模式识别(第一章2012)总结归纳.pptVIP

《模式识别》 电子工程学院 张晓玲 Xlzhang@ee,uestc.edu.cn 模式识别（Pattern Recognition） 重要性： 相关信息处理专业的基础课程； 解决信息分类识别问题； 对决策系统，神经网络，人工智能等的普及和发展起了推动作用，是其发展基础； 对于研究信息获取、处理的人员非常重要，是信息科学和人工智能的重要组成部分 。 关于信息获取、信息传输、信息处理及信息控制（应用）的科学 课程的目的： 了解和掌握模式识别领域的基本理论，基本方法； 为相关应用（如目标分类与识别）打基础。 第1章 绪论 目标分类与识别： 研究用机器（如电脑）代替人去对物体（对象）进行辨别和区分的技术 “目标分类与识别”涉及的相关领域： 模式识别 人工智能 神经网络 知识发现（数据挖掘） 模糊数学 不确定性推理 1、模式识别 实用性：有一些“智能仿真” 例，机器人辅助生产线，医疗诊断，地球资源探测 ，人脸、指纹识别等 图像识别是其重要方向之一 模式识别定义： 广义定义：存在于时间和空间中可观察的事物，区分它们是否相似或相似的过程，称为模式识别。 狭义定义：就是利用计算机对某些物理对象进行分类，在错误代价最小的条件下，使识别结果尽量与客观事物相符。 任务：研究如何将人类的认识过程转化为计算机识别，将某一具体事物正确的归入某一类别。 2、人工智能： ——思考过程的计算机实现，即：研究如何利用计算机去做人脑的智力才能做的工作。 专家系统－－是人工智能的分支 研究如何设计基于知识的计算机程序系统，来模仿人类专家求解专门问题的能力。 专家系统、模式识别、智能机器人等列为人工智能技术中最活跃的三个领域。 4、知识发现 数据挖掘（data mining）—方向之一 是一个从数据、信息到知识的过程，即信息从无序到有序的过程，从粗到精的过程。 特点（与数据采集的区别）： 数据已收集好，不是为了数据分析去收集 例如：网页中检索有价值的文本，即文本数据库挖掘 5．不确定性推理 根据证据的不确定性和知识的不确定性，求出新的假设（结论）的不确定，即：新的不确定知识的获取过程。 或者：在知识不完全、不确定、有例外，甚至会有矛盾的情况下，依据某些合理性标准，得到一些有错误、但有用的结论。 演绎推理： 已知条件 推导得结论 不确定性推理：已知证据 所得假设 这些学科在某一方面有很多共性（交叉），但每一学科又有其独有的特色。 这些学科为我们提供了一个工具袋，所要做的工作之一就是结合具体问题把各种已有的方法（模式识别、人工智能、专家系统、人工神经网络、不确定推理等等）结合起来，深入掌握其应有的可能性，互相取长补短，开创目标分类识别应用的新局面。 这些学科中，模式识别是最基本、最重要的组成部分，涉及很多基本理论、基本方法。很多领域的目标分类识别问题，其核心就是一个模式识别问题。 1.1 模式识别 1.模式：是对客体的定量或结构的描述 2.定义: 存在于时间和空间中可观察的事物，区分它们是否相同或相似的过程。 （已讲） 3.模式识别任务： 按事物的“相似”程度组成类别。即将模式识别事物“正确”归入某一类型。 （已讲） 4.模式识别应用： 很多的应用领域都可归入模式识别 ，应用非常广泛。典型例子：人脸检测与识别。 安全系统： 如公安系统（疑犯追踪），电子商场（信用卡身份确认）等 生物：细胞学、染色体特性研究 医学：医疗图像分析、心电图分析、脑电图分析 地理：卫星图像分析、地理资源，如岩石分类 军事：自动目标识别，雷达信号检测与分类 农业：土壤评估（适合何种植物生长） 市政管理、经济、工程等 1.2 模式识别系统的实现 1．模式识别的方法（传统模式识别方法 ）： 统计模式识别： 以类概率密度函数为基础，又称决策论方法，用特征矢量描述模式。 结构（句法）模式识别: 以图形结构特征为基础，用字符串描述模式 也可分为：监督分类和非监督分类 模式识别系统的组成： 信息获取 预处理 特征提取和选择 分类器设计 分类决策 对象 分类结果 学习过程 1.信息获取（数据采集）： 对信号、图像、数值表（数据）的采集。 即：要用计算机可以运算的符号来表示所研 究的对象。如图像：测量、采样、量化等。 （模式空间/测量空间） 2.预处理： 减小或消除模式获取过程中的噪声、干扰、提高S/N； 加强有用信息，进行复原等，如减小数据图像模糊及几何失真，提高清晰度； 非线性模式转化成线性模式。 这个环节的内容及方法很多：如滤波、变换、编码、标准化等 以某种判决规则为准则，选取有效的特征,即为特征选择。