模式识别复习提纲(自制)45.pdf

模式识别 第⼀章 （主要是概念，可以参照PPT） 模式的定义： 广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否 相似，都可以称之为模式。 模式是一个客观事物的描述，及一个可以用来仿效的完善的例子。 模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间 和空间分布的信息。 模式的直观特性: 可观察性 可区分性 相似性 模式识别的⺫的 利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观 物体相符合。 假说的两种获得⽅法 ① 监督学习、概念驱动或归纳假说：在特征空间中找到一个与解释空间的结构相对应的 假说。在给定模式下假定一个解决方案，任何在训练集中接近目标的假说也都必须在“未 知”的样本上得到近似的结果。 —— 依靠已知所属类别的的训练样本集，按它们特征向量的分布来确定假说 （通常为一 个判别函数），在判别函数确定之后能用它对未知的模式进行分类； —— 对分类的模式要有足够的先验知识，通常需要采集足够数量的具有典型性的样本进行 训练。 ② 非监督学习、数据驱动或演绎假说：在解释空间中找到一个与特征空间的结构相对应 的假说。这种方法试图找到一种只以特征空间中的相似关系为基础的有效假说。 —— 在没有先验知识的情况下，通常采用聚类分析方法，基于“物以类聚”的观点，用数 学方法分析各特征向量之间的距离及分散情况； —— 如果特征向量集聚集若干个群，可按群间距离远近把它们划分成类； —— 这种按各类之间的亲疏程度的划分，若事先能知道应划分成几类，则可获得更好的分 类结果。 模式分类的主要⽅法 数据聚类 目标：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。 是一种非监督学习的方法，解决方案是数据驱动的。 统计分类 基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。 特征向量分布的获得是基于一个类别已知的训练样本集。 是一种监督分类的方法，分类器是概念驱动的。 结构模式识别 ——该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目的。 ——识别采用结构匹配的形式，通过计算一个匹配程度值（matching score）来评估 一个未知的对象或未知对象某些部分与某种典型模式的关系如何。 ——当成功地制定出了一组可以描述对象部分之间关系的规则后，可以应用一种特殊 的结构模式识别方法–句法模式识别，来检查一个模式基元的序列是否遵守某种规则 即句法规则或语法。 神经网络 ——神经网络是受人脑组织的生理学启发而创立的。 ——由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以在不同的 神经元之间传递增强或抑制信号。 ——增强或抑制是通过调整神经元相互间联系的权重系数来（weight）实现。 ——神经网络可以实现监督和非监督学习条件下的分类。 模式识别系统的基本组成 模式识别系统各组成单元的介绍 数据获取：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