1996年4月15日收到。国家“863”计划资助项目。
通讯联系人：陈念贻，中国科学院上海冶金研究所，上海 200050。
第25卷第5期硅 酸 盐 学 报
V ol .25,N o.5 1997年10月
JO U RN AL O F T HE CHIN ESE CERAM IC SO CIE T Y
trick or treatO ctober ,1997
简 报
古陶瓷分类研究中的模式识别人工神经网络方法
郭景康 陈念贻
(中国科学院上海冶金研究所)
摘 要 将模式识别人工神经网络方法应用于古陶瓷分类研究中，给出了古陶瓷分类的数学判据，用计算机设计了新的陶瓷釉化学组成点，并对古陶瓷的分类进行了定量预报。关键词 模式识别，人工神经网络，古陶瓷分类
古陶瓷的分类对古陶瓷的断代、断源等皆有重要意义，是古陶瓷科学的主要课题之一。多元统计分析方法应用于古陶瓷分类已取得不少成果[1,2]。本工作将模式识别人工神经网络方法应用于古陶瓷分类的研究中，给出古陶瓷分类的数学判据，且定量预报古陶瓷的类别。
crt是什么意思
本文所用的模式识别方法是将高维空间的模式图形降到二维空间和将二维空间的图形返回到多维空间的映射方法。这种方法已广泛应用于化学和材料科学中[3]。模式识别与多元统计分析之间的主要区别在于，模式识别不要求假定样本服从某种统计分布，而是从空间区域划分和从样本属性着眼进行分析，因而是一种非函数的几何方法。
人工神经网络(ar tificial neural netwo r k ，简化为AN N )是一类试图模拟人脑神经网络结构的新型数据处理系统，具有自适应、自学习的功能，特别适合处理复杂的非线性现象[4]。人工神经网络与模式识别方法综合应用在相图预报、新材料设计等方面取得很大的成功，它尤其适合对现有经验规律的总结。
以一组古代钧瓷釉作为研究对象，研究样本包括19个古钧瓷釉、7个近代仿钧瓷釉和18个铜红釉[5]，
它们的化学组成范围见表1。
表1 样本的化学组成范围
Table 1 Chemical composition range of the samples
w /%
Chemical com position
Ancien t J un glaze Imitation Jun g laze Copper red glaze SiO 269.92～73.6059.97～72.7956.30～67.14Al 2O 39.50～10.809.11～11.53 5.66～15.13Fe 2O 3 1.07～ 2.720.49～ 1.580.35～0.88M gO 0.50～ 1.600.32～ 2.140.35～ 2.60CaO
8.82～12.09
8.61～14.52
4.79～17.77
614
centuries
DOI:10.14062/j.i ssn.0454-5648.1997.05.020
续表1 Chemical com position Ancien t J un glaze Imitation Jun g laze Copper red glaze CuO0.00～0.450.22～0.840.28～ 3.00
TiO20.20～0.530.07～0.340.00～0.08
SnO20.00～0.530.00～0.560.00～ 2.60
P2O50.53～0.950.10～0.540.01～0.34
K2O 2.35～ 4.90 3.40～7.52 1.87～ 4.68
Na2O0.48～ 1.650.22～ 3.78 2.26～9.32
1 计算步骤
1.1 在样本各化学组分所构成一个11维空间中，各个样本都映着这个空间上的一个点，依次将古钧瓷釉、近代仿钧瓷釉和铜红釉的分类值取为1,2和3，用模式识别中的PCA(principle co mpo nent a na ly sis)方法进行分析，得到的分类见下图。图中A区为古钧瓷釉区,B区为近代仿钧瓷釉区,C区为铜红釉区。
古代钧瓷釉模式识别分类图
Classificatio n of ancient Jun g la zes by patter n recog nition
A——Ancient Jun g laze; B——Imitation J un glaze; C——Copper red g laze
1.2 用模式识别的逆映照方法设计古钧瓷釉、近代仿钧瓷釉和铜红釉的新化学组成点，分别在图中A,B和C区取点，用逆映照方法[6]计算这些点对映的化学组成如表2。
表2 用模式识别设计的各类瓷釉新化学组成点
Table2 New glaze components designed with pattern recognition w/% Ch emical composition SiO2Al2O3Fe2O3M g O CaO CuO TiO2SnO2P2O5K2O Na2O Ancient Jun glaze71.389.47 2.030.849.350.700.360.170.67 4.300.86 Imitation J un glaze68.069.75 1.250.5510.760.810.240.950.39 5.33 2.02 Copper red glaze65.0713.20.770.8811.440.660.050.480.11 5.06 2.37
1.3 用样本的化学组成作为人工神经网络的输入，用古钧瓷釉、近代仿钧瓷釉和铜红釉的分类值作为人工神经网络的输出，利用一些典型的传递函数，如Ta nh(X),Sig moid等函数，调整关联系数W ij，训练人工神经网络。计算中我们使用了美国的N eural W ar e Inc的AN N程序。用训练好的人工神经网络对样本的分类
615
值进行拟合，拟合值与原分类值的比较见表3。
表3 人工神经网络拟合值与原分类值
赴美签证政策
Table3 Correlation value by ANN and the primary classif ication value Sample n umber1234567891011
Correlation v alue0.950.970.950.99 1.02 1.050.91 1.100.940.950.98 Primary value11111111111 Sample n umber1213141516171819202122 Correlation v alue 1.080.990.970.89 1.100.930.97 1.15 1.85 2.03 2.09 Primary value11111111222 Sample n umber2324252627282930313233 Correlation v alue 2.05 2.11 1.99 2.00 2.98 2.78 2.95 3.11 3.06 3.06 2.94 Primary value22223333333 Sample n umber3435363738394041424344 Correlation v alue 3.01 2.95 3.00 2.89 3.11 2.99 2.96 3.05 3.07 3.10 2.93 Primary value33333333333
1.4 在训练好的人工神经网络的基础上，用留余法对随机抽取的12个样本的分类值进行预报，预报值与原分类值的比较见表4。
表4 人工神经网络的预报值和原分类值
Table4 Predicted value by A NN and primary classification value Sample n umber15913182124262
9323741 Predicted value 1.02 1.050.990.93 1.05 2.10 2.05 1.92 3.01 2.99 2.90 3.02 Primary value111112223333
2 结果与讨论
2.1 由PC A分析得到的古代钧瓷釉分类图清楚表明，不同种类的瓷釉分布在不同的区域,PCA分析给出以下判据:
Y1=0.393W SiO
2-0.080W Al
2
O
3
+0.407W Fe
2
O
3
-0.051W M gO-0.204W CaO-0.328W CuO-
现百年前水果蛋糕0.413W TiO
2-0.137W SnO
beta是什么意思2
+0.410W P
2O5
+0.170W K
2O
-0.032W Na
2O
当: Y1> 1.0 为古钧瓷釉;
-1.0<Y1<1.0为近代仿钧瓷釉;世界语言分布图
Y1<-1.0为铜红釉。
式中:W为相应的各种氧化物的质量百分数。由上式可以看出，瓷釉的化学组成中的二氧化硅、三氧化二铁、氧化钛和五氧化二磷是判别古代钧瓷釉种类的重要指标。由于原料中高岭土用量的增加和原料加工水平的提高，瓷釉中的二氧化硅、三氧化二铁和氧化钛的含量，依次由古钧瓷釉到近代仿钧瓷釉到铜红釉显著降低。三种瓷釉中五氧化二磷的含量较高的原因则难以断定。
2.2 用模式识别方法设计新材料已有成功之例[7]，作为一种尝试，将此方法应用于古瓷釉的化学组成点的设计。根据设计的化学组成点，用线性规划的方法可以计算瓷釉的配方[8]，为古陶瓷的研究和再现提供参考依据。
2.3 由计算结果表明，人工神经网络方法可以用于古陶瓷分类的定量预报。将训练好的人工神经网络结合模式识别结果，作成古陶瓷分类专家系统，可用于对新的古陶瓷样本进行分类。在条件有限的情况下，用这种方法可以方便快捷地为古陶瓷的断源、断代等提供依据。
616
3 结 论
将模式识别人工神经网络方法用于古陶瓷分类的研究，可以做到:(1)成功将古陶瓷分类;(2)定量预报古陶瓷的类别。
参 考 文 献
1 李家治，陈显求.古陶瓷科学技术第一集——国际讨论会论文集(ISAC′89).上海：上海科学技术出版社,1992:116～126
2 李家治，陈显求.古陶瓷科学技术第二集——国际讨论会论文集(ISAC′92).上海：上海古陶瓷科学技术研究会,1992: 72～90
3 Strouf O.Ch ermical Pattern Recog nition.Letchw orth,Hertfo rds hire,England:Rearch Studies Pres s.1986:93～104 4 焦李成.神经网络的应用与实现.西安：西安电子科技大学出版社,1993,6
5 杨文宪，汪玉玺.从化学组成看铜红釉与古钧瓷.见：中国科学院上海硅酸盐研究所编.中国古陶瓷研究，北京：科学出版社,1987:225～231
6 陈 煜.相图预报中的模式识别方法:[博士论文].上海：中国科学院上海冶金研究所,1993,6
感谢父母的英语作文7 李重河.相图预报中的模式识别人工神经网络方法:[博士论文].上海：中国科学院上海冶金研究所,1995,4
8 郭景康.日用陶瓷原料的工艺性能与其化学组成关系的研究:[硕士论文].陕西：西北轻工业学院,1994,6
PATTERN REC OGNITION ARTIFICIAL NEURAL NETW ORK METHOD APPLIED TO THE C LASSIFIC ATION OF ANCIEN T C ERAMICS
Guo J ingkang Chen N iany i
(Shanghai Institute of M etallurg y,Chine Academy o f Sciences)
ABSTRACT The method o f patter n r eco g nitio n a rtificial neura l netwo r k w as applied to cla ssifica tio n of an-cient ceramics.The mathema tica l criteria of ancient ceramics cla ssifica tio n w ere giv en.Ch emical co mpo nents o f new glaze w er e desig ned.At the sam e time,the class o f so me ancient cer amics w as predicted quantitativ e-ly.
KEY WORD patter n recog nition,a rtificial neur al netw o rk,a ncient cer amic classifica tio n
reali和realize
breeReceiv ed:April15,1996.
Corres pondent:Ch en Nianyi,Shanghai Institute of M etallurgy,Chine Acad emy of Sciences,Shanghai200050.
617
