图案识别笔记.docx

模式识别(Pattern Recognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。样本（Sample)：一个具体的研究（客观）对象。如患者，某人写的一个汉字，一幅图片等。模式(Pattern)：对客体（研究对象）特征的描述（定量的或结构的描述），是取自客观世界的某一样本的测量值的集合（或综合）。特征(Features)：能描述模式特性的量（某一模式的测量值集合中的同一量）。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。（一个特征矢量描述一种模式）模式类(Class)：具有某些共同特性的模式的集合。模式识别的三大任务模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。特征提取与特征选择：由模式空间到特征空间的变换与选择。类型判别：特征空间到类型空间所作的操作。模式识别系统的主要环节特征提取：符号表示，如长度、波形、。。。特征选择：选择有代表性的特征，能够正确分类学习与训练：利用已知样本建立分类与识别规则分类识别：对所获得样本按建立的分类规则进行分类识别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/wi)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。主要方法：线性、非线性分类、Bayes决策、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二、句法模式识别模式描述方法：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。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，且易失误三、模糊模式识别模式描述方法：模糊集合 A={(ua,a), (ub,b),... (un,n)}模式判定：是一种集合运算。用隶属度将模糊集合划分为若干子集， m类就有m个子集，然后根据择近原则分类。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。四、人工神经网络法模式描述方法：以不同活跃度表示的输入节点集（神经元）模式判定：是一个非线性动态系统。通过对样本的学习建立起记忆，然后将未知模式判决为其最接近的记忆。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。五、逻辑推理法（人工智能法）模式描述方法：字符串表示的事实模式判定：是一种布尔运算。从事实出发运用一系列规则，推理得到不同结果，m个类就有m个结果。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。特征矢量：设一个研究对象的N个特征量测量值分别为，将它们作为一个整体来考虑，让他们构成一个N维特征向量特征空间：各种不同的特征矢量构成了N维特征空间。特征矢量是特征空间中的一点，随机矢量：对许多对象而言，各个特征分量都是随机变量，即许多对象的特征向量在n维空间中呈随机性分布，称为随机矢量。设为随机矢量，为确定性矢量。随机矢量的联合概率分布函数定义为：随机矢量的联合概率密度函数定义为：当第i类为类的情况下，则他的概率分布与概率密度函数如下在模式识别中，经常以类别作为条件，在这种情况下随机矢量的条件期望矢量定义为随机矢量的自协方差矩阵表征各分量围绕其均值的散布情况及各分量间的相关关系，其定义为：式中是第i个分量与第j个分量的协方差正态分布随机矢量的概率密度函数定义为：正态分布随机矢量性质：分布函数完全由与确定等概率密度点的轨迹为一超球面对正态分布，不相关等价于独立其边缘密度与条件密度仍然是正态分布正态分布随机矢量的线性变化仍然是正态分布随机矢量聚类分析的基本思想相似的归为一类。模式相似性的度量与聚类算法。无监督分类（Unsupervised）。特征量的类型物理量----(重量、长度、速度)次序量----(等级、技能、学识)名义量----(性别、状态、种类)分类无效时的情况特征选取