模式识别-0-绪论.pptVIP

模式识别Pattern Recognition 主讲教师：程建 职称：副教授 研究方向：图像处理与模式识别、计算机视觉与场景理解、机器学习、多源遥感图像智能处理与分析 教材与参考书 《模式识别》 ，边肇祺，张学工，清华大学出版社； 《模式识别》 ，蔡元龙 ，西安电子科技大学出版社； 《模式分类》，R. O. Duda, P. E. Hart, D. G. Stork （著），李宏东，姚天翔 （译），机械工业出版社 教学内容 绪论—模式识别的基本概念 （2学时） 非监督学习方法：聚类分析 （4学时） 线性判别函数与线性分类器设计 （6学时） 贝叶斯决策理论 （6学时） 概率密度函数的估计 （6学时） 特征选择与提取 （6学时） 复习 （2学时） 第一章 绪论 模式识别的基本概念 模式识别的应用 模式识别的研究方法 统计模式识别 结构模式识别 模式识别的发展动态 模式识别研究的基本内容 统计模式识别系统构成 §1.1 模式识别的基本概念 机器智能系统应该包括三个部分： 感知部分：相当于人的眼、耳、触觉、嗅觉等等； -- 模式识别 学习部分：模仿人在自己的行动中总结经验，改善自身能力的功能； -- 机器学习 思维部分：相当于人的逻辑推理和计算能力； -- 人工智能 模式(Pattern)：泛指一切客观事物的存在形式，具有时间或空间分布的信息。从工程角度讲是指客观事物存在形式的数学表达。 识别(Recognition)：人的识别过程是一个非常复杂的心理和生理过程。从工程的角度讲，识别可以看作是一个分类问题。 模式识别的数理依据 对象具有显著的特征（可观察性） 对象在经过一定的处理之后能提取出部分显著的特征，这些特征可以描述该对象，或者以此将该对象区别与其他的对象,用特征向量来表示特征。 对象具有逻辑可分性（可区分性） 从逻辑上可以依据一定的标准将对象划分成不同的类别，依据的标准可能与对象特征密切联系，划分的方法又直接关系到分类方法的正确程度，划分方法又可能从已有的一部分样本来进行归纳得到。 统计意义上的最优性（性能可控性） 对象或者说是待分类的样本总体数目可能无限大，有时候无法求得对所有的样本进行精确分类，这个时候只是需要统计意义上的最优，或者错误了最低则可。 §1.2 模式识别的应用 工业用途：产品质量检验，设备故障检测，智能机器人的感知系统； 商业用途：钱币的自动识伪，信函的自动分拣，电话信息查询，声控拨号； 医学用途：对心电、脑电、CT等信号进行处理和识别，自动进行疾病的诊断； 安全领域：生理特征鉴别(Biometrics)，网上电子商务的身份确认，对公安对象的刑侦和鉴别； 军事领域：巡航导弹的目标识别、场景识别，战斗单元的敌我识别； 办公自动化：文字识别技术和声音识别技术； 数据挖掘：海量数据分析； 网络应用：文本、图像、视频等信息载体的分类。 应用举例 字符识别：印刷体与手写体，在线与离线 医学图像识别与医学信号识别 遥感图像分类 生物特征识别：（指纹、人脸与虹膜等） 智能武器：智能战略导弹（巡航）、智能战术导弹（地空、空地、舰空、空舰等） §1.3 模式识别的研究方法 统计模式识别与结构模式识别 统计模式识别：将模式看作空间中的一个点，采用解析几何和概率论、数理统计的方法，判别输入模式的类别属性； 结构模式识别：也称为句法模式识别，将模式看成是由一些基本元素有组织的构成，用字符串对模式进行描述，利用形式语言和自动机理论对模式的结构进行分析和判别； 监督分类和非监督分类 监督类(Supervised)分类方法：依靠已知所属类别的训练样本集合，按照他们特征向量的分布来确定判别函数，只有判别函数确定之后才能用它来对未知的模式进行分类判别。 要求：进行大量的测试、实验、提炼、统计得到足够的先验知识。作为确定判别函数的基础。并且要有足够的样本。 非监督（Unsupervised）分类方法：没有(足够的)先验知识，而是基于“物以类聚”的出发点，通过聚类分析，将模式特征相近的划分成一类，在特征空间相距比较近的一些模式归为一类。 目标：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。 参数与非参数方法 由于模式集合的样本在特征空间中表现出随机性，我们只