模式识别概论.pptVIP

第30页，共66页，星期日，2025年，2月5日模式分类器的获取和评测过程数据采集特征选取模型选择训练和测试计算结果和复杂度分析，反馈第31页，共66页，星期日，2025年，2月5日第32页，共66页，星期日，2025年，2月5日训练和测试训练集：是一个已知样本集，在监督学习方法中，用它来开发出模式分类器。测试集：在设计识别和分类系统时没有用过的独立样本集。系统评价原则：为了更好地对模式识别系统性能进行评价，必须使用一组独立于训练集的测试集对系统进行测试。第33页，共66页，星期日，2025年，2月5日模式识别的研究目的：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。Y=F(X)X的定义域取自特征集Y的值域为类别的标号集F是模式识别的判别方法第34页，共66页，星期日，2025年，2月5日模式识别方法模式识别系统的目标：在特征空间和解释空间之间找到一种映射关系，这种映射也称之为假说。特征空间：从模式得到的对分类有用的度量、属性或基元构成的空间。解释空间：将c个类别表示为 其中为所属类别的集合，称为解释空间。第35页，共66页，星期日，2025年，2月5日假说的两种获得方法监督学习、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），只有在判别函数确定之后才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。第36页，共66页，星期日，2025年，2月5日假说的两种获得方法（续）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。第37页，共66页，星期日，2025年，2月5日模式分类的主要方法数据聚类统计分类结构模式识别神经网络第38页，共66页，星期日，2025年，2月5日数据聚类目标：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。第39页，共66页，星期日，2025年，2月5日统计分类基于概率统计模型(概率密度函数、后验概率)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。第40页，共66页，星期日，2025年，2月5日结构模式识别对于具有复杂结构特征的对象，仅用一些复杂特征已不能对其进行充分描述，此时需要采用结构模式识别方法。该方法首先将对象分解为若干基本单元（基元），然后利用这些基元和它们之间的结构关系来描述对象。在结构模式识别中，基元以及基元之间的结构关系采用图和字符串来表示，这些图和字符串称为形式语言的句子，再根据代表类的文法运用形式语言理论和技术对句子进行句法分析，根据其是否符合某一类的文法来确定其类别。因此，结构模式识别也称为句法模式识别。第41页，共66页，星期日，2025年，2月5日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。第42页，共66页，星期日，2025年，2月5日模式识别的一些基本准则奥卡姆剃刀原理14世纪逻辑学家、圣方济各会修士奥卡姆的威廉提出一个原理“如无必要，勿增实体”，杀鸡焉用宰牛刀，在多种实现方法中提倡选择最简单的假设和模型，尽量不要把问题复杂化，尽力把没用的和会把问题复杂化的因素去掉。第43页，共66页，星期日，2025年，2月5日模式识别的一些基本准则没有免费的午餐定理（NoFreeLunch,NFL）该定理指出：没有最好的算法，每种算法总有它的优势和缺陷。NFL定理可简单表述为：对