模式识别-绪论

 学习记录

一、什么是模式识别

1.什么是模式？

粗略的说，存在于外部世界中每一个要识别的对象都可以称作是一个模式。

更准确的说，模式是指计算机通过对信号的采样、量化和处理之后得到的关于识别对象描述的一组属性集合。

2.什么是模式识别？

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。

二、主要研究内容

1.主要研究内容

 模式识别的基本概念

PR问题的数学表示

基本PR系统的组成

解决PR问题的基本理论和方法

经典算法

一些最新进展和存在问题

 2.基本概念

样本：待研究对象的个体，包括性质已知或未知的个体。

类别：将所研究的样本性质离散化为有限的类别，认为同一类的样本在该性质上是不可区分的。

特征：样本的任何可区分的（且可观测的）方面，包括定量特征和定性特征，一般最后转化为定量特征。

特征向量：样本的所有特征组成的n维向量，是样本在数学上的表达。

特征空间：特征向量所在的n维空间，每一个样本（特征向量）是该空间中的一个点，一个类别是该空间中的一个区域。

分类器：能够将每个样本都分到某个类别中去（或者拒绝）的计算机算法。

Decision region：分类器将特征空间划分维若干区域（决策域）。

Decision boundary：不同类别区域之间的边界称作分类边界、决策边界或分类面、决策面。

三、模式识别方法 

1. 识别方法分类（Ⅰ）

基于知识的方法：根据已知的对研究对象的认识，整理出若干描述特征和类别间的关系的准则，建立一定的推理系统，对未知样本通过知识推理决策其类别。

基于数据的方法：在确定了描述样本所采用的特征之后，收集一定数量的已知样本，用这些样本作为训练集来训练一定的分类器，使之在训练后能够对未知样本进行分类。

 2.识别方法分类（Ⅱ）

鉴别模式：不同类别的样本在特征空间中位于不同的区域。通过训练样本集学习分类函数g(x)，使得g(x)对于不同区域的样本输出不同的值，据此进行分类（识别）。

产生式模型：模式是分布在特征空间的一个随机矢量，每个类别的模式可能出现在空间任意一点，只不过出现的概率不同。根据该点属于哪个类的概率更大来判别其类别属性。

3.有监督学习vs无监督学习

有监督PR(Pattern Recognition)：

a.给出若干已知答案的样本（训练样本）

b.有机器从这些样本中进行学习（训练）

c.学习的目的在于从这些样本中总结规律，使之能够对新的样本进行判断--产生分类器

无监督PR:

a.只有未知答案的样本

b.由机器从这些样本中进行学习（自学习）

c.学习的目的在于从这些样本中发现规律，这种规律应该是某种固有的关系，或者依据这种规律对对象的分类有某种功用。

d.聚类

 

四、模式识别系统