模式识别　全套课件（上）.PPT

模式识别;★ 相关学科;讲授课程内容及安排;第一章 引论;概念;特征(Features)：能描述模式特性的量（测量值）。在统计模式识别方法中，通常用一个矢量 表示，称之为特征矢量，记为 ;模式识别的例子;对象空间;1.1 概述－模式识别系统;1.1 概述－模式识别系统;1.1 概述－模式识别系统;纸币识别器对纸币按面额进行分类 面额 ;1.1 概述－系统实例;1.1 概述－系统实例;5元 10元 20元 50元 100元;1.1 概述－系统实例;1.1 概述－系统实例;例:汽车车牌识别;1.1 概述－模式识别的基本方法;1.1 概述－模式识别的基本方法;1.1 概述－模式识别的基本方法;1.1 概述－模式识别的基本方法;例2：如下图中一幅图形，要识别图中的物体，选用句法模式识别方法.;解：图形结构复杂，首先应分解为简单的子图（背景、物体）。 构成一个多级树结构：;在学习过程中，确定基元与基元之间的关系，推断出生成景物的方法。 判决过程中，首先提取基元，识别基元之间的连接关系，使用推断的文法规则做句法分析。若分析成立，则判断输入的景物属于相应的类型。;理论基础：形式语言，自动机技术 主要方法：自动机技术、CYK剖析算法、Early算法、转移图法 主要优点：1）识别方便，可以从简单的基元开始，由简至繁。2）能反映模式的结构特征，能描述模式的性质。3）对图象畸变的抗干扰能力较强。 主要缺点：当存在干扰及噪声时，抽取特征基元困难，且易失误。;1.1 概述－模式识别的基本方法;理论基础：模糊数学 主要方法：模糊统计法、二元对比排序法、推理法、模糊集运算规则、模糊矩阵 主要优点：由于隶属度函数作为样本与模板间相似程度的度量，故往往能反映整体的与主体的特征，从而允许样本有相当程度的干扰与畸变。 主要缺点：准确合理的隶属度函数往往难以建立，故限制了它的应用。;1.1 概述－模式识别的基本方法;理论基础：神经生理学，心理学 主要方法：BP模型、HOP模型、高阶网 主要优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。 主要缺点：模型在不断丰富与完善中，目前能识别的模式类还不够多。;1.1 概述－模式识别的基本方法;理论基础：演绎逻辑，布尔代数 主要方法：产生式推理、语义网推理、框架推理 主要优点：已建立了关于知识表示及组织，目标搜索及匹配的完整体系。对需要众多规则的推理达到识别目标确认的问题，有很好的效果。 主要缺点：当样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。;1.1 概述－模式识别的发展简史;1.1 概述－模式识别的发展简史;1.1 概述－模式识别的应用(举例);1.1 概述－主要实用系统举例;;1.2 特征矢量和特征空间;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.3 随机矢量的描述;1.4 正态分布;1.4 正态分布;1.4 正态分布;1.4 正态分布;1.4 正态分布;1.4 正态分布;1.4 正态分布;范例 木板 图象 512×512 d=3 长度 纹理 亮度 c=2 松木\ 桦木; 试证明，对于正态分布，不相关与独立是等价的。 试证明，多元正态随机矢量的线性变换仍为多元正态随机矢量。 试证明，多元正态随机矢量X的分量的线性组合是一正态随机变量。 ;第二章 聚类分析 (Clustering Analysis) ;2.1 聚类分析的概念;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;三、方法的有效性 取决于分类算法和特征点分布情况的匹配。;下列是一些动物的名称： 羊 （sheep） 狗 （dog） 蓝鲨（blue shark） 蜥蜴 （lizard） 毒蛇（viper） 猫 （cat） 麻雀（sparrow） 海鸥 （seagull） 金鱼（g