模式识别期末考试复习资料.pdf

题型： 1. 填空题 5 题 2. 名词解释 4 题 3. 问答题 4 题 填空题 4. 计算作图题 3 题 5. 综合计算题 1 题 备注 1：没有整理第一章和第六章，老师说不考的 备注 2：非线性判别函数相关概念 P69 概率相关定义、性质、公式 P83 以后 最小错误率贝叶斯决策公式 P85 最小风险贝叶斯 P86 正态贝叶斯 P90 综合计算有可能是第六次作业 一、填空题 物以类聚 人以群分体现的是聚类分析的基本思想。 模式识别分类： 1. 从实现方法来分模式识别分为监督分类和非监督分类； 2. 从理论上来分，有统计模式识别，统计模式 识别，模糊模式识别，神经网络模式识别法 聚类分析 是按照不同对象之间的差异，根据距离函数的规律做模式分类的。 模式的特性 ：可观察性、可区分性、相似性 模式识别的任务 ：一是研究生物体（包括人）是如何感知对象的，二是如何用计算机实现模式识别的理论和方法。 计算机的发展方向： 1. 神经网络计算机－－模拟人的大脑思维； 2. 生物计算机－－运用生物工程技术、 蛋白分子作芯片； 3. 光计算机－－用光作为信息载体，通过对光的处理来完成对信息的处理。 训练学习方法： 监督学习、无监督学习（无先验知识，甚至类别数也未知）。 统计模式识别有： 1. 聚类分析法（ 非监督）； 2. 判决函数法 / 几何分类法 ( 监督 ) ； 3. 基于统计决策的概率分类法 - 以模式集在特征空间中分布的类概率密度函数为基础，对总体特征进行研究，以取得分类的方法 数据的标准化目的： 消除各个分量之间数值范围大小对算法的影响 模式识别系统的基本构成： 书 P7 聚类过程遵循的基本步骤： 特征选择；近邻测度；聚类准则；聚类算法；结果验证；结果判定。 相似测度基础： 以两矢量的方向是否相近作为考虑的基础 , 矢量长度并不重要。 确定聚类准则的两种方式： 阈值准则，函数准则 基于距离阈值的聚类算法 ——分解聚类：近邻聚类法；最大最小距离聚类法 类间距离计算准则 : 1）最短距离法 2 ）最长距离法 3 ）中间距离法 4 ）重心法 5 ）类平均距离法 6）离差平方和法 P24 系统聚类法 ——合并的思想 用于随机模式分类识别的方法 ，通常称为贝叶斯判决。 BAYES决策常用的准则： 最小错误率；最小风险 错误率的计算或估计方法： ①按理论公式计算；②计算错误率上界；③实验估计。 1. 名词解释 名词解释 相似性测度： 衡量模式之间相似性的一种尺度 明氏距离： P17 当 m=2时，明氏距离为欧氏距离。当 m=1时：绝对距离（ 曼哈顿距离 ）称为“街坊”距离 感知器算法： 就是通过训练样本模式的迭代和学习，产生线性（或广义线性）可分的模式判别函数。 梯度： P59 感知器 P227 模糊度 P182 清晰性 P182 含混性 近似性 随机性 》》》》》》》 模式： 对客体（研究对象）特征的描述（定量的或结构的），是取自客观世界的某一样本的测量值的集合（或综合）。 模式所指的不是事物本身，而是从事物获得的信息。 模式识别： 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。 模式类： 具有某些共同特性的模式的集合。 特征选择 ：在原始特征基础上选择一些主要特征作为判别用的特征。 特征提取： 采用某种变换技术，得出数目上比原来少的综合特征作为分类用。 特征抽取： 通过各种手段从原始数据中得出反映分类问题的若干特征（有时需进行数据标准化） 特征空间： 进行模式分类的空间。 特征向量： 用 n 维列向量来表示 一个（模式）样本，说明该样本具有 n 个数字特征 x= (x1 , x2 , …, xn)T 常称之为特征向量。 人工智能： 是研究如何将人的智能转化为机器智能，或者是用机器来模拟或实现人的智能。 聚类分析： 根据模式之间的相似性（相邻性