漫谈模式识别及其应用研究.pptVIP

新一代广告模式 未来趋势：移动互联网下的模式识别应用 * * * * * * 1.3 模式识别的方法 模版匹配法(templete matching) 统计方法(statistical pattern recognition)： 1950s- 神经网络方法(neural network)： 1980s- 结构方法(句法方法)： 1970s- (structural pattern recognition ) 支持向量机、核方法：1990s- 多分类器、集成学习：1990s- Bayes学习：1990s- 1990s-: 模式识别技术大规模应用 模版匹配 首先对每个类别建立一个或多个模版 输入样本和数据库中每个类别的模版进行比较，例如：计算相关或距离 根据相似性（相关性或距离）大小进行类别的决策 优点：直接、简单 缺点：适应性差 扩展：弹性模版法 方法 统计方法 根据大量训练样本，建立决策边界(decision boundary) ，划分区域 统计决策理论——根据每一类样本总体的概率分布推导决策边界和决策域 判别式分析方法——给出带参数的决策表达式，根据某种准则，由训练样本决定“最优”的参数 方法 句法方法 许多复杂的模式可以分解为简单的子模式，这些子模式组成所谓 “基元” 每个模式都可以由基元根据一定的关系来组成 基元可以认为是语言中的词语，每个模式都可以认为是一个句子，关系可以认为是语法 模式的相似性由句子的相似性来决定 1970s由傅京荪(K.S. Fu, Purdue Univ.)提出 优点：适合结构性强的模式 缺点：抗噪声能力差，计算复杂度高 方法 神经网络 进行大规模并行计算的数学模型 具有学习、推广、自适应、容错、分布表达和并行计算的能力 优点：可以有效的解决一些复杂的非线性问题 缺点：缺少有效的学习理论 方法 几种方法比较 方法 表达 识别函数 评价准则 模版匹配 样本，像元，曲线 相关，距离度量 分类错误 统计方法 特征向量 决策函数 分类错误 句法方法 基元 规则，语法 接受错误 神经网络 样本，像元，特征 网络函数 均值方差错误 方法 神经网络和统计模式识别的关系 统计模式识别 人工神经网络 线性决策函数 感知机 PCA 自相关网络，PCA网络 后验概率估计 多层感知机 非线性决策分析 多层感知机 Parzen窗密度估计分类器 径向基函数网络 K近邻 LVQ 方法 1.4 有关模式识别的若干问题 模式类（样本集）的紧致性： 同一类的各模式属于一个紧致集：集合中任意两个内点可以用光滑线连接，在该连线上的点也属于这个集合。 每个内点都有一个足够大的邻域，该邻域只包含同一集合中的点。 假若每个模式类都满足紧致性假设，则解决模式识别问题就不会碰到原则上的困难。但对于很多实际问题，这个假设是不成立的。 假设临界点的数量与总的点数相比很少。 只要各个模式类是可分的，总存在这样一个空间，使变换到这个空间中的集合满足紧致性要求。 有关模式识别的若干问题 相似与分类：相似与分类问题远不像集合表达那样简单明了。集合的概念可用来表现已经分好的类，但对于怎样分类和归类则缺乏指导意义。 相似性度量：样本xi和 xj是Rn空间中两个点，它们间的某种距离的函数 s(xi, xj)。 距离: d(xi, xj)=[(xi - xj)T.(xi - xj)]1/2 相似性度量1: s(xi, xj)=f(d(xi, xj)) 相似性度量2: s(xi, xj)=arccos(xi, xj) 分类都是带有主观性的行为，常缺乏纯客观的分类标准。 靠哪些特征决定相似并进行分类，取决于行为的目的和方法。 1.5 模式识别应用 文本图像分析，文本分类 语音识别 工业自动化：零部件/物品分类 多媒体数据检索（文档、图像、视频、音乐检索 ） 生物特征识别，生物信息学，医学图像 空间探测与环境资源检测，遥感图像 安全监控（身份识别、视频监控、交通监控、音视频监听） 数据挖掘 …… 生物特征识别 应用 遥感图像地表分类 应用 医学图像分析 应用 车牌识别 应用 信函分拣 应用 一些其他有趣的案例 一些其他有趣的案例 手机产生 移动互联网 大脑变大 眼变长 手变长 移动无线互联网带来信息沟通的革命 手机俨然成为了我们生活的亲密伙伴 应用层的创新百花齐放 移动互联网发展特点和PR的机会 日益增大的网络带宽 —可以用云服务方式提供 不断增强的终端能力— 让复杂的PR运算成为可能 不断增加的移动应用— PR可以改善移动应用体验 低成本无中心给应用层提供了无限的创新和发展空间 PR改变生活 让你的手机摄像头成为一台成熟的扫描仪 让你的声音和脸蛋可以替代密码 让你的