深度学习技术及其在模式识别中应用.PDF

深度学习技术及其在模式识别中应用 报告人基本信息 • 姓名 ：田莹 • 专业技术职务：教授 • 最高学历 （学位）：博士 • 毕业院校：沈阳工业大学 • 研究领域：模式识别，生物特征识别，数字图像处理，机 器学习等。 模式识别智能程序的诞生  人工智能是人类一个非常美好的梦想，跟星际漫游和长生不老一 样。我们想制造出一种机器，使得它跟人一样具有一定的对外界 事物感知能力，比如看见世界 。  当我们人眼看到一幅画时，我们能够很清晰的知道其中哪里是动 物，哪里是山，水，人等等。人眼又是如何识别和分辨的呢，其 实人类也是在先验知识 和对以往多个此类事物的具体实例进行观 察的基础上得到的对此类事物整体性质和特点的认识的。  模式识别：是一种从大量信息和数据出发，在专家经验和已有认 识的基础上，利用计算机和数学推理的方法对形状、模式、曲 线、数字、字符格式和图形自动完成识别的过程，是信息科学和 人工智能 的重要组成部分。  广义的模式识别属计算机科学中智能模拟的研究范畴，内容非常 广泛，包括声音和语言识别、文字识别、指纹识别、声纳信号和 地震信号分析、照片图片分析、化学模式识别等等。  模式识别强调的是如何让一个计算机程序去做一些看起来很 “智 能”的事情，例如识别 “3”这个数字。而且在融入了很多的智 慧和直觉后，人们也的确构建了这样的一个程序。 机器是否具有真正的智能？  计算机看到的图像  人眼中图像 从图灵测试提出来到本世纪初，50多年时间有 无数科学家提出很多机器学习的算法，试图让 计算机具有与人一样的智力水平 机器学习从样本中学习的智能程序  在90年代初，人们开始意识到一种可以更有效地构建模式识别算 法的方法，那就是用数据 （可以通过廉价劳动力采集获得）去替 换专家 （具有很多图像方面知识的人）。  因此，我们搜集大量的人脸和非人脸图像，再选择一个算法，然 后冲着咖啡、晒着太阳，等着计算机完成对这些图像的学习。这 就是机器学习的思想。  “机器学习”强调的是，在给计算机程序 （或者机器）输入一些 数据后，它必须做一些事情，那就是学习 这些数据，而这个学习 的步骤是明确的。就算计算机完成学习要耗上一天的时间，也会 比手工为这个任务设计一些分类规则要好。  机器学习 （Machine Learning）是一门多领域交叉学科，涉及概 率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。  机器学习专门研究计算机怎么模拟或实现人类的学习行为，其目 的在于使得机器可以根据数据进行自动学习，通过算法使得机器 能从大量历史数据中学习规律从而对新的样本做出决策。  包括相互关联的两个阶段，即学习阶段和实现阶段， 学习阶段是对样本进行特征选择，寻找分类的规律； 实现阶段是根据分类规律对未知样本集进行分类和识别。  机器学习是人工智能的一个分支，它也是人工智能的核心，是使 计算机具有智能的根本途径，其应用遍及人工智能的各个领域。  在21世纪中期，机器学习成为了计算机科学领域一个重要的研究 课题，计算机科学家们开始将这些想法应用到更大范围的问题 上，不再限于识别字符、识别猫和狗或者识别图像中的某个目标 等等这些问题。  研究人员开始将机器学习应用到机器人、基因数据的分析和金融 市场的预测中。每一个机器人专家都 “无奈地”成为了机器学习 专家，同时，机器学习也迅速成为了众人渴望的必备技能之一  然而， “机器学习”这个概念对底层算法只字未提。我们已经看 到凸优化、核方法、支持向量机和Boosting算法等都有各自辉煌 的时期。再加上一些人工设计的特征，那在机器学习领域，我们 就有了很多的方法，很多不同的思想流派。 机器学习五大流派  符号主义： （逻辑学） 使用符号、规则和逻辑来表征知识和 进行逻辑推理，最喜欢的算法是：规则和决策树  联结主义： （反向传播） 使用概率矩阵和加权神经元来动态地 识别和归纳模式，最喜欢的算法是：神经网络  进化主义：（进化生物学） 生成变化，然后为特定目标获取其中 最优的，最喜欢的算法是：遗传算法 