[发明专利]一种大容量的模式识别方法

说明书

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2^N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2^N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w_i，j设计成一种随机变量或随机数值，根据w_i，j的数值大小在一个坐标轴上分成若干等份，x₁，x₂，…x_n，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w_i，j取值x_i的概率为ρ_i，j，那么取值X_i+1的概率为1-ρ_i，j。其中ρ_i，j＝(x_i+1-w_i，j)/(X_i+1-X_i)。

所述方法确定需要处理的w_i，j的元素的个数，即为处理单元的个数N，和w_i，j取值为x_i(概率为ρ_i，j)或取值为x_i+1(概率为1-ρ_i，j)的任意排列。因为每个w_i，j只有两个不同的取值，所以就可以构成2^N个不同的W_i，W_i即为存储在网络中的图像或模式。