【模式识别】概论

目标

1，了解模式识别理论与技术的发展全貌，主要研究内容和研究方向

2，掌握模式识别理论与技术的基础知识、基本概念、基本原理、分析方法

3，熟练应用相关方法解决模式识别实际问题，进行典型应用的方案设计和编程实现

主要内容

1，统计决策方法

2，概率密度函数的估计

3，线性分类器和非线性分类器

4，非参数学习机器与集成学习

5，特征选择与提取

6，非监督学习与聚类

7，深度学习

8，模式识别系统评价

模式与模式识别

模式：在模式识别学科中，模式可以看作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，过程或事物的集合。

模式识别：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。

基本术语：

        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：指用于表征样本的关泽，通常是数值表示的某些量化特征，有时也被称作属性。如果存在多个特征，则它们就组成了特征向量。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。
        已知样本：指事先知道类别标号的样本

        未知样本：指类别标号未知但特征已知的样本

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知识的方法和基于数据的方法两大类
 

        基于知识的方法：主要是指以专家系统为代表的方法，其基本思想是，根据人们已知的（从专家那里收集整理的）关于研究对象的知识，整理出若干描述特征与类别间关系的准则，建立一定的计算机推理系统，对未知样本通过这些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，这些方法并不是依靠人们对所研究对象的认识来建立分类系统，而是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模式识别机器，使之在训练后能够对未知样本进行分类。

        基于数据的模式识别方法，基础是统计模式识别，即依据统计学原理建立分类器，这是模式识别学科最初的主要内容。基于人工神经网络模型的模式识别方法从最初的思路并不是统计学开始，但其本质上与统计学有密切联系，人们也大量采用统计学思想来对它们进行研究。现在各类方法互相借鉴，互相融合，了解各种方法的来龙去脉对于深刻认识方法的核心思想和未来发展非常有意义，但从名称和归类上去割裂各种细分方法分支不但没有意义，也对学科未来的发展没有好处。

        基于数据的方法适用于我们已知对象的某些特征与我们所感兴趣的类别性质有关系，但无法确切描述这种关系的情况。

模式识别系统的典型构成