人工智能及应用-第八章-模式识别.pptxVIP

人工智能及应用模式识别第八章

线性分类器贝叶斯决策理论概述8.18.28.3√聚类分析8.4

8.1.1模式识别的发展与应用8.1概述传统的用于模式识别的方法，局限于统计模式识别与句法模式两大类。随着模糊数学的迅速发展，传统模式识别方法也深入到了模式识别的许多环节，出现了模糊模式识别。接着又出现了基于神经元模型的人工神经网络模式识别方法。这四种方法共同构成支持模式识别学科的四大支柱。模式识别是一门以应用为基础的学科，随着信息技术应用的普及，模式识别呈现多样性和多元化趋势，其中生物特征识别成为模式识别研究活跃的领域，包括语音识别、文字识别、图像识别、人物和环境识别、医疗诊断等经典问题。随着信息安全需求的急剧增长，生物特征的身份识别技术，如指纹(掌纹)身份识别、人脸身份识别、签名识别、虹膜识别、行为姿态身份识别也成为研究的热点。

8.1.2模式识别系统8.1概述人们在观察各种事物或现象的时候，是从一些具体的个别的事物或现象开始的，通常，通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息称为模式。模式所指的不是事物本身，而是从事物获得的信息。随着观察到的事物和现象的数量不断增加，形成一些概念，反映事物之间相似和差异的主要特征或属性，根据其对事物进行分析和认识，并按事物相似的程度组成类别。具有某些共同特性的模式的集合称为模式类。有习惯于将模式类称为模式，而将个别具体的模式称为样本。模式识别是研究如何用计算机的方法自动地将待识别模式正确地分配到各自的模式类中去。

8.1.2模式识别系统8.1概述模式识别系统主要由三个部分组成数据采集就是首先用敏感器件(传感器)或测量设备获得输入对象的特征信息，然后经过采样和量化，并用矩阵或向量表示二维图像或一维波形，将输入对象表示成计算机可以运算的数据或符号。输入信息通常包括：二维图像。如文字、指纹、地图、照片等。一维波形。如心电图、脑电图、地震波形等。物理参量和逻辑值。例如，人的体温，疾病诊断中的各种化验数据等。预处理的过程就是去除噪声，加强有用信息，并对输入测量仪器或其他因素造成的退化现象进行增强和复原。

8.1.2模式识别系统8.1概述特征提取和特征选择在模式识别系统中，识别对象必须描述成机器能够接受的形式，以便对其进行处理，这种表示形式就称为模式(pattern)。模式是根据事物的一组主要的有意义的特征或属性，对事物的一种定量的或结构的描述。描述时，要选择事物的n个有意义的数量特征，通常将其表示为列向量x称为特征向量。例如，在语音识别中，可将n个离散时间点上采样的声音信号表示为向量形式。在图像识别中，可以是n个像素点的灰度值。

8.1.2模式识别系统8.1概述特征提取和特征选择原则上讲，数据量越大，对输入对象的描述越精确，但实际上，其中的一部分对分类来说可能作用很小，甚至是无意义的。如果使用全部可测量到的特征去进行分类费时费力，会因为判别空间维数太高而使问题变得很复杂。也不一定能得到满意的识别结果。为了更经济、有效地实现分类识别，就要对原始测量数据进行挑选或变换，在保证要求的分类精度的前提下，得到对分类有意义的并且数量较少的一组特征，这就是特征提取和特征选择阶段要完成的任务。特征提取和特征选择就是数据压缩，将维数较高的测量空间的模式变为维数较低的特征空间的模式，其本质就是如何从多种特征中找到最利于分类的特征。

8.1.2模式识别系统8.1概述分类决策特征向量是n维欧式空间中的一个点，即模式。同一类模式比较相似，在欧式空间中一般聚集在一起，不同类的模式差异较大，相距较远。将某一对象归为某一类的模式识别任务其实就是进行分类。例如，将一个水果提供给识别系统，系统通过计算得到其特征向量，并根据特征值来判断水果是绿苹果还是桔子。完成判别工作的程序称为分类器。通常，可以利用一定数量的样本(训练集)进行分类器的设计，由此形成的分类规则可用于估计未知类别样本的类别属性。分类决策就是根据学习或训练阶段得到的分类规则进行分类判别，将待识别的模式归到某一个模式类。分类决策中的一个基本概念是相似度。

8.1.3模式识别方法8.1概述分类包括监督分类和无监督分类有监督分类利用监督学习算法，基于类别已知的训练样本集，通过挖掘已知信息来设计分类器。无监督分类则是在未知分类信息前提下的分类—聚类。聚类分析法是基于“物以类聚”的观点，根据模式之间的相似性进行分类的方法。根据模式识别的对象的性质以及描述方式，传统的模式识别方法主要分为统计模式识别和句法(结构)模式识别。此外，还有近十几年发展起来的模糊模式识别和神经网络方法。机器学习是研究如何使机器适应环境和通过范例进行学习的一门学科。模式识别的方法可以归于机器学习的范畴。

8.1.3模式识别方法