人工智能在模式識別中的關鍵技術探究

周波　謝光

摘? 要：現階段，特征提取、模式匹配及語義分析與自然交互等技術的快速發展，促使人工智能在眾多領域中得到了運用。人工智能的普及使用，極大地提升了工業自動化的水平。文章首先對人工智能技術的具體應用、發展情況進行分析，然后以特征檢測技術、特征提取技術、模式匹配技術、語義分析技術為切入點，探究其在模式識別中所包含的關鍵技術，目的是加深人們對人工智能的認識，使其可以得到更加充分、合理的應用。

關鍵詞：人工智能;模式識別;特征檢測;特征提取;語義分析

中圖分類號：TP18;TP391.4? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）22-0110-02

Abstract：At present，with the rapid development of feature extraction，pattern matching，semantic analysis and natural interaction，artificial intelligence has been used in many fields. The popularization of artificial intelligence has greatly improved the level of industrial automation. Firstly，the specific application and development of AI technology are analyzed. Then the key technologies in pattern recognition are explored from the point of feature detection technology，feature extraction technology，pattern matching technology and semantic analysis technology. The purpose is to deepen people’s understanding of artificial intelligence，so that it can be more fully and reasonably applied.

Keywords：artificial intelligence;pattern recognition;feature detection;feature extraction;semantic analysis

0? 引? 言

在互聯網技術、大數據技術、云計算技術高速發展的背景下，人工智能技術已經在諸多領域與行業中得到運用，包括商務辦公、教育科研、金融證券、醫療衛生等，有效提高了工作自動化、信息化程度。其中，人工智能技術融合了多個學科、技術，不僅與計算機存在緊密關系，還涉及通信學、物理學、統計學、心理學等范疇，實現對人類思維的模擬，為人們的學習、工作與生活提供幫助。

1? 人工智能技術的應用與發展

經過多年的發展，人工智能技術已經被廣泛應用在多個領域，如機器人領域、汽車駕駛領域等。其中，智能駕駛成為該項技術應用的熱點，能夠在汽車的前后、兩側設置傳感器，實現對附近障礙物、車輛、行人等因素的識別，然后直接向控制器反饋。基于此，控制器會結合諸多信息，為駕駛人規劃出一條更具安全性的路線。在智能駕駛技術中，主要是將人工智能技術作為前提，并對交通法規、心理學等知識予以整合，將“安全第一”作為首要準則。

另外，機器人是人工智能技術應用的另一個領域，也是此種技術水平不斷提升的產物，并為加工生產、探險排爆、消防急救、太空探險等提供了全新路徑[1]。例如：在探空探險中，因為人體自身機能的限制，導致其無法適應太空環境，加之諸多領域存在輻射問題，所以增加了探險的難度。為此，必須實現對機器人的合理運用，使其能夠代替人完成工作，對太空環境、因素等進行探索。除此之外，機器人自身可以承受外界的壓力，所以也可以應用在探險排爆等領域中，即使工作期間導致機器人發生故障，也能夠通過修理等方式恢復正常。總體而言，人工智能技術的出現和應用加快了社會發展的速度，可以為諸多工作提供便利。又如：在醫療工作中，以往的人工模式很可能會發生誤差，而將人工智能應用在其中則可以有效提高工作的質量[2]。

在未來的發展中，諸多行業均會進入智能化階段，導致很多工作的安全性降低，人工方式難以安全、高質量地完成工作。因此，可以充分發揮人工智能技術的作用，包括擦洗玻璃幕墻、更換高層玻璃窗等。也就是說，人工智能技術的水平將會不斷提高，且應用的領域也有所拓展，能夠提高人們生活與工作的舒適性。

2? 人工智能在模式識別中的關鍵技術

對于模式識別而言，需要將人工智能技術作為前提，可以實現對對象相關信息的采集、分析與匹配。基于此，可以高效完成人們期望的相關操作。在這一過程中，必須充分發揮人工智能的價值，確保模式識別能夠發揮作用、實現目標。對于人工智能的關鍵技術而言，可以結合操作流程分為四個層面，即特征檢測技術、特征提取技術、模式匹配技術、語義分析技術。其具體的應用方式如下。

2.1? 特征檢測技術

在應用人工智能技術的過程中，需要通過傳感器、攝像頭等設備，實現對外界語音文字、圖像視頻等信息的采集。然后，便可以實現對特征檢測技術的應用，對以上數據信息進行相應的預處理。完成以后，便能夠對語音文字或者視頻圖像中的目標對象予以確定，并實現對目標信息特征輪廓的標定。例如：在一幀視頻或者一副圖像中，所包含的內容十分豐富，結構有較強的復雜性。同時，其中所蘊含的客觀物體也體現出較多的特點，包括模板特點、直方圖特點、結構特征、顏色特征等。因此，只需要運用人工智能技術中的特征檢測，實現對有價值信息的選取、確定。在這一基礎上，可以對目標對象進行初步檢測分析。

目前，在模式識別中所采用的人工智能技術包含諸多類型，如圖像檢測方法，包括支持向量機、神經網絡、Adabooat等。以上諸多算法均屬于同一種類型的方法，可以實現對低效技術方法予以集成，從而構建一個更加強大的分類技術方法。在實現圖像檢測的過程中，可以充分利用檢測算法的價值，對目標對象矩形特征進行挑選。然后采用加權投票的方式，對常見的弱分類器進行集成，從而形成一個更強大的分類器。在這一基礎上，可以采用訓練學習的方法，將不同的強大分類器串聯起來，構建一個具有極聯結構特點的層疊分類器。而后將其應用在模式識別中，可以有效提高分類器進行對象檢測的效率、速度，為后續諸多環節的順利進行奠定基礎[3]。

2.2? 特征提取技術

在模式識別中，為了能夠充分發揮人工智能技術的價值，需要將特征檢測作為前提。而在完成特征檢測以后，則需要充分發揮特征提取技術的作用，實現對海量數據信息中有價值特征的確定。也就是說，特征提取屬于人工智能中另外一個關鍵技術，可以對語音文本、視頻圖像等信息中所包含的大量特征進行檢測，然后完成特征信息的準確提取。對于特征提取技術而言，主要是人工智能技術學習、建模的一個過程，結合其運行工作的特點，被人們稱之為對圖像表征的描述。

結合特征提取技術的應用方式，可以對其方法進行分類。其一，是采用知識表征的方式進行特征提取;其二，則是以統計學表征和代數特征為基礎的方法進行特征提取。無論采用哪一種方法，都能夠在模式識別中發揮其作用，實現對特征的準確確定。其中，知識表征的方式進行特征提取，主要是結合目標對象的距離度量特征、外形輪廓特征等，實現數據的提取、選擇。其中，特征距離度量主要包括歐式距離、曲率角度等。而其中所涉及的目標對象輪廓特征所包含的內容較多，包括眉毛、鼻子、眼睛、嘴唇等，可利用特征提取技術實現一一分解，并結合局部特征的結構，將普遍性的知識展現出來。目前，以代數為表征的特征提取技術，主要涉及密度聚類、K均值、支持向量機、譜聚類等。而以統計學與代數特征為核心的方法，則是對對象的像素予以提取、統計，運用統計學方式對其特征進行更加嚴密的提取、分離。

2.3? 模式匹配技術

在模式識別中應用人工智能技術，可以通過特征提取技術實現對對象顯著特點的提取、分析。而完成提取以后，人工智能技術則會憑借自身的優勢，對采集的特征信息與模式庫中的信息完成對比、匹配。也就是說，此環節需要實現對模式匹配技術的合理運用，確保人工智能技術可以充分發揮價值，實現模式識別的目的。對于模式匹配而言，其本質屬于對模式進行搜索以及對比的一個過程。

將人工智能技術作為基礎，可以在模式識別的環節中，對模式匹配對應的操作閾值進行比較。例如：將相似度當作模式匹配的度量，并設置一個相對應的閾值。完成閾值的設置后，則可以對對象的特征信息進行比對。假設發現相似度比設定的閾值高，則表示本次的匹配結果成功。反之，則為失敗，需要對閾值設定、特征提取等環節進行檢查、分析，確定其中是否存在異常現象，然后進行針對性處理，完成以后再次進入模式匹配。

2.4? 語義分析技術

當模式識別的匹配環節完成且匹配結果成功以后，人工智能技術則會對機器語言進行相應的轉換，使其以人可以認識、理解的自然語言呈現出來。因此，則需要發揮其中的語義分析技術，實現對語言的識別、轉換，最后將結果展示給人們。基于此，人們可以結合語義分析的最終結果做出相關決策，例如：為系統的下一步運行提出指令等。由此能夠發現，在模式識別中人工智能技術發揮著重要作用，并基于自身的多個核心技術，為人們實現對系統的合理操作提供幫助、參考，深化此種技術應用的價值。

3? 結? 論

綜上所述，本文分析了人工智能技術的應用情況、發展情況，發現其在模式識別層面具有十分重要的意義。其中，為了實現模式識別，人工智能技術的核心技術之間，具有層次性、遞進性的特征。如此一來，能夠確保不同技術之間緊密配合，從而有效提高人機交互、智能制造、文本檢索、虛擬現實、視頻追蹤等工作的準確性、快速性。

參考文獻：

[1] 《模式識別與人工智能》參與主辦的第19期自動化前沿論壇召開 [J].模式識別與人工智能，2019，32（6）：568.

[2] 張懿璞，閆茂德，常琪.基于人工智能背景下的模式識別課程教學改革與實踐 [J].陜西教育（高教），2018（11）：26+40.

[3] 《模式識別與人工智能》入選《2017年中國科學院科學出版基金科技期刊排行榜》（三等） [J].模式識別與人工智能，2018，31（2）：141.

作者簡介：周波（1963.11-），男，漢族，黑龍江哈爾濱人，教授，博士，研究方向：模式識別、計算機視覺;謝光（1983. 10-），男，漢族，山東單縣人，副教授，碩士，研究方向：智能系統、優化調度算法。