。

2 树状结构的模型以及知识库的确立

模式识别以及人工智能系统, 将分类树丛的每个根点位 (孤立点位) 所对应的模型或知识单位逐个视作被识别对象, 通过新型模型单位以及知识单位对已识别的点位一一进行识别处理。树状模型的确立可分为以下两步:

(1) 若在部分根点位对应的模型或知识单位内, 具备认识出新模型单元知识单位的能力, 那么:

(1) 若l大于等于2时, 可将点位视为此类根点位的父点位。并产生一组更复杂的分类树, 然后将此类新模型单位放进模型单位组内, 学习完成。

(2) 若l等1时, 可以利用此根点位对应的模型或知识单位, 并将新模型单元加以分析和识别。若在各类单元的识别过程中, 具备认知这个根结点相应的模型或知识单位的能力, 就证实该点位和此类根点位相同, 不须学习, 学习终端;否则, 运用与 (1) 相似的手段进入新点位, 学习完成。

(2) 若无法将某一点位所对应的模型单位以及知识单位中, 认知出新模型单位或知识单位, 则有必要将新加入的模型单位或知识单位变为待建立的对象, 逐个通过每个根点位所对应的模型知识单位加以识别处理。

(1) 若不存在成功识别的点位, 那么新点位只能视作一类独立点位, 学习完成。

(2) 若存在两个及以上的根点位识别完成, 由于不存在任何点位可以同时从属于两类区分开的事物, 故学生发生错误终端。

(3) 若有任何一个根点位D识别完成, 那么新点位变为D的后代点位

所以, 有必将对D的所有子点位运用和每个点位相似的处理方式, 总结为有以下六大类情况。

(1) 新点位变为D的子点位, 新点位变成D最初某一类子点位的父点位, 与树状模型方法一中的第 (1) 步骤相似。

(2) 新点位和D的某一子点位相同, 与树状模型方法一中的第 (2) 步骤相似。

(3) 新点位变为D的子点位, 新点位变成某一子点位的父点位, 与树状模型方法一中的第 (2) 步骤相似。

(4) 新点位变为D的又一子点位, 与树状模型方法二中的第 (1) 步骤相似。

(5) 新点位学习失败, 与树状模型方法二中的第 (2) 步骤相似。

(6) 新点位变为D的某一子点位D的子代, 与树状模型方法二中的第 (3) 步骤相似, 逐个用递归形式加以分析。若新点位变为改子点位的子代, 则立即继承新点位, 建立过程到此为止。

3 模型建立的前提

为了保证整个系统的工业化运作, 系统对整体的模式认知能力以及系统提出了较高的普遍性指标。对模式认知而言, 模型单位的储存方法主要以分类储存为主, 并通过分类的手段进行识别和匹配。针对指纹识别, 将该识别方式运用到某张天然指纹图像的识别中去, 观察是否能在其中对某类模型结构加以识别。整个识别方式主要指纹图像为识别基础, 将模型库加以分析和整合, 并将上述结构单位用该模型单位以及天然指纹图像的各个位置加以匹配。

4 结语

文章提出和建立了树状结构模型, 模型单位以及知识单位都呈模块状, 维护简单且可靠度高, 生产运作模式也大都实现了流水化生产。此类生产形式适用于模型单位作为基础结构单位的模式认知和识别模型, 或以知识单元为基本组成单元的人工智能系统。这类模式识别和人工智能系统具有很大的普遍性。

参考文献

[1]张天序.模式识别与智能系统研究展望和对策[J].自动化学报, 2002 (12) .

[2]张佳.模式识别与智能系统专业实验室建设设想[J].中国电力教育;2013 (03) .

篇4：智能监控系统中的图像识别与分析

关键词：智能监控系统；图像分割技术；图像识别

中图分类号：TP391.41 文献标识码：A文章编号：1007-9599 (2011) 15-0000-01

The Image Recognition and Analysis of Intelligent Monitoring System

Yi Junxiao

(Beijing University of Technology,Beijing100022,China)

Abstract:At present,along with the computer communication technology and network technology fast development,the image processing technology in the field of science and technology is getting more and more important position.Image recognition belong to intelligent monitoring equipment the most important technology,this paper in this part of the intelligent monitoring system based on intelligent monitoring system image recognition.The key:technology of intelligent image monitoring system image recognition and classification for analysis.

Keywords:Intelligent monitoring system;Image segmentation;Image recognition

一、智能监控系统概述

智能监控系统采用先进的数字图像压缩编解码技术、数字图像传输技术等图像处理技术，以及模式识别、计算机视觉技术，通过将智能视频分析模块增加至监控系统中，借助计算机强大的数据处理能力自动识别不同物体，在分析抽取视频源中关键有用信息的同时，过滤视频画面无用的或干扰信息。整个系统组网灵活，可以突破地域的限制，并以最快和最佳的方式发出警报或触发其它动作，进行遥远范围大规模的实时图像监控和报警处理。

二、智能监控系统图像识别的关键技术

（一）图像分割技术。图像分割是由图像处理迈向图像分析的关键步骤，其实质是正确地划分属性区域，在分离日标和背景的基础上，为计算机视觉的后续处理提供依据。分割技术依据区域的一致性和几何邻近度，可以分为三种类型，即基于像素和其邻域局部特性进行分割的局部技术；以全局信息作为图像分割依据的全局技术；以及分裂、合并和区域增长技术。图像分割方法主要包括阈值法、边缘检测法以及区域跟踪法。阈值分割法较为常用，常用的算法有最小误差阈值法、最大类别方差法及最佳直方图熵法等。由于传统的图像分割算法有着对噪声敏感、计算量大等方面的缺陷。基于尤其是基于模糊技术的人工智能原理图像分割算法开始引起人们的关注。在图像分割过程中所涉及到的模糊技术主要包括模糊阐值技术、模糊聚类技术以及模糊边缘检测技术等。

（二）图像颜色分割原理。图像颜色分割是将分割具相同或相近颜色特征色块的图像处理方法，主要包括：（1）像素分类：像素通过颜色的阈值进行分类，像素采用RGB、YUV、HIS等描述方式。（2）像素连接：将图像进行游程编码处理，即将图像编码成以run格式为单元的编码处理。游程编码处理是run格式指的是一行像素之内相邻且具有相同逻辑值的像素集合。作为色块合并的基础，像素连接通过分类后的像素信息实现。（3）色块合并：按一定规律合并所得到的游程，即将游程按照parent归类至一个树结构下的过程。每一个游程在带有效信息的基础上配有指向游程parent的指针。（4）区域融合：为了避免处理过程被判断为两个分离开来的区域，需要引入区域融合方法，使相邻近的部分合并成为一个整体。由于面积和边框同为区域统计量，因此可以进行同一种密度测量方法的使用。倘若某几个部分的区域像素密度大于某个阐值，即可将这些区域合并成成为一个区域整体。在色块合并中，即使区域存在被一根线分割的情况，但这部分的密度倘若仍旧大于阐值，应当将它们看作一个整体区域进行区域融合。

三、智能图像监控系统的图像识别与分类

（一）图象识别技术。图像识别以研究图像的分类与描述为主要内容，对图像用预先存储的对象物的参照图案进行匹配，并输出文字识别和脸部图像识别等符号信息，或者输出物体位置或姿态等数值信息。图像识别涉及的领域较为广泛，包括机械加工中零部件的识别、分类；农作物、森林、湖泊和军事设施的遥感辨别；气象数据、气象卫星照片的准确观测；身份证识别等方面。

图像识别方法可归纳为统计方法和结构识别方法两大类。一个图像识别系统可分为四个主要部分：（1）图像信息的获取：将图片等信息经系统输入设备进行数字化处理，再输入计算机以备后续处理。（2）图像加工和预处理：将原始图像转化为适合计算机进行特征提取的形式，包括图像变换、增强、恢复等，目的是去除干扰、噪声及差异。（3）图像特征提取：将调查而得的数据材料进行加工、整理、分析、归纳等处理，以提取出可以反映事物本质的特征。（4）判断或分类：根据所提取的特征参数，通过采用某种分类判别函数和判別规则分类和辨识图像信息，最终得到图像识别结果。（二）图像识别的几何特征描述。图像识别特征具有多种形式的描述，效果取决于图像识别的具体状况。在多数情况下，只需图像的局部特征即可识别图像，这些特征诸如图像的灰度级空间分布特征，图像颜色和波段，图像随时间变化的形态，图像形状、轮廓、面积和空间点位置等。而图像识别的几何特征描述包括周长、面积定义和算法（面积和周长较为容易计算），占空比、圆形度，形状的投影描述以及特殊的形状描述子（多数情况下，可以用来简洁地描述物体图像形状）等方面的内容。（三）图像识别分类器设计。在图像识别中，分类器的基本任务是通过图像分类特征、分类运算法则的应用，对图像进行分类。图像识别分类器必须提取和选择特征，以便对被识别的图像数据进行大规模的压缩，有利于最终的图像识别。分类器设计的主要步骤为分类识别特征的确立。此为关键步骤，特征若提取得不恰当，就无法精确分类，甚至无法进行分类，良好的特征应具有可区别性、可靠性、独立性以及数量少四个方面的特征。

特征提取和选择应当坚持尽可能减少整个识别系统的处理时间和错误识别概率的原则。当这两个原则无法兼得时，则应做出相应平衡的选择，或者提高整个系统速度，以适应实时需要；或者缩小错误识别的概率，以提高识别精度。图像识别系统的复杂度将随着特征个数的增加而迅速增长，特别是用来训练分类器和测试结果的样本数量，将随着特征数量的增加呈现指数关系增长。特征选取的方式将因不同的模式而异，并与识别的目的和方法等有着直接的联系。

参考文献：

[1]苏彦华.visualC++数字图像识别技术典型案例[M].北京:人民邮电出版社,2004

[2]盛国芳,焦李成.基于遗传算法的最佳熵阁值的图像分割[J].计算机工程与应用,2003,12

篇5：模式识别与人工智能

包括以下三门课程（三门课程内容选做2门）：

一、图像处理与图像识别：

1.数字图像的基本概念；

2.数字图像处理的基本方法；

3.图像模式识别的基本原理和方法；

4.图像和视频信息压缩的基本概念和原理。

二、密码学

1.密码学的基本概念；

2.分组密码中，DES、IDEA、NSSD算法；

3.公钥密码体制中，背包公钥密码、RSA、拉宾算法和基本的数论知识；

4.利用线性反馈移位寄存器的密码反馈原理；

5.数字签名、Hash函数、安全协议。

三、TCP/IP协议

1.熟悉TCP/IP所涉及的各种物理网络技术；

2.掌握TCP/IP族各层主要协议；

3.掌握TCP/IP中的路由协议及其常用算法；

4.掌握基于流行操作系统平台上的TCP/IP联网及应用方法；

5.熟悉基于socket机制和客户服务器模型的编程；

6.熟悉TCP/IP高层协议及其应用；

7.理解TCP/IP的层次结构思想。

参考书目：

1.《数字图像处理》，朱志刚等译；

2.科学出版社出版的图像图形丛书；

3.《密码学》，卢开澄，清华大学出版社，1999年8月；

4.《计算机密码应用基础》，朱文余、孙琦，科学出版社，2000年8月；

5.《TCP/IP网络原理与技术》，周明天，清华大学出版社；

篇6：模式识别与人工智能

在天津大学模式识别与智能系统考研复习中，资料、真题及讲义是必不可少的。很多同学，特别是跨专业考生，在复习中没办法掌握重点，所以走了很多弯路。而考研资料和讲义就可以让考生们在复习中迅速找到重点范围，掌握复习技巧。另外、真题可以让考生掌握近几年的出题方向，测试自己的复习结果。针对同学的复习情况，天津考研网独家推出了天津大学模式识别与智能系统考研复习资料，以下为资料相关介绍。

天津大学模式识别与智能系统考研真题等资料由天津考研网签约的天津大学计算机科学与技术学院高分考研学生历时近一月所作，该考生在考研中取得了专业课129分的好成绩并在复试中更胜一筹，该资料包含该优秀本校考生的考研经验、考研试题解题思路分析、复试流程经验介绍以及针对官方指定参考书的重难要点并根据天津大学本科授课重点整理等，从漫漫初试长路到紧张复试亮剑为各位研友提供全程考研指导攻关。

特别说明：此科目天津大学模式识别与智能系统专业的考研专业课科目是数据结构和程序设计,此科目在06年以前科目名称为数据结构；从06年到08年科目名称改为计算机基础（包含数据结构、程序设计、计算机原理）；自09年开始全国统考后，科目名称为计算机学科专业基础综合；自2013年开始由学校自主命题，科目名称改为901数据结构与程序设计。

第一部分 由天津考研网提供的核心复习资料：

天津大学模式识别与智能系统资料编者序言：本文的重点在于C++，数据结构的复习和复试基本情况介绍。C++、数据结构又分别从复习规划，复习用书，重点知识点结合历年考题这四个方面来展开的。复习规划大家务必看一下，然后根据自己的实际情况在制定自己的复习时间，因为内容很多，大多数同学都在考试之前复习不完，在心理因素上就落了一节。重点知识点一定要看了，这些知识点几乎每年都会有题了。另外我还给了历年试题的答案供大家参考。有的答案是自己做的答案，可能会有疏忽的地方。望大家提出宝贵的意见和建议。复试的东西现在了解一下即可，等到进复试了，还是有足够的时间看的。另外我还给了些自己复习心得。考完后感慨很多，回顾了这多半年来自己的成败得失。希望大家从一开始就沿着比较高效的方向前进，减少不必要时间的浪费。本资料格式为A4纸打印版，总量达到了130页共计50000余字，清晰易复习，已于编写者签订资料保真转让协议，各位研友可放心使用参考！特别提示：天津考研网尽力保证资料的有用性，但由于个人复习态度进度不同，故请酌情参考本资料！

天津大学模式识别与智能系统考研真题等资料目录

一、学院专业综述

二、近年来的录取情况及分数线

三、05、06年专业课试题的变化及其今后的趋势

四、复习策略和复习时间的统筹安排及所需要的辅助资料

五、C++和数据结构复习规划及复习侧重点(特别是05，06年的变化)

5七、复习经验与教训(学习生活心理诸方面)

八、关于数学和政治复习的小小的建议

九、计算机复试

十、附言

第二部分由天津考研网提供的考研真题及答案：

1、天津大学901数据结构与程序设计1996－2007、2013年考研真题（市场独家最全，全国独家推出，其中2013年考研真题为考场完整版，由特约考生考场记录并整理提供，其余均为原版试卷，掌握最新试题动向先人一步），众所周知天大出题重复率高，一般多年的试题就是一个小题库，所以历年试题一定要仔细研究，通过多年试卷可总结出出题重点及思路；

2、天津大学901数据结构与程序设计2000-2007年考研试题解析及参考答案，本套答案为签约团队独家主创，保证极高正确率，市面上的答案基本都有错误或模糊不清，请同学认真分辨市面一些低价劣质的资料，以免耽误考研；

第三部分由天津考研网提供的专业课考试的其他重要资料：

1、天津大学模式识别与智能系统考研901数据结构与程序设计历年考研辅导班讲义笔记系列：

1）天津大学模式识别与智能系统考研901数据结构与程序设计03考研辅导班笔记，校方主办，出题老师主讲，众所周知透题班；

2）天津大学模式识别与智能系统考研901数据结构与程序设计04考研辅导班笔记，校方主办绝版，出题老师主讲，众所周知透题班；

3）天津大学模式识别与智能系统考研901数据结构与程序设计07年考研辅导班笔记，由知名教授讲授，重点突出，极具参考价值；

4）天津大学模式识别与智能系统考研901数据结构与程序设计08年考研辅导班笔记，由知名教授讲授，重点突出，极具参考价值；

以上多年考研辅导班均由权威机构主办，多年讲义笔记对比使用，可以清晰分析天大出题重点、趋势等；

2、数据结构本科课件，共3套课件，分别为两年不同版本课件，课件对应教材为：《数据结构 》(C语言版)严蔚敏等编著，清华大学出版社，e-mail发送；

3、天津大学本科试卷4份，包括C++与数据结构基础2006-2007、2007-2008学年本科期末试卷2份、计算机软件技术基础（C++）08-09学年及另一份不知年份的本科期末试卷2份；

第四部分由天津考研网提供的考研参考书及习题集部分：

天津大学模式识别与智能系统考研参考书因版本问题较难收集，考虑到部分同学购买不便，我站提供了参考书及配套习题集电子版供同学们参考使用，如需纸质版请于书店购买：

1、考研指定参考书籍（电子版）：《C＋＋语言基础教程》，吕凤翥，清华大学出版社；Thinking in C++, Bruce Eckel2、数据结构考研指导电子书，PDF格式，计算机专业考研系列教材，书中融汇了数据结构的特点、难点、知识点和考研的出题重点，提供丰富的例题和练习题；

3、《C++程序设计语言(特别版o十周年中文纪念版)》 斯特朗斯特鲁普(Bjarne Stroustrup)、裘宗燕 机械工业出版社；

4、《C++编程思想(两卷合订本)》埃克尔(Bruce Eckel)、Chuck Allison、刘宗田、袁兆山 机械工业出版社

篇7：模式识别与人工智能

研究生入学复试大纲

复试笔试满分为150分，包括基本能力测试（45分）和专业基础知识测试（105分）两部分。采取闭卷考试，考试时间一般为2至3小时。

有关专业基础知识测试的说明

专业基础知识测试（105分）由21道题目组成，参加笔试同学可从中任意选择7道完成，每题15分。专业知识点包括以下七个方面：

一． 图象处理(共3题)

考试知识点：数字图象直方图、基于直方图均衡化的图象增强、边缘检测算子、梯度大小/方向计算、频域滤波基础、频域滤波操作的基本步骤。

辅导材料：冈萨雷斯等，《数字图象处理》,第二版，电子工业出版社, 2003.3, ISBN 7-5053-8236-5。认真阅读该书的3.3, 4.2, 10.1。

二． 信息安全(共2题)

考试知识点：信息熵的计算、信源编码。

辅导材料：《信息与编码理论基础》，万旺根，上海大学出版社。

三． 人工智能(共2题)

考试知识点：人工智能的基本概念。

辅导材料：廉师友，人工智能技术导论（第二版）廉师友西安电子科技大学出版社, 2002.7, ISBN 7-5606-0811-6。认真阅读该书的第一章。

四． 微型计算机原理(共5题)

考试知识点：80x86指令寻址模式及汇编指令的书写格式；不同进制数之间的转换；汇编程序的阅读；计数器模块8253及其编程；可编程中断控制器8259模块及其编程。注：相关硬件模块控制字格式不需记忆。（提供）

辅导材料：微型计算机技术及应用（第3版），戴梅萼等，清华大学出版社，2003

五． 多媒体信息处理(共4题)

考试知识点：1.多媒体基本概念

多媒体技术，多媒体系统的层次结构，多媒体系统的组成2.多媒体数据压缩：

数据压缩算法概念及分类，统计编码，预测编码，变换编码，分形编码

静态图像压缩标准JPEG，运动图像压缩标准MPEG，音频压缩标准

3.音频信息处理

声音数字化，音频文件格式，声卡的组成与设计(含声卡的工作原理、硬

件设计、软件结构、编程接口等)

4.视频信息处理

视频信号数字化，视频的文件格式，视频压缩卡的设计

辅导材料：多媒体技术基础及应用，钟玉琢等，北京：清华大学出版社，2006.2

六． 生物特征识别(共2题)

考试知识点：生物信息学序列联配（双序列比对，多序列比对）。

辅导材料：David W.Mount，《生物信息学：序列与基因组分析（影印）》, Bioinformatics: Sequence and Genome Analysis, Cold Spring Harbor Lab(CSHL)Press。认真阅读sequence alignment 的相关内容。

七． 射频识别(共3题)

考试知识点：电子标签的基本概念。

篇8：模式识别与人工智能

对于图文混排的复杂度高的文档图像一般采用自底向上的版面分析策略, 在通过连通区搜索算法 (包括二次分析) 获得版面全部连通区信息后即面临文本区域和图像区域的连通区信息区分问题。为方便讨论, 依模式识别理论我们称文本区域和图像区域的连通区为不同的模式类对象。由于文本区域和图像区域不能出现交叠 (这种交叠情况我们结合后续相同模式类对象合并过程称为合并或聚类风险) , 但试验表明即使在刚刚获得版面全部连通区信息, 即在尚未展开后续合并等处理过程就已经存在文本区域和图像区域交叠的情况, 或者说存在合并风险问题。所以有理由说合并风险将是伴随相同模式类对象合并过程始终的。由于问题的复杂性, 受二分法思想启发, 我们把问题逐步分解, 即确立图文分解的方法。

对于一个待分析图像文档, 我们将图像中的图像模式类对象:边框线和标题在原图像中滤除, 同时将所提取的文字图像部分就其在文档中区域信息 (该信息由对原图像的连通区搜索得到) 规范化为图像文档, 即作为原始文档的伴随图像。由于生成伴随图像, 初步排除图像模式类对象的干扰, 从而就其文字图像的版面分析的复杂度大为降低[2,3]。

需要说明的是这仅是初步做到图文分解, 就是说在伴随图像中仍可能存在图像模式类信息, 为此我们采取“渐进合并, 特征凸现”的策略在后续处理中解决 (对此将作另文详述) ;另一方面的关键问题是仍无法保证对不同图像模式类对象 (如文字、图像甚至表格) 分析的互不干扰性, 而这一点正是我们要求系统所能体现出的智能性, 它是由聚类稳定性算法保证实现的。

2 辅助功能模块的运用

承前所述, 随着并行合并过程进行, 由于对模式类对象是采用“渐进合并, 特征凸现”的策略, 模式类对象的确定要建立在一定前提条件上, 即要待其模式类特征从不明显到明显之后, 但在此过程完成时会有相互冲突情况产生。尽管上述算法的采用极大提高了系统的版面分析质量, 但必须佐以其他功能模块的运用来处理这种更复杂的情形。该模块的功能将分别不同情况实现:1) 择取强势特征模块, 该情况下将保留取强势特征对象同时舍弃异类对象;2) 折中退让, 该情况下将根据冲突的情形做单方面的退让, 如可以是文本类对象退让图像类对象 (简称“文退图”) 等, 由于该情况较复杂, 鉴于篇幅作者只做一般情形解释。

3 结论

对于模式类区分方法可以做策略层面的理解, 这对于整个版面分析系统的质量是举足轻重的, 但没有其他方法的辅助则很多具体问题仍不可得以完善和解决, 因为版面分析要面临很多复杂的模式识别问题。本文正是探讨通过两者的融合从而是系统最终能体现出智能性的特点, 进而获得实际应用的价值。

参考文献

[1]周长岭.中文OCR中的版面分析算法初探[C]//第六届全国汉字识别学术会议论文集, 重庆, 1996:137-142.

[2]H.Fujisawa, and Y.Nakano.A top-down approach for the analysis of document images[J].Proc, SSPR90, 1990:113-122.

篇9：模式识别与人工智能

关键词 智能交通系统 车牌识别技术 应用研究

中图分类号：TP391.41 文献标识码：A

随着全球经济的快速发展，人们的物质生活质量逐步加深，促进了公路交通事业的快速发展，随之而来的机动车辆与日俱增。由于城市空间有限，面对巨大的城市交通压力，仅依靠发展交通设施已不能解决现已存在的交通拥挤、环境污染、交通事故频发等问题。为了缓解这一压力，利用高科技手段，建立完善的道路网络缓解道路交通增长的需求，智能交通系统应运而生。车牌识别系统作为智能交通系统的核心组成部分，在道路交通管理、交通事故与机动车盗窃现象的抑制以及维护公共安全等方面发挥着重要的作用，因此车牌识别系统已成为现代交通工程领域中研究的重点和热点问题之一。

1车牌识别系统在智能交通中的发展历程

随着交通事业的不断发展，车牌识别技术日趋走向成熟，并开逐渐应用于交通、公安、路政、停车场、安防、门禁、智能小区等许多领域。车牌识别系统简单的说是一种以特定目标为对象的专用视觉系统，它能够从一幅图像中提取分割并识别出车辆牌照，运用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理完成车辆牌照的自动识别，识别结果可按需求分别包括车牌的字符、数字、牌照图像，以致牌照颜色、坐标、字体颜色等。

2车牌识别系统的研究现状

车牌识别技术起源于上个世纪末，ARGUS的车牌识别系统的识别时间约为100毫秒，通过ARGUS的车速可高达每小时100英里。还有Hi-Tech公司的See/Car？system，新加坡Optasia公司的VLPRS等。

国内不少学者也在进行车牌识别方面的研究，实验室方面，西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。中国科学院自动化所的刘智勇等发表文章，他们在一个3180的样本集中，车牌定位准确率为99.4%，切分準确率为94.5%。北航的胡爱明等利用模板匹配技术开发了一种应用于收费站的车牌识别系统，其识别正确率能达到97%以上。华南理工大学的骆雪超、刘桂雄等提出了一种基于车牌特征信息的二值化方法，该系统对效果较好的车牌的识别率能够达到96%。清华大学的冯文毅等利用一种光电混合系统进行车牌识别，系统能够通过硬件来完成车牌识别的全过程。黄志斌等将基于串行分类器的字符识别应用于车牌识别系统中，对车牌识别系统中的分类器进行了详细的研究。目前比较成熟的产品有中科院自动化研究所汉王公司的汉王眼，香港亚洲视觉科技有限公司的慧光车牌号码识别系统等等。

根据IMS研究显示，截止2012年底，全球车牌自动识别市场已经扩展到了3.5亿美元左右。2011年车牌识别达到了年增长率6.9%的成绩。随着市场的发展和用户需求的不断变化，车牌识别保持着快速的发展。车牌自动识别技术算法有了很大的提升，从应用情况来看智能化算法与摄像机完美搭配，能够解决道路交通上遇到的不少难题。

尽管车牌自动识别机会比比皆是，但是其挑战仍然存在。以美国为例，车牌形式各种各样，形状、图片和字体也没有统一的规范。一点车辆可跨国驶入，监控系统面对其他国家或区域的车牌信息时，具体的语言文字也有所不同，摄像机算法必须更为复杂和精准。尽管识别技术已达到炉火纯青的地步，但是目前车牌识别阿拉伯语仍具有很大的挑战。毫不夸张地说，这些字母的难度高于中国的草书。

3车牌识别系统可提升的空间及发展

车牌识别系统集中了光电、计算机、图像处理、计算机视觉、人工智能、模式识别等关键技术。随着信息化时代的不断发展，住宅、小区、停车场等需要保安人工监控的地方都将使用车牌识别系统，减少了许多人为因素造成的疏忽之处。也能扩展到犯罪车辆、肇事车辆、被盗车辆的辨识和拦截，交通流量监测等领域，为人们出行的安全和便捷提供了保障。一方面，车牌识别系统本身是一个全数字化的智能系统，以此为技术基础，可以衍生出一些其他功能。另一方面，由于环境因素、车牌自身因素以及拍摄角度等问题，尽管世界上很多研究机构和公司专门从事这方面的研发工作，高可靠性、高性能和高识别率的车牌识别系统还待开发。

参考文献

[1] MD.Tanvir Learning Algorithms for Artificial Neural Networks，Proc. 10tb Informantion Engineering Senimar June 2001.

[2] GuyonI.Applicationofneuralnetworkstocharacterrecognition[J].InternationalJournalofPatternRecognitionandArtificialIntelligence，1993，7（4）：721.755.

[3] 杨大力，刘舒.基于神经网络的车牌汉字识别方法[J].中国人民大学公安学报，2009，5（3）：56-57.

篇10：模式识别与人工智能

“圆对数”遇到了“模式识别”发现彼此相似，同根同宗，双方紧紧地拥抱握手。

模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。“模式识别” 在当前的数理统计中是一门新的前沿科学，应用于信息处理、计算机、生命科学、人工智能、决策处理等领域。

为方便了解，简要阐述“模式识别”与“圆对数” 的异同点。表述了“圆对数”正巧是对“模式识别”的拓展、深化、兼容、统－。

1、“模式识别”与“圆对数”都源于《贝叶斯方法》。

“模式识别”与“圆对数”都提到了贝叶斯方法绝非就是post正比于prio-likelihmd这么简单。一般而言“模式识别”都会用正态分布拟合likelihmd来完成。由此引伸PCA(协方差矩阵，特征向量),LDA(线性变换方法),NMF(非负矩阵)，以及GMM(高斯分布)。都是根据对应的均值和协方差拟合高斯分布（含正态与偏态高斯分布）。

圆对数正是综合了以述四种方法的优点，特别地拓展了“均值”为“算术平均值或倒数平均值（称黎曼平均值）”，增强了多元多维具有相互制约（纠缠）数据的（超对称性、不确定性）处理功能。如数据中的元素（细胞、粒子、信息）运动/变化/代谢/变换处理能力。

2、“模式识别”与“圆对数”都有相似的计算理论，后者进行了深化与改革。如“协方差”的拟合曲线展开，后者已经拓展了包含有“高斯分布曲线→牛顿二项式→多项式→无穷级级→任意曲线方程→（黎曼平均值/算术平均值）”。建立了新型的协方差计算规则（其计算规则比现有“模式识别”更具简洁、自洽、优美、实用的优越性），称圆对数。增强了数据如信息处理与模式识别的计算功能。如计算机计算中将由现行的 [0,1] 模计算 拓展

k为[0,1/2] 模计算(其中：[0,1/2]=(0,1/2,1,2)), 计算容量大增；非线性、参数时变、时滞等融合（纠缠）条件下的非良定对象以及与智能优化控制等实现方法的控制与决策；分析和解决经济建设和交叉学科中湧现的新课题数据等处理计算功能大增。

3、在具体应用对象的工程计算中，若取物理场（数据背景仅为粒子/质量/空间/时间）为分析例。当普及应用对象为相互关联（融合/纠缠）条件的多种数据（数据背景为abcd---r/t）时，与“模式识别”的数学运用，以及信息科学、生命科学的理论与方法是兼容、统－的, 圆对数是模式识别的基础理论的深化与拓展。

篇11：模式识别与人工智能

托普自动识别虫情测报灯 助力测报工作步入人工智能时代

在我国，每年因害虫为害造成的产量损失非常严重，农业害虫灾情严重、虫口密度大、发生种类多,喷施农药虽然可以减少虫害但同时也带来了严重的水土资源污染、农产品质量降低等问题。因此,做好病虫害的预测预报工作是提高农作物产品质量、保护环境的重要保障。

害虫种类的识别与发生数量的获取是精准预测的重要基础,对害虫综合治理具有重要的决策意义。传统的害虫识别与计数方法全靠人工下地收集识别，费时费力，且数据准确度较低，难以满足植保现代化的要求。托普云农自主研发生产的自动识别虫情测报灯是新一代图像式虫情测报工具，可全天候工作，在无人监管的情况下，系统应用物联网、互联网、人工智能、大数据等技术自动采集、传输、分析、存储和展示虫情数据，植保工作人员通过电脑、手机等终端设备即可对作物病虫害实行远程实时监测、在线识别、自动计数。为植保工作人员提供自动化和智能化的分析和管理决策数据，是植保人员的“千里眼”和“听诊器”。智慧型虫情测报灯亦是植物保护提升工程的重要智能装备，与农作物病虫害实时监控物联网设备、虫情信息自动采集传输设备、农田小气候自动采集传输设备、农作物病菌孢子自动捕捉培养系统等设备配套使用，是农作物病虫疫情监测点建设中必不可少的智能测报工具。

托普云农——致力于中国农业信息化的发展！

托普云农——致力于中国农业信息化的发展！

篇12：多元智能模式与英语教学

多元智能模式与英语教学

借鉴多元智能理论建构起来的这种多角度、全方位的育人之路,使得每一个孩子在原有基础上找到了施展自己才华的途径,得到了全面均衡的.发展.本文对多元智能模式在英语教学中的应用进行了探讨.

作 者：郑姬 作者单位：上海立信会计学院外语系,中国,上海,20刊 名：科技信息(科学・教研)英文刊名：SCIENCE & TECHNOLOGY INFORMATION年，卷(期)：“”(35)分类号：H3关键词：智能 多元智能模式 学科整合

篇13：手语姿态识别与智能手机

人机交互的技术特点及发展历程回顾

(一) 人机交互的技术及特点简介

人机交互的技术特点可以体现在以下几个方面:

1、自然、高效的多通道交互

多通道交互是近年来迅速发展的一种人机交互技术, 它既适应了“以人为中心”的自然交互准则, 也推动了互联网时代信息产业 (包括移动计算, 移动通信、网络服务器等) 的快速发展。

2、人机交互模型和设计方法

“以用户为中心的设计” (User Centred Design, UCD) 方法近年来已被国际上广泛采用。通过用户的积极参与, 对用户及其任务要求的清楚了解后, 在用户和技术之间适当分配功能, 然后反复设计解决方案, 达到多学科设计要求。

3、虚拟现实和三维交互

各类三维交互设备仍有相当的发展空间, 尤其是在可靠性、价格、性能等方面需不断改进。非强制、无障碍、高精度、低价格是今后交互设备的发展趋势。

4、可穿戴计算机和移动手持设备的人机交互

在可穿戴计算机的人机交互中, 应特别重视自然的多通道界面 (如语音、视线跟踪、手势等) 、上下文感知应用 (如位置、环境条件、身份等传感器) 、经验的自动捕捉及访问。移动手持计算设备是指具有计算功能的PDA、掌上电脑、智能手机这类小型设备。将计算功能嵌入手机、通信功能加入掌上电脑已成潮流。

5、智能空间及智能用户界面

这种界面方式的出现改变了人们传统意义上的工作协作方式, 因为可以更轻松的获取用户所需要的信息, 所以也就更容易轻松的协调人与人之间的工作分工, 进而通过友好的界面平台来达到其高效的效率运行。

(二) 人机交互的发展历程回顾

人机交互不是一个很新的课题了, 从其发展历程来看, 是人与计算机之间相互影响、相互改变的过程。从最初的手工层面的操作方式, 到后来的通过命令行的机器语言互动方式, 再到近现代以来的界面操作交流方式, 以及网络化普及后的用户友好的交互式界面的出现, 职能化的终端设备不仅仅体现在电脑上, 而且也浓缩在各类终端上, 比如说Ipad或者各类智能手机。

手语姿态识别在职能手机上的应用分析

(一) 多触点式触摸屏技术的应用分析

检测出屏幕上同时被触摸到的多个点的位置。它的优势在于:支持更复杂的姿势识别 (Gesture Recognition) , 其比较性体现在:将图片放大或缩小。以i Phone手机应用为例, 可以看到“信息就在指尖”。

(二) 基于传感器的隐式输入技术的应用分析

还是以i Phone手机应用为例, 手语姿态识别催生出两类传感器:一, 方位传感器:能够检测出用户是纵向还是横向拿着手机;二, 接近性传感器:可以检测出用户何时把i Phone拿到了耳朵附近, 这样它就可以关闭屏幕, 达到省电和防止屏幕被误触碰的目的。

(三) 移动3维交互场的应用分析

通过视频的传感系统我们可以将诸如普通平台、办公桌、餐饮柜等日常场所变为可以进行操控的介质, 如果手机用户将职能手机内部存储的内容通过影像的方式进行投射, 就可以实现立体式信息的传达, 进而实现交互式的感应。在实际演示中我们发现:通过将影像投射在介质面的体现过程, 手机用户可以轻松的控制诸如鼓一类的乐器, 如果觉得拿着鼓棒敲击麻烦, 也可以直接用手去敲打。

(四) 肌肉运动指挥手机的应用分析

在国外, 这项技术已经在实验室的环境中被展示出来了, Desney Tan博士的研究成果展示了肌肉运动指挥手机的可行性, 通过计算人体肌肉的动态数据, 和内部操作系统形成互动交流过程, 在手臂上或者肌肉上的传感器是可以轻易将动态语言动作完美传递的, 比如在轻轻按动手指的过程中, 根据手指的运动轨迹就可以牵引出计算机的逻辑运行轨道。未来, 职能手机小巧化的形态也会兼容包括这一理念下引申出的交互式操作。

(五) 手势库的建立应用分析

以android手机系统为例, 手势识别需要先写个手势文件, 里面定义要识别的手势, 以及手势代表的意思或者要干的事, 如果没有定义就不会识别。

手语姿态识别的未来发展前景展望

(一) 三维虚拟成像技术将会普及

在阿凡达中有多处用到这种成像技术, 比如要进攻大树时所出现的那个三维立体地图, 三维的全息影像大概和阿凡达中的描述比较一致。

(二) 虚拟控制技术会得到空前发展

人在机器里边只要做什么动作机器就会有相应的动作, 但是人要在关键身体部位戴上动作感应器, 以后我们操作什么大型的那些机械手的工人们就不用去掌握复杂的各种按钮和机械手之间的关系了, 只要坐到驾驶舱里边做同样的动作机器就动了。

(三) 虚拟动作感应也是发展趋势之一

智能手机操作过程中, 当人们看在讲地图时人手直接可以伸到三维虚拟地图中然后对于地图进行操作, 人手上也没有戴任何传感装置。这类技术将来会在职能手机手势识别功能中发挥积极的影响作用, 就当前技术而言, 还存在技术瓶颈, 短期内突破还需时间。

(四) 意识控制技术成为未来概念性元素

就是通过人体的手势来控制avatar的技术, 人们通常不需要做任何事情, 躺在那里什么也不懂, 就可以去控制另一个物体, 全身接满了神经感应装置。这在未来职能手机的发展历史中是概念性的元素之一。

总结

借助智能手机的发展之力, 包括娱乐产品设计, 商业展览, 交互式橱窗, KTV点歌等领域都可以通过基于手势识别的交互设计提高互动性和新颖性、便利性。例如, 非接触式互动橱窗, 该个系统有四个摄像头, 两个用于追踪手部的动作, 两个用来追踪脸部和眼睛。经过该橱窗的行人, 可以通过手势来获取商品信息。

通过上述的分析, 我们可以自信的预见类似WIMP的界面将会有一个新的突破和发展, 从实验室向家用过程的转化也会逐渐加快。手语姿态识别的日新月异的变化在人机交互中会逐渐凸显, 各式各样的界面和操控终端都会协调发展。随着网络化的普及, 未来人们还可以突破常规对人机交互的过程进行简化, 但同时, 虚拟现实环境以可移动的方式来推进, 还可能成为手语姿态识别在智能手机发展历程上的新任务。

篇14：模式识别与人工智能

船舶运动模式的提取是轨迹数据分析的重要任务，它可以为船舶异常行为的检测提供参考依据，同时也可以作为航路规划和定线制设计的技术指标.针对现存的聚类算法大多为了追求效率而忽略了运动轨迹特征的问题，对聚类算法中的轨迹结构距离进行改进，将其作为轨迹相似度的评价标准.采用无监督DBSCAN聚类算法实现船舶运动模式的提取.利用琼州海峡船舶自动识别系统（AutomaticIdentificationSystem，AIS）数据，对该水域的船舶运动模式进行提取，获得行驶于该水域的船舶运动轨迹分布以及各类轨迹中转向区域的分布，其中船舶运动轨迹包括从琼州海峡东峡口向西航行的船舶轨迹，从琼州海峡西峡口向东航行的船舶轨迹，从秀英港前往海安港的船舶轨迹，从海安港前往秀英港的船舶轨迹和从琼州海峡东峡口前往海口港的船舶轨迹.将最终的聚类结果应用于电子海图显示与信息系统（ElectronicChartDisplayandInformationSystem，ECDIS）上，实现了对船舶的动态监控仿真.

关键词：

船舶自动识别系统（AIS）；模式识别；聚类分析；电子海图显示与信息系统（ECDIS）；琼州海峡

中图分类号：U697.33

文献标志码：A 收稿日期：20150907 修回日期：20151102

0引言

随着全球船舶自动识别系统（AutomaticIdentificationSystem，AIS）岸站的建立和不断完善，各地海事主管机关时刻都能接收到大量有关船舶信息的数据.对这些数据的研究可以帮助我们提取船舶运动模式，分析船舶行为，从而进一步挖掘不同航线船舶、不同类型船舶的运动特点.例如：在一些运量较大的港口附近，对船舶运动轨迹进行分类能够帮助监控人员识别异常行为；根据渔船运动的无规律性和货船运动的周期性，利用聚类结果区分船舶种类，判断运动特征是否与船舶类型相符，是否需要进一步的监控和调查.此外，船舶运动轨迹的聚类分析能够为航路规划和定线制的设计提供理论依据，有利于加强船舶动态监控，提高海事监管的效率.

目前国内外学者提出了诸多从目标对象的轨迹中获取运动模式的方法.SHU等[1]利用自组织映射网络作为预处理技术标记行人的运动特征，然后采用后向算法建立马尔科夫模型，实现了对人行为模式的提取；胡宏宇等[2]以改进的Hausdorff距离作为相似度标准，采用谱聚类算法实现了对车辆轨迹空间分布的提取；闻佳等[3]利用加权的Hausdorff距离和周分割算法实现了车辆轨迹的聚类；RISTIC等[4]基于港口信息，采用核密度估计的方法对船舶轨迹进行分类；ETIENNE等[5]提出了一种基于统计学和图论的轨迹聚类分析方法，该方法将船舶的起讫港作为节点，将相似轨迹归一化为特定的有向路径；AARSETHER等[6]采用图像匹配的方法对船舶轨迹进行聚类；GERBEN等[7]对提取船舶运动模式的两种主要的相似度对比的方法进行了分析，总结出二者中更适合于船舶轨迹聚类的方法；ANDERS等[8]将轨迹聚类应用于近海监控系统来识别船舶的异常行为；LAXHAMMAR等[9]通过高斯混合模型和核密度估计的方法对船舶运动进行统计分析，获得有异常行为的船舶数据.此外，神经网络和以K均值为代表的无监督聚类方法也被广泛应用于轨迹聚类，如JONHSON等[10]建立自组织特征映射网络学习轨迹分布模式，ATEV等[11]则利用K均值算法完成对轨迹的聚类.

海上交通与陆路交通有一定的相似性.道路被划分为单行道、双行道等，而航路也被划分为单向航路和双向航路.虽然海上交通的航行范围广阔，但在某些特定水域（港口、通航分道、狭水道）船舶密度较大，轨迹分布较密集.鉴于此特点，应用在陆路交通上的一些方法也可以应用到海上交通，以提高海上交通的监管力度和效率.

1AIS数据的预处理

由船舶交通管理中心（VesselTrafficServicecenter，VTS）提供的AIS数据通常具有较高的可信度，但是AIS数据中的船舶位置、船舶速度等信息会由于设备以及信号漂移等原因发生较大的改变，如AIS数据显示船舶位于陆地上，显示航速为35kn甚至更高[12].

为保证数据的可用，需要对数据做预处理，具体方法如下.

2轨迹聚类

移动目标轨迹的聚类能否取得良好的效果，在于轨迹间的相似性度量是否合理.当前主要的相似性度量的方法有基于欧氏距离的算法、基于公共子序列的算法、基于动态时间弯曲距离的方法和基于Hausdorff距离的方法，其中基于欧氏距离的算法通常用于计算等长的船舶轨迹相似性，其他的几种方法可以用于不同长度的船舶轨迹相似性计算.以上方法都仅从距离方面反映相似度，而基于轨迹结构距离的相似性度量方法的优点在于能够刻画每条子轨迹变化的趋势.因此，为便于度量船舶轨迹的变化，需要将整条轨迹划分成若干条子轨迹.

2.1轨迹分割

船舶轨迹的划分是通过设置船舶转向角的阈值实现的.船舶轨迹转向角是指相邻两个子轨迹段的航迹向之差，见图1.

图1中，a，b为轨迹中的两条子轨迹段，其航迹向的夹角为θ1，即为这两条子轨迹的转向角.鉴于AIS数据的位置坐标采用的是WGS84坐标系，利用恒向线直接反解算法[13]求得两条子轨迹段的航迹向，根据其航迹向的差值可以获得船舶子轨迹间的转向角.

恒向线直接反解算法的步骤如下.

2.2轨迹结构相似性度量

船舶子轨迹段相似性计算从子轨迹段的航迹向和两条子轨迹段间的距离两个方面进行.对两方面的度量结果赋以一定的权重求和，形成轨迹的结构距离.

（1）船舶航迹向的比较.

如图2所示，Li，Lj表示两条航迹线，θ表示航迹段的方向夹角，J表示Lj相对于Li的偏转程度.

航迹向对比方法为

通过上式不难发现：当夹角为0°时为最佳状态，即两条子轨迹方向完全一致；当夹角大于90°时可以认为两条轨迹基本反向，将两条轨迹的距离设置为无穷大，这样有利于区分航向相反船舶的轨迹.

（2）位置的比较.

本文在两条子轨迹段间距离的度量方面所采用的相似性度量方法为基于Hausdorff距离的方法：

式中：P（Li，Lj）为两轨迹间的位置距离；h（Li，Lj）为两轨迹间的直接Hausdorff距离；d（a，b）为a与b之间的欧氏距离.

船舶轨迹结构是指船舶轨迹所具有的属性的集合，这些属性刻画了船舶轨迹的特性和状态.船舶轨迹结构通常包含船舶运动信息，如：船舶的航迹向、船舶的位置.同时，在实际应用中还可以加入速度以及波动性的度量.进行轨迹相似性的比较时，充分考虑这些因素可以提高聚类的精度[14].依照式（8）和（9）可以求得子轨迹航迹向以及子轨迹间距离相似度.为计算轨迹结构的相似性，还需设定他们在轨迹结构中所占的权重W=（WT，WP），其中WT表示角度距离权重，WP表示位置距离权重.各权重值设定应满足：权重值之和应为1；各权重值应为非负，同时不能大于1.通常情况下采用的是将结构距离中的权重平均分配.式（11）和（12）分别为结构距离和相似度计算方法.

2.3聚类算法

基于轨迹结构距离的聚类算法是以DBSCAN算法为框架的，即从子轨迹集合中任取一条轨迹并判断在其邻域半径内是否包含满足要求的最小实体数.如果满足以上述条件，则认为是核实体，并搜索该实体的密度可达对象，标记为一类，直至子轨迹集合全部扫描完毕，未被标记的子轨迹则是孤立轨迹.具体的实现方法如下.

步骤1设定权重W，转向角阈值ω，近邻阈值η，近邻的数目ε.

步骤2根据ω将轨迹T分割成若干个子轨迹Ti.

步骤3对子轨迹段Ti，计算其与未标记的子轨迹段的D和N，若满足D和N条件的轨迹数目大于ε则将该子轨迹段标记为核心子轨迹段.

步骤4将Ti子轨迹段距离范围D内满足N条件的子轨迹段Tj与Ti聚为一类.

步骤5对Tj重复步骤3和4，将满足条件的子轨迹段继续归为一类，如果Tj不再满足上述条件，则重新从子轨迹集合中选取未被聚类的子轨迹段重复步骤3和4.直至轨迹集合全部扫描完毕.

3琼州海峡应用实例与应用

琼州海峡位于雷州半岛与海南岛之间，宽10～20nmile，长50～60nmile，是广州港、湛江港等港口与北部湾各港口海上交通的捷径.琼州海峡主要可分为3部分，分别为：琼州海峡东口，包括外罗水道、北水道、中水道和南水道；琼州海峡西口，包括灯楼角与临高角联线以西、兵马角所在经度线以东水域，该水域是来往于琼州海峡驶往八所港、三亚港等地的转向点，也是往北部湾各港口的转向点；琼州海峡中部，包括山狗吼灯塔经度线以西、灯楼角与临高角联线以东水域，该水域的水较深（20～118m），碍航物较少.

算例采用32位WIN7系统、2GRAM，在VS2010编译条件下提取750条船舶运动轨迹进行聚类，获得了5类结果，见图3.A类结果为从琼州海峡东峡口向西行驶于通航分道内的船舶的航行轨迹分布、B类结果为从琼州海峡西峡口向东行驶于反向航道的船舶的航行轨迹分布、C类结果为从海安港到秀英港的船舶的航行轨迹分布、D类结果为从秀英港到海安港的船舶的航行轨迹分布、E类结果为琼州海峡东峡口向西行驶进入海口港的船舶的航行轨迹分布.

3.1算法分析

为比较算法的优劣，将基于轨迹结构距离的DBSCAN算法与传统的DBSCAN算法进行对比，结果见表2.

表2算法对比结果

从表2中可以看出，基于轨迹结构距离的DBSCAN算法在运行时间方面劣于传统的DBSCAN算法，但是在分类结果和准确度方面皆优于传统的DBSCAN算法.这是因为：基于轨迹结构距离的DBSCAN算法需要进行轨迹的分割、角度的度量、归一化等操作，增加了计算复杂度；该算法以轨迹特征为参考，从多方面计算轨迹相似度，易发现比较隐蔽的轨迹群，使其聚类效果优于传统的DBSCAN算法的聚类效果.

3.2聚类应用

将上述所获得的船舶轨迹聚类的结果应用到船舶监控、异常检测上，能够大幅度提高海上安全保障能力，防止海上交通事故的发生[15].

3.2.1速度监控

速度监控是利用监控水域的AIS信息，对聚类结果中的船舶速度进行统计，获得船速分布图.根据实际工作中的经验和需要，确定行驶于该监控水域的船舶速度监控范围.图4是对从琼州海峡东峡口航行至海口港的船舶速度统计.对于该监控水域，本文以80%船舶运营速度（9～14kn）为标准.

图5为监控系统的速度报警，可以看出编号为A的船超速，说明该船航速不在监控航速范围内，予以报警.

3.2.2位置监控

位置监控主要是对航行于聚类结果区域的船舶进行船位的实时监控，如果船舶偏离监控水域，本船和监控系统应给予报警和提示，提醒监控人员和船舶驾驶员关注船舶动向.图6a为本船的位置报警示意图，图6b为监控系统的位置报警示意图.

3.2.3航向监控

航向监控主要利用AIS数据对聚类结果中船舶航向进行统计，获得船舶的航向分布，以此作为监控依据.图7a是对从琼州海峡东峡口到海口港的聚类结果中船舶转向后的航向统计结果.图7b和7c为本船和监控系统的航向报警示意图.

综上所述，可以得到船舶监控的实现流程图（图8），首先对进入监控水域的船舶进行位置监控（若偏离监控水域则报警），然后进行速度监控（判断速度是否超出规定范围，如果超出则进行速度报警），接着进行航向的监控直至船舶驶离监控水域.

4结论

本文利用轨迹结构距离作为相似性的度量标准，对轨迹段间的相似性进行评价，采用无监督的DBSCAN算法将相似性接近的船舶轨迹归为一类，实现了对船舶运动模式的提取.以琼州海峡为例，利用预处理过的部分琼州海峡AIS数据，将航行于该水域的船舶轨迹分为5类，分别为从琼州海峡东峡口向西航行的船舶轨迹、从琼州海峡西峡口向东航行的船舶轨迹、从海安港到秀英港的船舶轨迹、从秀英港到海安港的船舶轨迹以及从琼州海峡东峡口向西航行进入海口港的船舶轨迹.从琼州海峡东峡口向西航行的船舶轨迹位于（20°14′25″N，110°26′20″E）与（20°09′05″N，110°01′24″E）之间的通航分道内；从琼州海峡西峡口向东航行的船舶轨迹分布于（20°13′N，110°26′20″E）与（20°06′45″N，110°01′24″E）之间的通航分道内；从琼州海峡东峡口向西航行进入海口港的船舶轨迹，其转向位置大约发生在以（20°10′16″N，110°14′08″E）为圆心，半径为0.5nmile的水域范围内.将聚类的结果与ECDIS模拟器相结合，从船舶位置、速度、航向等3个方面实现了船舶动态监控的仿真.实验证明船舶运动模式识别能够有效地应用于船舶动态监控，进而保障航行安全，增强海上安全保障能力.

参考文献：

[1]SHUHM，KATSU.TraininghiddenMarkovmodelstructurewithgeneticalgorithmforhumanmotionpatternclassification[C]//SCIICASEInternationalJointConference.Busan：IEEEPress，2006：618622.

[2]胡宏宇，王庆年，曲昭伟，等.运动目标空间模式识别与异常行为检测[J].吉林大学学报，2011，41（6）：15981602.

[3]闻佳，崔维.实时视频中的车辆运动轨迹的提取和聚类[J].计算机工程与应用，2010，46（11）：155157.

[4]RISTICB，SCALARL.StatisticalanalysisofmotionpatterninAISdata：anomalydetectionandmotionprediciton[C]//11thInternationalConferenceonInformaiton.Fusion，Cologne：IEEEPress，2008：17.

[5]ETIENNEL，DEVOGELET.Similarityanalysisofmobileobjectstrajectoriesfollowingthesameitinerary[J].IngenierieDesSystemesDinformation，2009，14（5）：85106.

[6]AARSETHERKG，TORGEIRM.EstimatingnavigationpatternsfromAIS[J].JournalofNavigaiton，2009，65（4）：587607.

[7]GERBENKDV，MAARTENVS.Ananalysisofalignmentandintegralbasedkernelsformachinelearningfromvesseltrajectoris[J].ExpertSystemswithApplications，2014，41（2）：75967607.

[8]ANDERSD，LARSN.Trajectoryclusteringforcoastalsurveillance[C]//10thInternationalConferenceonInformationFusion.Quebec：IEEEPress，2007：18.

[9]LAXHAMMARR，FALKMANG，SVIESTINSE.AnomalydetectioninseatrafficacomparisionoftheGaussianmixturemodelandthekerneldensityesimator[C]//12thInternationalConferenceonInformaitonFusion.Seattle：IEEEPress，2009：756763.

[10]JOHNSONN，HOGGD.Learningthedistributionofobjecttrajectoriesforeventrecognition[J].ImageandVisionComputing，1996，14（8）：609615.

[11]ATEVS，MASOUDO，PAPANIKOLOPOULOSN.Learningtrafficpatternsatintersectionsbyspectralclusteringofmotiontrajectories[C]//IEEEInternationalConferenceonIntelligentRobotsandSystems.Beijing：IEEEPress，2006：48514856.

[12]QUXB，MENGQ，LISY.ShipcollisionriskassessmentfortheSingaporestrait[J].AccidentAnalysisPrevention，2011，43（3）：20302036.

[13]史国友，朱公志，贾传荧，等.恒向线主题直接正反解的高精度算法[J].大连海事大学学报，2009，35（2）：59.

[14]YUANG，XIASX，ZHANGL.Anefficienttrajectoryclusteringalgorithmbasedonstructuralfeatures[J].JournalofComputationalInformationSystems，2011，7（11）：10271035.