模式识别jnca01课件.ppt

模式识别 ★ 相关学科 ★ 教学目标 ★ 基本要求 ★ 教材/参考文献 讲授课程内容及安排 1.1.1 一个模式识别案例 识别是人类的基本行为 模式识别（Pattern Recognition） —使用计算机来辨别事物。 机器识别，计算机识别，机器自动识别。 一个模式识别案例 鱼类加工厂需要将传送带上的鱼自动进行分类 鲈鱼(Seabass) 品种 鲑鱼(Salmon) 问题分析 采用摄像机获取图像，根据图像对鱼进行分类。 可能遇到的问题： 目标的提取——预处理 分类的依据——特征提取 判别的规则——分类器设计 预处理 方便后续操作，同时又不损失关键信息。 去除噪声 光照调整 目标提取 方向、位置调整 大小规一化 …… 在本例中需要采用分割技术将鱼和鱼、鱼和背景分开 特征提取 原始数据量巨大，往往含有很多冗余信息，为了有效实现分类识别，需要对原始数据进行变换，以便得到最能反映分类本质的特征。 可以考虑的特征： 长度 光泽 宽度 鳍的数目和形状 嘴的位置, 等等…… 分类 根据某种判决规则将被识别对象归为某一类别。 基本方法： 在训练样本集上确定某个判决规则，使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。 预处理：去噪，用分割操作把鱼和鱼之间以及鱼和背景之间分开 特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量 长度 亮度 宽度 鱼翅的数量和形状 嘴的位置，等等 … 分类决策：把特征送入决策分类器 采用长度作为特征 结论 单独使用长度错误率太高 必须考虑其它特征 改进措施 采用光泽度进行新的尝试 采用光泽度作为特征 设 计 实 例 改进： 运用两种特征组和：光泽度和宽度 鱼 xT = [x1, x2] 我们可以尝试增加其他特征，但必须注意两点： 新增特征与已有特征不相关 不会引起性能的下降 我们还可以改进分类器模型，达到如下图所示的效果： 设 计 实 例 讨论：这样的效果好吗？ 讨论 我们的目标是使所设计的分类器能够正确识别未知样本---泛化能力 过分复杂的判决边界，过分关注某些特定的训练样本，而忽略了类别的共同特征，导致泛化能力弱！ 决策边界过于复杂导致的问题 运算量大 数学表达困难 泛化能力差：对未知样本的分类错误率高 理想状况：对训练样本的分类性能和分界面复杂度的折中 面向特定任务的分类系统及错误分类（误判）的代价（损失） 如果两种错误代价相同，则以最小错误率为准则； 如果两种错误代价不等，则以最小风险为准则。 可以调整阈值边界，确定最优的分界点。 确定某种决策规则，使得决策所引起的损失最小，这是决策理论的核心任务。 采用光泽度作为特征，考虑误判代价 模式识别的学习、训练方法 有监督学习（有教师学习）： 有一个已知样本集（集合中每个样本的类别已知），作为训练样本集，并通过挖掘先验已知信息来指导设计分类器。 无监督学习（无教师学习）： 没有已知类别标签的训练数据可用， 通过挖掘样本中潜在的相似性分类； 例2：如下图中一幅图形，要识别图中的物体，选用句法模式识别方法. 解：图形结构复杂，首先应分解为简单的子图（背景、物体）。 构成一个多级树结构： 在学习过程中，确定基元与基元之间的关系，推断出生成景物的方法。 判决过程中，首先提取基元，识别基元之间的连接关系，使用推断的文法规则做句法分析。若分析成立，则判断输入的景物属于相应的类型。 理论基础：形式语言，自动机技术 主要方法：自动机技术、CYK剖析算法、Early算法、转移图法 主要优点：1）识别方便，可以从简单的基元开始，由简至繁。2）能反映模式的结构特征，能描述模式的性质。3）对图象畸变的抗干扰能力较强。 主要缺点：当存在干扰及噪声时，抽取特征基元困难，且易失误。 理论基础：模糊数学 主要方法：模糊统计法、二元对比排序法、推理法、模糊集运算规则、模糊矩阵 主要优点：由于隶属度函数作为样本与模板间相似程度的度量，故往往能反映整体的与主体的特征，从而允许样本有相当程度的干扰与畸变。 主要缺点：准确合理的隶属度函数往往难以建立，故限制了它的应用。 理论基础：神经生理学，心理学 主要方法：BP模型、HOP模型、高阶网 主要优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。 主要缺点：模型在不断丰富与完善中，目前能识别的模式类还不够多。 理论基础：演绎逻辑，布尔代数 主