模式识别第一章分析报告.ppt

1. 模式和模式识别 模式和模式识别 人类具有很强的模式识别能力，时刻在完成某种模式识别的任务。 模式识别是一门理论与应用并重的技术科学，有广泛的需求。 模式识别是从样本到类别的映射。 模式识别是从样本到类别的映射。 2. 人的模式识别能力 2. 人的模式识别能力 3、计算机模式识别问题 生产实践的需要：需要智能机器人，另外人的工资高，而计算机的价格越来便宜。 信息爆炸现象：用人来不及处理信息。如：卫星遥感，超级市场，邮政，银行，指纹库。 危险地带：油漆、放射、高温、核电站。 提高工效：自动化带来的好处已经显而易见。 卫星地图 美军排爆机器人执行任务 1.数据获取 为了使计算机能够对客体进行分类识别，必须将客体用计算机所能接受的形式表示，通常从客体获得的信息有下列三种类型 ①二维图像，如文字、指纹、照片等； ②一维波形，如语音、机械振动波、心电团等； ③物理参量或逻辑值，如体温、各种实验数据等。 通过测量、采样和量化，可以用矩阵或向量表示二维图象或一维波形，这就是信息获取过程。 2．预处理 预处理的目的是去除噪声，加强有用的信息，并对种种因素造成的退化现象进行复原。 3．特征抽取 由信息获取部分获得的原始数据量一般是相当大的。为了有效地实现分类识别，要对原始数据进行选择或变换，得到最能反应分类本质的待征，构成特征向量。这就是特征抽取的过程。 4．分类器设计 为了把待识模式分配到各自的模式类中去，必须设计出分类判别规则。 基本作法是：用一定数量的样本(称为训练样本集)确定出一套分类判别规则，使得按这套分类判别规则对待识模式进行分类所造成的错误识别率最小或引起约损失最小。 分类器按已确定的分类判别规则对待识模式进行分类判别，输出分类结果。 §1-4 模式识别的基本问题 一、模式(样本)表示方法 向量表示 : 假设一个样本有n个变量(特征) x= (x1,x2,…,xn)T 2. 矩阵表示: N个样本，n个变量(特征) 3. 几何表示 一维表示 X1=1.5 ， X2=3 二维表示 X1=(x1,x2)T=(1,2)T X2=(x1,x2)T=(2,1)T 三维表示 X1=(x1,x2, x3)T=(1,1,0)T X2=(x1,x2 , x3)T=(1,0,1)T 4. 基元（链码）表示： 在右侧的图中八个基元 分别表示: 0，1，2，3， 4，5，6，7， 八个方向和基元线段长度。 则右侧样本可以表示为 X1=006666 这种方法将在句法模式识 别中用到。 模式类的紧致性： 集合中任意两个内点可以用光滑线连接，在该连线上的点也属于这个集合。 每个内点都有一个足够大的邻域，在该邻域中只包含同一集合中的点。 紧致集要求临界点要比较少 假若每个模式类都满足紧致性假设，则解决模式识别间题就不会碰到什么原则上的困难。但对于很多实际问题这个假设是不成立的。 只要各个模式类是可分的，总存在这样一个空间，使变换到这个空间中的集合满足紧致性要求。 相似与分类： 相似与分类问题远不像集合表达那样简单明了。集合的概念可用来表现已经分好的类，但对于怎样分类和归类则缺乏指导意义。 用各种距离表示相似性： 已知两个样本 xi=(xi1, xi2 , xi3,…,xin)T xj=(xj1, xj2 , xj3,…,xjn)T ② 欧几里德距离 其中Xi ，Xj为特征向量， 为协方差矩阵。 使用于N个样本的集合中两个样本之间求M氏距离： 如：1，3，5，7，9与2，4，6，8，10的相关系数为1； 1，3，5，7，9与10，8，6，4，2的相关系数为-1； 注意：在求相关系数之前，要将数标准化 分类的主观性和客观性 ① 分类带有主观性：目的不同，分类不同。例如：鲸鱼，牛，马从生物学的角度来讲都属于哺乳类，但是从产业角度来讲鲸鱼属于水产业，牛和马属于畜牧业。 ② 分类的客观性：科学性 判断分类必须有客观标准，因此分类是追求客观性的，但主观性也很难避免，这就是分类的复杂性。 靠哪些特征决定相似并进行分类，取决于行为的目的和方法。 在传送带上用光学传感器件对鱼按品种分类 鲈鱼(Seabass) 品种 鲑鱼(Salmon