第7章 模式识别概述.pptxVIP

第7章模式识别第1讲基础理论什么是模式识别模式识别（PatternRecognition）是指让机器自动地识别图像、信号中所蕴含的模式，包括事物间的关联、规律、固有结构等。简而言之，模式识别是基于已有的知识以及从数据表征中抽取的统计信息，让机器对数据进行判断和分类的过程。常见应用场景：通过观察脑部影像对病人进行诊断通过对比指纹或DNA来识别罪犯通过雷达或声呐信号检测是否有导弹来袭根据客户信息判断其是否有信用风险什么是模式识别模式识别的历史：“人类的决策过程在某种程度上与模式识别有关。例如，国际象棋的下一步行动是基于棋盘上的当前位置，而买卖股票的决定是根据复杂的信息模式而进行的。模式识别研究的目的是弄清决策过程的这些复杂机制，并使用计算机使这些功能自动化。但是，由于问题的复杂性，大多数模式识别研究都集中在更现实的问题上，例如拉丁字符的识别和波形分类等。”(Fukunaga,1990)起源于20世纪20年代，伴随着计算机的出现以及人工智能的兴起与发展，模式识别逐渐发展为一门独立学科。近30年来，随着计算机运算性能的急剧提升、数据的极大丰富，加之机器学习与深度学习等技术的飞速发展，使得模式识别的技术和应用场景都得到了长足的发展。什么是模式识别模式识别是挖掘样本和模式类别之间的映射关系。样本一般指的是个体研究对象，而模式类别则是样本集合中的子集，其中的样本具有同样的属性或者规律。以识别手写数字为例，任何一个手写的数字就是样本，而这里的模式类别就包含0、1、2、3、4、5、6、7、8、9。此时模式识别的任务就是建立样本（手写的数字）和模式类别（具体是哪一个数字）之间的映射。特征与模式的描述每一个个体的观测对象都是一个样品，一般记作X，而一个样品集（也称数据集）是由众多样品所组成的。例如，包含了N个样品的集合可以记作{X1,X2,…,Xk,…,XN}。这里面的样品可能分别属于M个类别，例如{w1,w2,…,wM}等，也就是说，这N个样品中属于w1的有N1个，属于w2的有个N2等等。特征与模式的描述?样品的特征：每个样品都只是一个观测对象，想要对这些样品进行模式识别分析，就需要抽取能够描述该对象的一系列属性，而这些属性往往被称为一个样品的“特征”。例如，以一个人为观测对象的话，可以利用他/她的身高、体重、年龄、性别、收入、教育背景等等作为描述的特征。每个样品都可以由一个n维的向量进行描述，其中的每一个维度都对应着该样品的一个特征这种向量一般称为样品X的特征向量，其中的元素，即特征一般利用小写字母表示，记作：特征与模式的描述模式识别的问题：如何根据一个观测个体X的n个特征来判断该个体是属于类别w1,w2,…,wM中的哪一个。如果将这些描述个体属性的特征视作其特征空间，其中的模式，即这些类别就可以被认为是数据的解释空间。模式识别也就是在数据的特征空间和解释空间之间找到一种合理的映射关系。特征抽取对于模式识别或是一般的机器学习模型来说都是至关重要的。选择合适的特征，并对其进行合理的度量，可以极大地提高这些模型的准确性以及运行效率。需要选取那些被观测个体与目标模式联系最为紧密的特征。模式识别系统的功能单元模式识别系统：包含数据的收集、数据预处理、特征工程、模型设计与训练以及最终的决策应用。模式识别系统可以大致分为两个模块：设计和训练模块以及应用和预测模块。模型设计与训练则是整个工作的核心。模式识别系统的功能单元模型设计和训练特征向量反馈与改进训练样本判别函数（模式识别算法）模型评估专业知识分类标签模型应用和预测特征向量预测模型（已训练的模型）预测结果待识别样品模式识别系统的功能单元模式识别系统中的重要单元：数据收集单元特征工程单元训练标注单元模型设计单元预测单元模式识别作为风险评估模型灾害风险评估的目标：根据当前的某种状态，预测是否会发生灾害。根据已发灾害前期的信息，预测该灾害的发展和影响程度。一般地，这种从历史已发生事件中寻找规律，提前预测、预防未来事件的情景，都可以从模式识别技术中汲取模型和方法。为什么要用模式识别的技术方法来进行灾害风险评估？传统的风险评估存在主观或人为的因素。基于模式识别，或广义的机器学习方法的风险评估是建立风险来源和风险评价系数的非线性映射。收集数据的途径和能力的极大提升，使用庞大的历史数据对机器学习模型进行训练，自组织构造风险评估拓扑模型，具有较好的客观性、可比性和公正性。第7章模式识别第2讲模式识别技术模板匹配法(TemplateMatching)模板匹配法(TemplateMatching)：模板匹配法试图回答有关图像的最基本问题之一：给定图像中是否存在特定对象或模式，以及在何处找到。此处所指的模板就是对该对象或模式的描述，也是图像本身。该方法主要是通过计算模板与给定图像中的所有