图像识别与模式识别剖析.pptVIP

语言定义为某一字符集上的任一句子集合，该集合不一定是有限的。 给定了字符集、句子、语言的基本定义之后，仅仅明确了下述问题：字符组成句子，句子组成语言。字符究竟是按照什么规则组成句子，进而组成语言？这有待于对语法的研究。与任何一种自然语言一样，语法在形式语言中起中心作用。句法模式识别中的各个环节，都是围绕着语法进行研究的。 8.3.2 高维语法 经典形式语言中定义的语法，原是为自然语言理解设计的，因此，它只处理字符串组成的语言。字符串是一维级联的，难以表达结构信息，为了更好地描述物体的各部分空间联接关系，提出了不少高维语法。这里简单介绍图像描述语言(PDL)和树语法。 一、??? 图像描述语言(PDL) 图像描述语言主要用于图形形状结构，其基元是有向线段，该线段有头和尾，线段之间的连接方式与矢量运算相仿。表示成图中的加、“x”乘和“*”乘。 例子： 其中“ ”表示有向线段d的反向。显然，该语法产生的语言是： 它描述的图形结构为 P： 8.4 模糊模式识别简介 在现实世界中，模糊性和随机性是两大不确定性。尽管两者有本质的区别，但是，二者之间却可以相互交叉。同一研究对象往往不仅含有模糊性而且含有随机性。例如，人们说常“明天是好天气的可能性有多大”，“他交好运的概率很小”，“他很少能较早来上班”，这里“好天气”，“好运”，“较早”都是模糊概念，而“可能性有多大”，“很小”，“很少”都是指事件发生的“概率”。对这类问题已经超出了经典概率论的范围。为此，引入模糊集合的概念。 在定义模糊子集的基础上，可以得到一系列的模糊运算、模糊等价关系、模糊相似关系、模糊数、模糊测试等，为模糊模式识别提供了基础。 从本质上来说，模式识别所要讨论的核心问题，便是如何使机器能模拟人脑的思维方法，来对客观事物进行更为有效的识别和分类。一方面现有的广为运用的统计模式识别方法与人脑进行模式识别的方法相比，其判别还很大，另一方面有待识别的客观事物又往往具有不同程度的模糊性。因此，许多学者运用模糊子集理论来解决模式识别的问题，并已经获得了可喜的应用成果。 目前，模糊模式识别的基本方法主要有： (1)???基于最大隶属原则的识别 (2)???基于择近原则的识别 (3)?? 基于模糊等价关系的模式分类 (4)?? 基于模糊相似关系的模式分类 8.5 人工神经网络在模式识别中的应用 ? 8.6模式识别方法的比较 教材P324表8.5 各具特点，现在有许多组合的方法，如模糊神经网络分类器等等。 死区问题 ？ DAG 在判决函数完全获得定义之后，分类器的设计才算结束，可以用于分类。通常，线性判别函数中的权系数 是用训练或称学习的方法获得的。为了讨论上的方便，先考虑两类问题。 所谓训练，就是给定一组已经标定好类号的训练样本，求出判别函数中的各参数。若以 表示第一类的训练样本，以 表示第二类的训练样本，则对所有训练样本，有 以及 求解这一系列不等式，就可以解得权系数A。 这显然是线性判决函数，前面所述的线性判别函数的各种处理方法也适用于最小距离分类器。 下图是最近邻域分类器的一个例子。 当然，判别函数的形式可以取其它很多种形式，例如高次多项式等。 以两类分类问题为例：已知先验分布P(ωi)和观测值的类条件分布p(x|ωi)，i=1,2问题：对某个样本x，抉择x∈ ω1? x∈ ω2？ 该决策使得在观测值x下的条件错误率P(e|x)最小。 Bayes决策理论是最优的。 以后验概率为判决函数： 决策规则： 即选择P(ω1|x)，P(ω2|x)中最大值对应的类作为决策结果 后验概率P (ωi| x)的计算 Bayes公式： 假设已知先验概率P(ωi)和观测值的类条件概率密度函数p(x|ωi)，i=1,2。 比较大小不需要计算p(x)： 对数域中计算，变乘为加： 判别函数中与类别i无关的项，对于类别的决策没有影响，可以忽略。 Bayes最小错误率决策例解 两类细胞识别问题：正常(ω1)和异常(ω2) 根据已有知识和经验，两类的先验概率为： 正常(ω1)： P(ω1)=0.9 异常(ω2)： P(ω2)=0.1 对某一样本观察值x，通过计算或查表得到： p(x|ω1)=0.2， p(x|ω2)=0.4 如何对细胞x进行分类？ 利用贝叶斯公式计算两类的后验概率： 决策结果 p(x|ω1) p(x|ω2) p(ω1|x) p(ω2|x) 类条件概率密度函数 后验概率 决策的错误率 条件错误率： （平均）错误率是条件错误率的数学期望 （平均）错误率： 条件错误率P(e|x)的计算:以两类问题为例，当获得观测值x后，有两种决策可能：判定 x∈ω1 ，或者x∈ω2。 条件错误率为： Bayes最小错