模式识别概述.pptVIP

Dr. Djamel Bouchaffra Applied Pattern Recognition CSE616 模式识别Pattern Classification 第一章: 模式识别概述 一个例子 通过光学感知手段，将传送带上的鱼进行自动分类 鲈鱼 鱼类 鲑鱼 问题分析 架设一台摄影像机，拍摄若干样品的图像 提取用于区分两类鱼的有效特征(feature) 长度 光泽度 宽度 鳍的数目和形状 嘴的位置，等等……. 上述参数即是我们对两类鱼进行分类的备选特征 预处理（preprocessing） 去除干扰，图像增强 采用图像分割技术将不同的鱼分离开来，或者将鱼同背景分开 特征提取（feature extraction） 将每条鱼的数据送入特征提取器，通过测量特定的“特征”或“属性”来简化原始数据类 将特征送入分类器，以便进行分类 分类（Classification） 根据先验知识：鲈鱼长度一般要比鲑鱼大 选择长度（length）作为可能的分类特征 获取足够多的样本（训练样本）进行统计（直方图） 确定合适的长度临界值 L* 作为分类标准 选择光泽度（lightness）作为分类特征 获取足够多的样本（训练样本）进行统计（直方图） 确定合适的光泽度临界值x*作为分类标准 以光泽度为分类特征，两类鱼的分离性更好！ 判别边界与判别代价 无论采用哪一种特征进行分类都有代价：误判 上述判别边界假设将鲑鱼误判为鲈鱼和将鲈鱼误判为鲑鱼的代价相等（对称代价） 非对称代价：调整判别边界的位置 决策论 为获取更好的分类效果，组合运用多个特征 选取光泽度（lightness）和宽度（width）作为分类特征 鱼　　 xT = [x1, x2] 特征向量：xT = [x1, x2] 需要考虑的问题： 特征越多分类性能越好吗？ 什么样的特征才是好的特征？ 特征的相关性与冗余？ 如何获取判别边界：判别模型？什么样的判别边界才是最优的：模型优化？ 复杂的模型可保证对所有训练样本正确分类 过于复杂的模型将导致复杂的判别曲线 新模式推广能力差 分类系统的目标是对未知的样本正确分类，而不仅仅是对训练样本分类 必须在模型复杂度和推广能力之间进行折中考虑 最优模型 什么是模式识别？ 定义 利用机器（计算机）模仿人脑对现实世界各种事物进行描述、分类、判断和识别的过程。 目标 用计算机实现具有感知、识别、理解、自学习和自适应能力的灵活和智能的计算机器。 模式识别的产生与发展 起源于20世纪40年代 研究初期，模式识别被看作动物所具有的自然生理现象，很多人认为不值得研究。 当人们试图使计算机去具有人脑的识别能力后，模式识别的难度和重要性才得以重视。 模式识别的产生与发展 随着计算机技术的发展， 60年代后模式识别迅速发展为一门相对独立的新兴交叉学科 明确的问题定义、严格的数学基础、坚实的理论框架、丰富的理论和应用成果、广阔的应用前景 模式识别的相关学科 模式识别的应用 语音识别与理解（Speech recognition） 语音识别 说话人识别 语种识别 语音情感识别 特定人、非特定人 母语、非母语 孤立音、连续音 模式识别的应用 字符识别（Character Recognition） 手写体 印刷体 汉字、英文、阿拉伯数字 模式识别的应用 生物特征识别 指纹识别 掌纹识别 人脸识别 虹膜识别 模式识别的应用 生物医学信号识别 心电图、心音、多普勒生物信号、染色体、DNA序列 图像检索 军事目标跟踪与识别 遥感图像处理 研究模式识别的意义 通过模式识别的研究和应用，提高和扩展计算机的应用能力和领域，促进人工智能的应用与发展 促进人们对人脑识别过程的理解和认识 模式识别存在的问题 模式识别是一门快速发展的新兴学科，涉及到多学科、多领域的复杂问题 和生物认知系统相比，现有人工模式识别系统的适应和识别能力还远远不能令人满意 模式识别的许多理论和基本方法方面的问题还远没有得到解决 新问题层出不穷 传统方法均存在一定的局限性 模式识别的理论基础 概率论与数理统计 随机过程 线性代数 优化方法 形式语言学 模式识别的基本方法 模式识别的基本方法 统计决策法 基于模式的定量描述与统计规律的识别方法，是模式识别最经典、最成熟的方法，目前广泛应用于模式识别的各个领域 原理： 模式识别的基本方法 模式识别的基本方法 句法方法 基于模式的空间结构特征的定性描述与形式语言学的方法，广泛应用于字符识别、图像识别等领域 原理： 模式识别的基本方法 句法方法 定义基元： 模式识别的基本方法 模糊模式识别 基于模糊数学和统计分析的识别方法，在不能明确描述