模式与模式识别

1、模式、模式类与集合

所谓模式是指在规定的特性上有相似之处的一些具体事物或现象。模式是人认识具体事物或现象时，按照规定的相似性抽象出来的分类。人们从6张样件图案的观察中找到每张图中图形“虚与实”的相似性，把它们分成“上实下虚”和“上虚下实“两类，即两个模式。有了这种抽象后，可以对以后遇到的类似图案进行识别。

所谓模式识别是指按模式抽象对事物或现象进行分类，辨识类的特征而做出判断的过程。模式识别是研究人类识别能力的数学模型，并借助于计算机技术实现对其模拟的科学。

模式和模式识别与数学中的集合论密不可分，只要认识了集合中有限的事物或现象就可以认识属于这一集合的其他事物和现象。因此，可以从集合论角度定义其相关概念。 

1）环境

它是指可测物理量的总体，可用ρb（x）函数的集合U表示。式中，向量b与x的分量个数取决于集合U中所有可能的函数，ρ取值不同，其值也不同。

环境指的是客体或客体的复合，故被认识的对象是外部环境。但没有一种生物系统能够理解整个环境，如人眼也只能感觉电磁波谱中的一小部分，而不能感觉其全部。所以，识别只能在一定范围内，即一定环境的子集上进行。

2）问题范围

它指一个确定的应用领域中的客体ρf（x），是环境集合U的子集Ω。

3）模式

集合Ω的元素（函数）称为模式，一个模式就是n中的一个函数fi（xi） （i＝1，2，…，n；j＝1，2，…，m）。例如：黑白图像的灰度值有m＝1，n＝2；而彩色电视机的彩色图像则有m＝3，n＝3，其模式为fr（x，y，t）、fg（x，y，t）与fb（x，y，t）。

4）模式识别

用数学方法和计算机技术研究模式的自动处理和识别判断。

5）模式类

简称类，是指模式识别时所分的类。在模式分类中，每个模式作为一个整体而不依赖于其他模式，把它分到k个可能类别Ωk（k＝1，2，…，k）中某一个类Ωk，且仅能被分到这一个类Ωk中，如切削过程工况常被分为“正常”与“异常”两类。

2、模式识别中分类的基本原则

1）应有一个代表性的样本集ω（ωΩ），供搜集有关问题范围Ω的信息；

2）一个模式应具备一个类的属性特征：

3）同类模式的类属性特征在特征空间中组成某种排序的聚合域，不同类别的特征组成的区域是分离的；

4）一个复杂的模式应能分解为简单的组成部分，即模式元；

5）模式元间有一种确定的关系；

6）如果两个模式的特征或模式元间，在规定的阈值下测得的差别是微小而可以忽略，则它们是相似的。

3、模式识别系统工作的可靠性及其度量

模式识别系统工作的可靠性是指它具有的识别指标（品质）的概率，常用误识（概）率表征其识别系统工作的品质度量。误识率是在样本发生的概率下误识别的概率，是一个条件概率。模式识别系统的TRTT要求先设计样本，以此求出决策规划，使该系统在规定的误识率（可靠性）下，有不低于给定的识别品质指标。为了评价该系统需要平价识别系统的样本，但两类样本都是对待识别对象在规定要求下的观测值。因此，统计决策理论是处理模式识别中模式分类与识别系统设计的基础。

参考：https://blog.csdn.net/byxdaz/article/details/620857

1、模式与模式识别

模式可以看作是对象的组成成分或影响因素间存在的规律性关系，或者是因素间存在确定性或随机性规律的对象、过程或事件的集合。

模式识别就是对模式的区分和认识，把对象根据其特征归到若干类别中适当的一类。

模式识别是通过一系列数学方法让机器（计算机）来实现类似人的模式识别能力。

样本：所研究对象的一个个体。

样本集：若干样本的集合。

类或类别：在所有样本上定义的一个子集，处于同一类的样本在我们所关心的某种性质上是不可区分的，即具有相同的模式。

特征：指用于表征样本的观测，通常是数值表示的某些量化特征，有时也被称为属性。如果存在多个特征，则它们就组成了特征向量（有大小，有方向）。样本的特征构成了样本的特征空间，空间的维数就是特征的个数，而每一个样本就是特征空间的一个点。某些情况下，对样本的原始描述可能是非数值形式的，此时通常需要采用一定的方法把这些特征转换成数值特征。

已知样本：指事先知道的类别标号的样本。

未知样本：指类别标号未知但特征已知的样本。

所谓模式识别的问题就是用计算机的方法根据样本的特征将样本划分到一定的类别中去。

2、模式识别的主要方法

解决模式识别问题的方法可以归纳为基于基础知识的方法和基于数据的方法两大类。

3、监督模式识别与非监督模式的识别

监督模式识别：在要解决的模式是别的问题中，我们已知要划分的类别，并且能够获得一定数量的类别已知的训练样本，这种情况下建立分类器的问题属于监督学习的问题。

无监督模式识别：根据样本特征将样本聚成几个类，使属于同一个类的样本在一定意义上是相似的，而不同类之间的样本则由较大差异，这种学习过程称为非监督模式学习。

4、模式识别系统举例

语音识别

说话人识别

字符与文字识别

复杂图像中特定目标的识别

5、模式识别的系统的典型构成

一个模式识别系统通常包括原始数据的获取和预处理、特征提取与选择，分类或聚类、后处理四个主要部分。

处理监督模式识别问题的一般步骤：

分析问题：深入研究应用领域的问题，分析是否属于模式识别问题，把所研究的目标表示为一定的类别，分析给定数据或者可以观测的数据中哪些因素可能与分类有关。

原始特征获取：设计实验，得到已知样本，对样本实施观测和预处理，获取可能与样本分类有关的观测向量（原始特征）

特征提取与选择：为了更好地进行分类，可能需要采用一定的算法对特征进行再次提取和选择。

分类器设计：选择一定的分类器方法，用已知样本进行分类器训练

分类决策：利用一定的算法对分类器性能进行分类，必要时根据领域知识进行进一步处理。

处理非监督模式识别问题的一般步骤：

分析问题：深入研究应用领域的问题，分析研究目标能否通过寻找适当的聚类来达到；如果可能，猜测可能的或希望的类别数目；分析给定数据或者可以观测的数据中哪些因素可能与聚类有关。

原始特征的获取：设计实验，得到待分析的样本，对样本实施观测和预处理，获取可能与样本聚类有关的观测向量（原始特征）

特征提取与选择：为了更好地进行聚类，可能需要采用一定的算法对特征进行再次提取和选择。

聚类分析：选择一定的非监督模式识别方法，用样本进行聚类分析。

结果解释：考察聚类结果的性能，分析所得聚类与研究目标之间的关系，根据领域知识分析结果的合理性，对聚类的含义给出解释；如果有新样本，把聚类结果用于新样本分类。

参考：https://www.cnblogs.com/Sunnyside-Bao/p/11220697.html