模式识别国家级精品课程讲义.ppt

模式识别 讲授课程内容及安排 例:汽车车牌识别 从摄像头获取包含车牌的彩色图象 车牌定位和获取 字符分割和识别 例2：如下图中一幅图形，要识别图中的物体，选用句法模式识别方法. 解：图形结构复杂，首先应分解为简单的子图（背景、物体）。 构成一个多级树结构： 在学习过程中，确定基元与基元之间的关系，推断出生成景物的方法。 判决过程中，首先提取基元，识别基元之间的连接关系，使用推断的文法规则做句法分析。若分析成立，则判断输入的景物属于相应的类型。 理论基础：形式语言，自动机技术 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。 理论基础：模糊数学 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。 理论基础：神经生理学，心理学 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。 理论基础：演绎逻辑，布尔代数 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。 特征选取不同对聚类结果的影响 特征选取不同对聚类结果的影响 距离测度不同,聚类结果也不同 综上可见: 例2.2.2 可以看出，它等于共同具有的特征数目与分别具有的特征种类总数之比。这里只考虑(1-1)匹配而不考虑(0-0)匹配。 6、若合并的类数没有达到要求，转3。否则停止。 3、求最小元素： 4、ω8,ω5,ω2合并, ω9=（2,5,4,6） 例2.4.3：已知有20个样本，每个样本有2个特征，数据分布如下图,使用C－均值法实现样本分类（C=2）。 第三步：更新聚类中心 第四步： 第二步： 第三步：更新聚类中心 模式识别 3.1 用判别域界面方程分类的概念 3.2 线性判别函数 此方程表示一超平面 。它有以下三个性质: (1)系数矢量 ，是该平面的法矢量。 (2)判别函数 的绝对值正比于 到超平面 的距离。 (3)判别函数值的正负表示出特征点位于哪个半空间中。 即 称 为Fisher变换函数 3.5.3 感知器训练算法在多类问题中的应用 判别规则：对于c类问题，应建立c个判别函数： di(x) = wi’xi (i=1,2,…,c)如果x??i，则有wi’x wj’x (? j?i)因此判别规则是 若 di(x) dj(x) ? j?i 则判x??i 算法步骤： (1) 赋初值,分别给c个权矢量wi(i=1,2,…,c)赋任意的初值，选择正常数?，置步数k=1。 算法步骤： (1) 赋初值,分别给c个权矢量wi(i=1,2,…,c)赋任意的初值，选择正常数?，置步数k=1。 例题:已知训练样本(0,0)T??1，(1,1)T??2 ，(-1,1)T??3, 试求解向量w1、w2和w3。 例题:已知训练样本(0,0)T??1，(1,1)T??2 ，(-1,1)T??3, 试求解向量w1、w2和w3。 例题:已知训练样本(0,0)T??1，(1,1)T??2 ，(-1,1)T??3, 试求解向量w1、w2和w3。 例题:已知训练样本(0,0)T??1，(1,1)T??2 ，(-1,1)T??3, 试求解向量w1、w2和w3。 例题:已知训练样本(0,0)T??1，(1,1)T??2 ，(-1,1)T??3, 试求解向量w1、w2和w3。 H-K算法步骤 H-K算法步骤 例：已知如图(3-12-1)所示两类训练样本： 试用势函数法进行分类器训练。 模式识别 例题1图示 例题1图示 图例：最小误判概率准则 最小误判概率准则下的判决规则： 如果， 则判 (2)