模式识别结题论文——基于聚类算法和线性判决器的模式分类问题解读.doc

基于聚类算法和线性判决器的模式分类问题分析 一、模式分类概述 一个典型的模式识别系统如图1所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分：上部分完成未知类别模式的分类；下半部分属于分类器设计的训练过程，利用样品进行训练，确定分类器的具体参数，完成分类器的设计。而分类决策在识别过程中起作用，对待识别的样品进行分类决策。模式识别系统组成单元功能如下： （1）数据获取 用计算机可以运算的符号来表示所研究的对象，一般获取的数据类型有一下几种。 二维图像：文字、指纹、地图、照片等。 一维波形：脑电图、心电图、季节震动波形等。 物理参量和逻辑值：体温、化验数据、参量正常与否的描述。 （2）预处理 对输入测量仪器或其他因素所造成的退化现象进行复原、去噪声，提取有用信息。 （3）特征提取和选择 对原始数据进行变换，得到最能反映分类本质的特征。将维数较高的测量空间（原始数据组成的空间）转变为维数较低的特征空间（分类识别赖以进行的空间）。 （4）分类决策 在特征空间中用模式识别方法把被识别对象归为某一类别。 （5）分类器设计 基本做法是在样品训练基础上确定判别函数，改进判别函数和误差检验。 二、具体分类方法概述 2.1 聚类 聚类分析是将数据分类到不同的类或者簇的过程，聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能