17、分布式模式识别算法研究

分布式模式识别算法研究

1. 模式识别基础

目前，模式识别主要依赖算法，在人类认知机制研究方面尚无实质性进展。人类将模式识别视为一种感知过程，该过程接收感官输入并将其转换为更抽象的代码。过去的知识经验和实际刺激是感知的先决条件，因此模式识别涉及两个相互关联的过程：自下而上处理和自上而下处理。
- 自下而上处理 ：从外部刺激开始，通常先分析较小的感知单元，再转向较大的感知单元，通过一系列连续阶段实现对感官刺激的解释，也称为数据驱动处理。
- 自上而下处理 ：由一般知识引导的感知处理，较高层次的处理限制较低层次的处理，也称为概念驱动处理。

这两种处理方式不同，且仅自下而上处理无法应对某些刺激的双关性或不确定性。分类具有绝对性，如提取哪些特征、提取多少特征以及如何提取特征等问题都是预先确定的；而人类分类具有相对性，看待问题的角度不同会影响分类结果。

2. 分布式模式识别框架目标

分布式模式识别有以下几个目标：
- 模拟人类群体行为 ：大脑神经系统中的每个神经元本身没有智能或意识，但通过神经元群体的动态交互，整个大脑神经网络表现出智能行为和意识的出现。分布式模式识别的目标之一就是模拟人类在模式识别中的群体行为。
- 解决语义差距 ：复杂系统由大量复杂交互的部分（Agent）组成，分析复杂系统的基本策略是将其分解为更基本的子系统，直到完全掌握。因此，解决微观层面和宏观层面之间的语义差距是分布式模式识别框架的另一个目标。
- 特征提取与选择