第1章模式识别概述.pptVIP

模式识别的概念 模式识别 – 直观，无所不在，“人以类聚，物以群分” 周围物体的认知：桌子、椅子 人的识别：张三、李四 声音的辨别：汽车、火车，狗叫、人语 气味的分辨：炸带鱼、红烧肉 人和动物的模式识别能力是极其平常的，但对计算机来说却是非常困难的。 模式识别系统组成单元 信息获取：用计算机可以运算的符号来表示所研究的对象 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 预处理单元：去噪声，提取有用信息，并对输入测量仪器或其它因素所造成的退化现象进行复原 模式识别系统组成单元 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。 测量空间：原始数据组成的空间 特征空间：分类识别赖以进行的空间 模式表示：维数较高的测量空间-维数较低的特征空间 分类器设计：分类器设计的主要功能是通过训练确定判决规则，使按此类判决规则分类时，错误率最低。把这些判决规则建成标准库。 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。 基本做法：在样本训练集基础上确定某个判决规则，使得按这种规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小 模式识别过程实例 设想有一个鱼类加工厂，希望能将传送带上的鱼的品种的分类过程自动进行 鲈鱼(Seabass) 品种 鲑鱼(Salmon) 识别过程 数据获取：架设一个摄像机，采集一些样本图像，获取样本数据 预处理：去噪声，用一个分割操作把鱼和鱼之间以及鱼和背景之间分开 识别过程 特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量 长度 亮度 宽度 鱼翅的数量和形状 嘴的位置，等等 … 这些就作为我们模式分类的特征 把每条鱼的特征送到特征提取器，这个装置的目的在于缩减特征的冗余程度，使得剩下的特征都是对分类很有用的特征 分类决策：把特征送入决策分类器 模式识别这门课程的主要内容 第一章 模式识别概述 第二章 贝叶斯决策理论 第四章 线性判别函数 实验一 安装并使用模式识别工具箱 第六章 近邻法 第八章 模式特征提取与特征选择 第十一章 人工神经网络以及在模式识别中的应用 实验二 用人工神经网络对二维样本分类 第十三章 统计学习理论和支持向量机 实验三 用支持向量机进行人脸识别 注： （1）只学习教材中的部分章节； （2）3次实验； * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Bian ZhaoQi * Zhou Yatong 阈值界与代价的关系 例：鱼类加工厂,顾客能接受表示着“鲈鱼”的罐头中偶尔混入了鲑鱼，却无法忍受鲈鱼出现在所谓的“鲑鱼”罐头中。 把判决边界向光泽度更小的值移动,以减少将鲈鱼误判作鲑鱼的数目，使代价最小(以免引起顾客反感) 决策论的任务 若仍不满意，但又没有更好的图像特征了 采用光泽度与宽度的复合 Fish xT = [x1, x2] 光泽度 宽度 误差率更小了，当然仍有一些错误 因此，我们单独使用一个特征是不够的，我们需要复合多个特征(一个特征向量)用于分类。 注意，复合的特征之间应该是不相关的，最起码复合之后不应该使得分类效果反而更差了(例如把一个噪音特征复合到一个有用的特征当中) 最理想的判决曲线应该能够提供最优的分类效果。如下图所示: 然而，我们高兴得太早了，因为我们设计分类器的最终目标是使用它来正确归类新的样本。 推广能力问题 （Generalization） 上图判决曲线是对训练样本的分类性和分界面复杂度的一个最优折中，因而对将来的新的模式的分类性能也更好。 1.2.5 模式识别的复杂性 例1（较简单）： 判断 是“红心”还是“月亮” 例2（较复杂）： 人脸表情识别 七类表情 ？ ？