模式识别技术在电子信息特征提取中的应用探讨

雷高谋

摘要：模式识别技术是当今的热门研究方向，其在对于电子信号的提取中有着极为重要的作用，可以有效地对信号进行回归拟合以及分类，本文通过对于模式识别技术的分析，通过具体的算法来对于电子信息的提取方法进行分析，为其进一步发展提供创新的思路。

关键词：模式识别；电子信息；应用

中图分类号：TP21 文献标识码：A 文章编号：1007-9416（2017）11-0096-02

1 引言

模式识别是人工智能领域的一个重要的分支，模式识别技术可以分为两大部分，第一类是基于机器学习的，第二类是基于统计方法的，根据实现的原理可以划分为基于几何特征、基于模型、基于统计方法、基于神经网络等。模式识别算法采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对信号进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，同时可以对不清晰的图像、动态的图像进行较为精确的识别，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的信号库进行训练，使得模式识别模型的准确度非常高，同时时间减小，可以达到万分之一秒。

2 模式识别技术概述

模式识别是一门交叉性学科，涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。电子信息提取就是从大量的电子信息中发现隐含知识和模式的一种方法和工具，它从数据挖掘发展而来，但与传统的数据挖掘又有许多不同。电子信息的识别及其特征项的选取是数据挖掘、信息检索的一个基本问题，它把从电子信息中抽取出的特征进行量化来表示其信息。例如可以采用主流的深度学习方法来进行特征值提取，通过卷积神经网络对图像进行识别，通过多层特征的融合来使得运算量降低，识别速度加快，通过基本的特征信息，从而反映出高级别的属性特征，其识别准确度较高，抗干扰性较强。基于深度学习的特征提取算法，通过较大规模的图像库进行训练，使得图像识别模型的准确度非常高，同时时间减小，可以达到万分之一秒。电子信息的模式识别主要是用函数逼近的方式来进行，最优化识别的主要是采用神经网络的方法，主要由评判、模型和执行三个部分来组成，它们都是用神经网络来进行实现的，主要可以采用相关的函数来对于内部的权重进行调整，从而达到分类的目的。对于实际的识别操作来说，模式识别可能会存在一些问题，在这样的情况下，就需要采用神经网络的方式对其进行学习与训练，使得其能够实现强化学习，对于整体进行逐次的优化，最终得到全局的优化识别提取函数，通过神经网络建模的方法，可以有效的对于电子信息特征进行提取，所以神经网络依然是当前很长一段时间内控制科学的发展方向。

3 电子信息的特征提取方法分析

3.1 SIFT特征提取算法

对信号变化保持稳定的特征描述符稱为不变量，比如对信号的旋转保持稳定的不变量称为旋转不变量，对尺度缩放保持稳定的不变量则称为尺度不变量。SIFT 特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。SIFT 算法的实质是检测信号的局部特征-SIFT特征点，然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量—SIFT 描述子，从而把信号匹配问题转化为SIFT描述子的匹配问题[1]。SIFT特征提取方法是通过强化学习，来对传统的特征提取进行优化，然后可以有效的解决离散系统和非线性系统中出现的问题，主要包括特征迭代和值迭代两种形式，特征迭代主要是通过特征评价与改进的方法，对每一步的特征进行评估，来不断的寻找优化的特征，同时对其进行改良和优化，得到新的权值，生成新的优化函数进行计算，在这个过程当中，评估和改进是循环进行的，最后将会得到一个最优的特征。但是需要注意的是，在最好的运行模式下，相关的一些外部参数条件应当是稳定的，这是非常重要的，如果没有这个条件，就会导致整个特征评估，出现一些意外的情况。值迭代的算法主要是针对于一些方程式的计算，通过最优函数的寻找与控制计算，就能计算出最优的值，它不需要进行控制特征的稳定化，在我们的使用当中必须要注意，无论是迭代特征还是值迭代，都需要对于被控对象的相关特性，尤其是内部特性进行研究，这也是SIFT特征提取的核心特点。在这个算法进行计算的过程当中，对于初始条件进行选择是极为重要的，它对于整个算法能否在较短时间内得到正确的答案，收敛到稳定的区域内是起着关键性的作用的，因此这个算法主要困难在于需要在一开始就找到一个稳定的特征提取模式。

3.2 Brief特征提取算法

Brief的特征提取算法步骤为：（1）给定一个信号。（2）对信号做平滑处理。平滑处理，也就是高斯滤波，也就是blur operation，降低信号噪声。平滑处理在BRIEF中很重要。（3）在信号上，选择一个局部块区patch，用表示，它的大小是SxS像素，在p上面提取BREIF特征。一个BRIEF特征，就是若干个测试组成的字节（bit）串。构造特定的[x，y]对，做测试，就得到了BRIEF特征[2]。Brief特征提取的构建模型是极为复杂的，通过中间层可以对于优化函数进行逼近，在对于信号识别配准进行最优化计算时采用的是单隐层的Brief特征提取网络，同时选择双极性的转移函数来进行计算，这样有利于将内部的关系进行提炼，权值的调整速度也会更快，这样就使得整个系统的数量速度变快，响应速度较高，但是对于节点数要进行控制，如果节点数过少的话，就可能会导致系统的信息分析能力较差，无法对于样本中的规律进行有效的提取，就会导致读取失败，如果节点足够多的话，就很可能会导致整个系统的收敛速度较慢，引起系统出现自身的稳定性误差，造成严重的干扰，所以我们应当综合性的进行评估，选取合适的节点数。Brief是以特征提取系统来进行操作的计算机运行模式，是面向操作层的，是特征提取初级阶段的产物，主要是进行数据运算而不是管理。能够快速的进行特征提取的高度集中和统一处理，重要标志是在其中有一个非常庞大的中央数据库，它可以进行分布式处理，对于快速性的识别，有着极为关键的作用。对于特征提取处理的系统优化要求更高，对于系统设计的结构性要求也较高，因此其可以方便工作人员使用，因其符合他们的思维习惯，同时强调自顶而下的设计，能够实现高效率的运转[3]。

4 结语

随着计算速度和准确率的不断提升，电子信息特征提取的应用越来越普遍，同时推动了各种信号识别技术的发展速度，模式识别虽然有很多无法克服的缺点，但是借助这一重要的科技发展趋势，也在一步一步推动各行业蓬勃发展，让生活更加智能化，大大的减少了人力的成本，提升了工作的效率，模式识别是重要的技术基础，它在工业生产领域有着深远的影响。

参考文献

[1]薛爱军，王晓丹.基于子类划分和粒子群优化的自适应编码多类分类方法[J/OL].控制与决策，2017：1-8.

[2]尹勇.关于一种数控铣刀磨损量监测识别新算法研究[J].科技风，2017，（20）：200-201.

[3]孙立丽，王萌，任晓亮.化学模式识别方法在中药质量控制研究中的应用进展[J].中草药，2017，48（20）：4339-4345.

Abstract：Pattern recognition technology is a hot research direction nowadays. It plays an extremely important role in the extraction of electronic signals and can be used to fit and classify signals effectively. Through the analysis of pattern recognition technology， Algorithm to analyze the method of extracting electronic information and provide innovative ideas for its further development.

Key Words：Pattern recognition；Electronic information；Applicationendprint