2.3.4  目标识别

特征级融合的目标识别算法目前都是基于模式识别的方法，可分为统计模式识别、句法模式识别、模糊模式识别、人工智能方法。统计模式识别、句法模式识别这两种方法比较成熟，发展得较早，但是自身缺点很多，现在用得较少。后两种方法目前都是研究的热点，应用也较多，由于模糊模式识别和人工智能方法都允许样本有较大的缺损、畸变，目前这两种方法都在积极的探索中。

（1）统计模式识别

统计模式识别又称统计决策法，它的理论基础是概率论和数理统计。其主要方法包括线性分类、非线性分类、贝叶斯决策、聚类分析等分类方法，是发展较早、也比较成熟的一种方法。为此而引入鉴别函数，由特征矢量计算出对应于各类别的鉴别函数值，通过鉴别函数值的比较实行分类。其主要优点是比较成熟、能考虑干扰噪声等影响、识别模式基元能力强；缺点是对结构复杂的模式抽取特征困难、不能反映模式的结构特征，难以描述模式的性质，难以从整体角度考虑识别问题。

（2）句法模式识别

句法模式识别也称为语言学方法、结构方法。句法模式识别的方法是用简单的子模式组合描述一个模式，更简单的子模式的组合又可描述子模式，结构描述最终得到一个树形，模式基元就是在底层的最简单的子模式。在句法模式中选取基元就是目标识别中选取特征。对模式提供紧凑并反映其结构关系的描述就是基元的要求，并且抽取可以用非句法方法。重要的结构信息并不包含在基元本身。模式描述语句就是一组基元与基元的组合关系形成模式的描述，类似于语言中词组合成为短语和句子的作用，而词是用字符组合而成的。语法来指定基元组合成模式的规则。一旦基元被鉴别，识别过程可通过句法分析进行，即分析给定的模式语句是否符合指定的语法，满足某类语法的即被分入该类。

（3）模糊模式识别

面对甲、乙两类归属问题，传统的二值逻辑模式，对样本A或者属于甲，或者属于乙。Zadeh在1965年提出模糊集理论，将传统的二值0和1的逻辑模式转化为逻辑（0，1）区间，此种对事物刻画的模式改变了片面、单纯的通过事物内涵描述其特征的方式，并且提出了综合事物内涵与外延性态的数学模型，构建了隶属度函数。模糊逻辑面对甲、乙两类归属问题，认为A既属于甲，又属于乙，判断两者归属的结果是根据A在甲、乙两类中的隶属度即归属程度不同。模糊模式识别与普通的模式识别方法相比，具有客体信息表达更加合理，信息利用充分，各种算法简单灵巧，识别稳定性好，推理能力强的特点。模糊模式识别思想方法对解决模式识别问题起到了很大的推动作用。

如何建立隶属度函数是模糊模式识别的关键，但是如何建立比较合理的隶属度函数目前还是难点，是需要进一步解决的问题。模糊统计法、模糊分布法、二元对比排序法、相对比较法和专家评分法等是目前的主要方法。这些方法虽然具有一定的客观规律性与科学性，也已经开始应用并取得巨大成果，但建立时也需要人为的主观因素，因此怎样建立准确合理的隶属度函数还需要进一步摸索出合理的、普适的理论和方法。

（4）人工神经网络识别

人工神经网络是模拟动物神经系统的某些功能，采用软件或硬件的方法，建立了许多以大量处理单元为节点，处理单元间实现（加权值的）互联的拓扑网络，进行模拟，称为人工神经网络。这种方法可以看作是对原始特征空间进行非线性变换，产生一个新的样本空间，使得变换后的特征线性可分。同传统统计方法相比，其分类器是与概率分布无关的。人工神经网络的主要特点在于其具有信息处理的并行性、自组织性和自适应性，具有很强的学习能力和联想功能以及容错性能等，在解决一些复杂的模式识别问题中显示出了其独特的优势。

人工神经网络是一种复杂的非线性映射方法，其物理意义比较难解释，在理论上还存在一系列亟待解决的问题。例如在设计上，网络层数的确定和节点个数的选取带有很大的经验性和盲目性，缺乏理论指导，网络结构的设计仍是一个尚未解决的问题。在算法复杂度方面，神经网络计算复杂度大，在特征维数比较高时，样本训练时间比较长；在算法稳定性方面，学习过程中容易陷入局部极小，并且存在欠学习与过学习的现象，范化能力不容易控制。这些也是制约人工神经网络进一步发展的关键问题。