模式识别第一章探究.ppt

* * * * * * * * * * * * * * * * * * * 云计算的概念现在已经非常火了，我们平时总能听到云存储、云杀毒、云输入各种各样的概念。时髦一点的说法是说，将来互联网的大部分应用都会往云计算方向发展。广义的云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。在我们的技术领域，所谓模式识别的云服务，就是指以云端计算的方式，为终端提供所需的识别服务，终端只负责采集输入数据和接收识别结果，而其他一些模式识别的步骤，包括特征提取和分类等都交给云端来完成。从模式识别技术发展的需要看，它也要从传统的单机应用走向网络应用，并和云端的海量数据结合，才能更好的发挥作用。 * * 语音识别解码时候，要根据声学模型、语言模型以及用户词典共同来解码，得到识别结果。声学模型，语言模型的存储量都很大。特别是语言模型，为了有好的识别性能，现在使用的都是Tri-gram, 也就是三元文法，这样存储量会达到Gb的量级，另外语音识别的一个特点是对CPU资源的消耗非常大。比如说刚才的云手写服务，一台服务器就可以同时支持上千个并发，但是云语音的服务器一台同时只能支持几个并发。这些都是要把语音识别放在云端进行服务的原因。 * * 实际的训练识别步骤: 1 用离线人脸数据库训练特征变换矩阵 2 用户登录， 建立用户人脸模版库 3 将待测试的人脸图像与用户人脸模板库匹配，根据匹配的相似度得到人脸识别或者人脸认证的结果 * * * * 阈值判别边界 decision boundary 与代价 cost 关系 为减少将鲈鱼误判为鲑鱼的数目-----代价最小化，判别边界向光泽度较小的值移动。 决策理论 decision theory 的任务 模式识别过程实例 * 采用光泽度与宽度 二维特征 ，描述鱼的数据---模式 鱼 光泽度 宽度 模式识别过程实例 * 可以增加一些与上述相关独立的特征，但是判别性能并不是随着特征的数量增加而增加，相反带来计算量、决策边界复杂性等其它额外开销，这些新的增特征可以看作是“噪声特征” noisy features 。 注意： 模式识别过程实例 * 完美分类：理想的最好的决策边界 模式识别过程实例 * 设计一个分类器 classifier 的中心目标是正确区分 分类 新的输入数据 样本 模式识别过程实例 * 模式识别发展史 1929年 G. Tauscher发明阅读机，能够阅读0-9的数字。 30年代 Fisher提出统计分类理论，奠定了统计模式识别的基础。 50年代傅京荪在Noam Chomsky的形式语言理论基础上提出句法结构模式识别。 60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和应用。 80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。 90年代小样本学习理论，支持向量机受到很大重视。 * 概率分类法 几何分类法 聚类分析 监督分类 统计模式识别 模 式 识 别 结构（句法）模式识别 模糊模式识别 神经网络法、支持向量机、流行学习法 非监督分类 1.3 模式识别的方法 * 统计模式识别 模式描述方法： 特征向量 模式判定： 模式类用条件概率分布P X/?i 表示，m类就有m个分布，然后判定未知模式属于哪一个分布。 * 理论基础：概率论，数理统计 主要方法： 几何分类：线性分类，非线性分类统计分类：Bayes决策无教师的分类：聚类分析 主要优点1）比较成熟2）能考虑干扰噪声等影响3）识别模式基元能力强 主要缺点1）对结构复杂的模式抽取特征困难2）不能反映模式的结构特征，难以描述模式的性质3）难以从整体角度考虑识别问题 统计模式识别 * 句法（结构）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字母，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 * 模式描述方法： 符号串，树，图 模式判定： 是一种语言，用一个文法表示一个类，m类就有m个文法，然后判定未知模式遵循哪一个文法。 句法（结构）方法 * 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 适合结构性强的模式 识别方便，可以从简单的基元开始，由简至繁。 能反映模式的结构特征，能描述模式的性质。 对图象畸变的抗干扰能力较强。 主要缺点抗噪声能力差，计算复杂度高，当存在干扰及噪声时，抽取特征基元困难，且易失误。 句法（结构）方法 * 句法（结构）方法 预处理 特征提取 （基元提取） 句法分析 文法推断 模式信息 分类结果 类别文法 训练过程 分类过程