模式識別介紹課件

1、第1章 緒論 1.1 模式和模式識別的基本概念 1.2模式識別系統(tǒng) 1.3模式識別的發(fā)展及應用1.4本課程授課按排及考核標準1.1 模式和模式識別1.1.1模式1.1.2模式識別 返回本章首頁1.1.1模式“模式”這個概念的內(nèi)涵是很豐富的,我們把凡是人類能用其感官直接或間接接受的外界信息都稱為模式,比如,文字、圖片、景物是模式,聲音,語音是模式,心電圖、腦電圖、地震波等也是模式。廣義地說,存在于時間和空間中可觀察的事物,如果我們可以區(qū)別它們是否相同或是相似,都可以稱為模式,但模式所指的不是事物本身,而是我們從事物獲得的信息, 因此, 模式往往表現(xiàn)為具有時間和空間分布的信息。 1.1.2模式識別

2、 模式識別屬于人工智能范疇，人工智能就是要用機器去完成過去只有人類才能做的智能活動。模式識別就是要用機器去完成人類智能中通過視覺聽覺觸覺等感官去識別外界環(huán)境的自然信息的這些工作。對于比較簡單的問題,可以認為識別就是分類。但是，對于比較復雜的識別問題,就往往不能用簡單的分類來解決,還需要對待識別模式進行描述。例如，漢字識別和景物識別 。l 模式識別作為一門技術科學 目的就是要研究出能自動進行模式分類和描述的機器系統(tǒng)，以完成人類的模式識別的功能. 它與人工智能范疇的其它分支的目標是一致的，都是要用機器來代替人類的部分智力活動l 模式識別是一門新的研究領域 到目前為止， 它的理論和技術遠未完善l模式

3、識別也是一門邊緣技術學科 它與人工智能、信號處理、計算機技術、概率統(tǒng)計、模糊集論、信息論、數(shù)字圖像處理、形式語言學、心理學等都有密切的關系二、模式識別系統(tǒng) 返回本章首頁l 數(shù)據(jù)獲取 通過測量、采樣和量化獲取數(shù)據(jù)的過程l 預處理 去出噪聲,加強有用的信息,復原退化現(xiàn)象 l特征提取和選擇 得到最能反映分類本質的特征 分類決策 就是在特征空間中用統(tǒng)計方法把被識別 對象歸為某一類別1.3.1文字識別 1文字識別是在模式識別領域中發(fā)展得最成熟并得到最廣泛應用的一個方面。早在1929年Tauschek就試圖用模板匹配的方法去識別十個印刷體阿拉伯數(shù)字。文字識別在這個原始方法的基礎上不斷地加以改進。但這類方法

4、對于字體、位置和印刷油墨、紙張質量等都有特別的要求，終因光電方法的條件限制而沒有得到推廣應用。只有在計算機技術有了長足的進步之后文字識別才得以真正發(fā)展。按識別對象，文字識別分為西文字符、阿拉伯數(shù)字和漢字識別等返回本節(jié)2、模式識別的發(fā)展歷史60年代初，數(shù)理統(tǒng)計學中已經(jīng)形成了完整的統(tǒng)計決策理論；70年代中期，美籍華人傅京孫教授建立了句法模式識別理論；80年代，在傅京孫教授的指導下，我國的一批專家學者在美國進修，回國后開展了我國的模式識別研究。1.3.2 語音識別語音識別的復雜性和難度都很高，因為要抽取語音的特征，不僅需要分析語言的結構和語言的物理過程，而且還涉及聽覺的物理和生理過程。語音識別的兩類

5、課題：識別人們的語言，它可能是不同的人們在不同的環(huán)境背景下的聲音。發(fā)生者的識別，這在身份鑒別中能起到很到作用返回本節(jié)1.3.4其它方面的應用 模式識別進行遙感圖片的分類，可以完成大量的信息處理工作；在軍事上，可見光、雷達、紅外圖像的分析與識別，可以檢出和鑒別目標的出現(xiàn)，判斷目標的類別并對運動中的目標進行監(jiān)視和跟蹤。采用地形匹配的方法校正飛行軌道以提高導彈的命中精度，也是模式識別的重要應用課題。此外，模式識別在鑒別人臉和和指紋，地質勘測、高能物理，機器人技術等方面也有很多用處。返回本節(jié)1.2本課程的授課安排及考核標準返回本章首頁由于本課程教學計劃安排學時數(shù)為32學時，現(xiàn)針對教材，主要講授以下內(nèi)容

6、：第2章 Bayes決策理論（重點掌握）2.1 最小錯誤概率的Bayes決策2.2 最小風險的Bayes決策2.3 在限定一類錯誤率條件下使另一類錯誤率為最小的兩類別決策Neyman-Pearson決策2.4 最小最大決策返回本章首頁2.5 Bayes分類器設計和判別函數(shù)2.6 正態(tài)分布時的Bayes決策 2.7 離散情況的Bayes決策第3章 概率密度函數(shù)的估計（了解）3.1 參數(shù)估計（極大似然估計和Bayes估計和Bayes學習）3.2 非參數(shù)估計（概率密度密度估計的基本方法和Parzen窗法）返回本章首頁第4章 線性判別函數(shù)（重點掌握）4.1 線性判別函數(shù)和決策面4.2 感知準則函數(shù) 4.3 最小平方誤差準則函數(shù)（MSE ）4.4 Fisher線性判別函數(shù) 4.5 多類情況下的線性判別函數(shù)和固定增量算法4.6 分段線性判別函數(shù)返回本章首頁第6章 近鄰法（了解）非監(jiān)督學習方法的部分內(nèi)容合并到此章介紹。第7章 特征的抽取和選擇（掌握）基于K L展開式的特征提取合并到此章介紹。其它內(nèi)容不作要求課程小結：講授模式識別的應用