模式识别第1章.ppt

统计识别方法的分类 一、根据样本在空间中的几何分布进行分类 方法一：近邻法； 方法二：判别函数法。 二、根据样本在空间中的概率分布进行分类 贝叶斯分类器 识别系统的设计步骤 收集样本 确定识别特征 特征抽取 特征分析 确定识别方法 性能评价 性能评价： 正确识别率 = 正确分类数/总数 错误识别率 = 错误分类数/总数 拒绝识别率 = 拒绝分类数/总数 空间映射 空间映射是解决特征空间与有效分类之间的桥梁.使用空间映射关系,可以将各种有效的数学方法应用于模式识别之中以解决分类问题. 常用的空间映射方法: 线性映射,傅立叶变换,DCT变换,沃尔什变换,K-L变换,非线性变换. 数据的标准化 1.极差标准化: 一批样本中，每个特征的最大值与最小值之差为极差。 极差 极差标准化 2.方差标准化： Si 为方差 标准化的方法很多，原始数据是否应该标准化，应采用 什么方法标准化，都要根据具体情况来定。 准则函数的选择 准则函数是用以解决分类问题的依据. 对于具体的分类问题应选择合理的分类器设计方法与合理的准则函数,使得分类器的设计满足分类需要. 各种准则函数都是在限定条件下被提出来,因此在实际使用中都有一定的局限性. 机器学习方法 即使用已知样本来训练分类器,使之达到希望的性能.各种分类器设计中,无一例外地使用了机器学习的方法. 机器学习通过对样本信息的学习获得关于类别的知识,从而得到有效的分类器. 三、各类空间（Space) 模 式 识 别 三大 任务 对象空间 模式空间 特征空间 类型空间 模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。 特征提取和特征选择：由模式空间到特征空间的变换和选择。 类型判别：特征空间到类型空间所作的操作。 四、模式识别系统 数据采集 特征提取 二次特征 提取与选择 分类 识别 待识 对象 识别结果 数字化——比特流 预处理这个环节的内容很广泛，与要解决的具体问题有关，例如，从图象中将汽车车牌的号码识别出来，就需要先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开。做到这一步以后，才能对每个数字进行识别。以上工作都应该在预处理阶段完成。 通常能描述对象的元素很多，为节约资源和提高处理速度，有时更为了可行性，在满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征。使得用较少的特征就能完成分类识别任务。 分类识别是根据事先确定的分类规则对前面选取的特征进行分类（即识别）。 * 数据采集 特征提取 二次特征 提取与选择 分类 识别 待识 对象 识别结果 数据采集 特征提取 改进分类识别规则 二次特征提取与选择 训练 样本 改进采集 提取方法 改进特征提取与选择 制定改进分类识别规则 人工 干预 正确率 测试 模式识别系统的主要环节： 特征提取：符号表示，如长度、波形、。。。 特征选择：选择有代表性的特征，能够正确分类 学习和训练：利用已知样本建立分类和识别规则 分类识别：对所获得样本按建立的分类规则进行分类识别 五、模式识别的方法 决策理论方法（统计识别法）：以判别函数为基础，利用判别函数对模式进行分类。 句法模式识别（结构模式识别）：将对象分解为若干个基本单元—基元，用基元和他们的结构关系描述对象，运用形式语言理论进行句法分析，根据其是否符合某一类的文法而决定其类别。 模糊模式识别：运用模糊数学的理论和方法解决模式识别问题，适用于分类识别对象本身或要求的识别结果具有模糊性的场合。 人工神经网络法：是由大量简单的神经元相互连接而构成的非线性动态系统，具有学习、自组织、联想能力，在学习中具有自动提取特征，进行识别、决策。 人工智能方法：人工智能研究如何使机器具有人脑功能的理论和方法。将学习、知识表示、推理等用于模式识别。 统计模式识别 统计模式识别：是以决策函数为基础，对模式向量进行分类。 例w1,w2判别函数： d(X)=w1x1+w2 x 2+w3=0 式中w为参数，x1，x2是模式的坐标变量并且d(X)代表d(x1,x2)，把任何落在分界线上的观测值X代入上述方程式都得到d(X)=0，任何来自w1类的模式X，在代入d(X)时，得一负数，而w2则位于正数一边。 N维情况下： w1 w2 X1 X2 + - i=1 dk(X) = ∑WklΦl (X) k=1,2…n k 六.系统实例 纸币识别器对纸币按面额进行分类 面额 5元 10元 20元 50元 100元 长度(mm) 宽度(mm) 5元 136 63 10元 141 70 20元 146 70 50元 151 70 100元 156 77 磁性 金属条位置(大约) 5元 有 54/8