模式识别-概念、原理及其应用

模式识别-概念、原理及其应用内容摘要：

知所属类别的的训练样本集，按它们特征向量的分布来确定假说 （通常为一个判别函数），只有在判别函数确定之后才能用它对未知的模式进行分类； – 对分类的模式要有足够的先验知识，通常需要采集足够数量的具有典型性的样本进行训练。 假说的两种获得方法（续） • 非监督学习、数据驱动或演绎假说：在解释空间中找到一个与特征空间的结构相对应的假说。 这种方法试图找到一种只以特征空间中的相似关系为基础的有效假说。 – 在没有先验知识的情况下，通常采用聚类分析方法，基于“物以类聚”的观点，用数学方法分析各特征向量之间的距离及分散情况； – 如果特征向量集聚集若干个群，可按群间距离远近把它们划分成类； – 这种按各类之间的亲疏程度的划分，若事先能知道应划分成几类，则可获得更好的分类结果。 模式分类的主要方法 • 数据聚类 • 统计分类 • 结构模式识别 • 神经网络 数据聚类 • 目标：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。 • 是一种非监督学习的方法，解决方案是数据驱动的。 统计分类 • 基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。 • 特征向量分布的获得是基于一个类别已知的训练样本集。 • 是一种监督分类的方法，分类器是概念驱动的。 结构模式识别 • 该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目的。 • 识别采用结构匹配的形式，通过计算一个匹配程度值（ matching score）来评估一个未知的对象或未知对象某些部分与某种典型模式的关系如何。 • 当成功地制定出了一组可以描述对象部分之间关系的规则后，可以应用一种特殊的结构模式识别方法 – 句法模式识别，来检查一个模式基元的序列是否遵守某种规则，即句法规则或语法。 神经网络 • 神经网络是受人脑组织的生理学启发而创立的。 • 由一系列互相联系的、相同的单元（神经元）组成。 相互间的联系可以在不同的神经元之间传递增强或抑制信号。 • 增强或抑制是通过调整神经元相互间联系的权重系数来（ weight）实现。 • 神经网络可以实现监督和非监督学习条件下的分类。 模式识别系统 • 模式识别系统的基本构成 数据获取 特征提取和选择 预处理 分类决策 分类器设计 模式识别系统组成单元 • 数据获取：用计算机可以运算的符号来表示所研究的对象 – 二维图像：文字、指纹、地图、照片等 – 一维波形：脑电图、心电图、季节震动波形等 – 物理参量和逻辑值：体温、化验数据、参量正常与否的描述。