模式識別感知演算法

① 機器學習和模式識別有什麼區別看教材，發現它們的演算法都差不多一樣啊。。。

一、方式不同

1、機器學習：是通過計算機用數學技術方法來研究模式的自動處理和判讀。

2、模式識別：專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

二、研究過程不同

1、機器學習：學習是一項復雜的智能活動，學習過程與推理過程是緊密相連的，按照學習中使用推理的多少，機器學習所採用的策略大體上可分為4種——機械學習、通過傳授學習、類比學習和通悉孝過事例學習。

2、模式識別：指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程搭氏，是信息科學和人工智慧的重要組成部分。

三、應用前景不同

1、機器學習：繼專家系統之後人工智慧應用的又一重要研究領域，也是人工智慧和神經計算的核心研究課題之一。現有的計算機系統和人工智慧系統沒有什麼學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產提出的新要求。

對機器學習的討論和機器學習研究的進展，必將促使人工智慧和整個科學技術的進一步發展 。

2、模式識別：一是研究知陸散生物體(包括人)是如何感知對象的，屬於認識科學的范疇，二是在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容。

② 模式識別,模式識別是什麼意思

模式識別是人類的一項基本智能，在日常生活中，人們經常在進行「模式識別」。隨著20世紀40年代計算機的出現以及50年代人工智慧的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展並成為一門新學科。 什麼是模式和模式識別？廣義地說，存在於時間和空間中可觀察的事物，如果可以區別它們是否相同或相似，都可以稱之為模式；狹義地說，模式是通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息；把模式所屬的類別或同一類中模式的總體稱為模式類(或簡稱為類)。而「模式識別」則是在某些一定量度或觀測基礎上把待識模式劃分到各自的模式類中去。 模式識別的研究主要集中在兩方面，即研究生物體(包括人)是如何感知彎輪對象的，以及在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家、神經生理學家的研究內容，屬於認知科學的范疇；後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。 一個計算機模式識別系統基本上是由三個相互關聯而又有明顯區別的過程組成的，即數據生成、模式分析和模式分類。數據生成是將輸入模式的原始信息轉換為向量，成為計算機易於處理的形式。模式分析是對數據進行加工，包括特徵選擇、特徵提取、數據維數禪輪壓縮和決定可能存在的類別等。模式分類則是利用模式分析所獲得的信息，對計算機進行訓練，從而制定判別標准，以期對待識別模式進行分類。 有兩種基本的模式識別方法，即統計模式識別方法和結構(句法)模式識別方法。統計模式識別是對模式的統計分類方法，即結合統計概率論的貝葉斯決策系統進行模賀鬧信式識別的技術，又稱為決策理論識別方法。利用模式與子模式分層結構的樹狀信息所完成的模式識別工作，就是結構模式識別或句法模式識別。 模式識別的應用包括文字識別，語音識別，指紋識別等。 模式識別技術是人工智慧的基礎技術，21世紀是智能化、信息化、計算化、網路化的世紀，在這個以數字計算為特徵的世紀里，作為人工智慧技術基礎學科的模式識別技術，必將獲得巨大的發展空間。在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術作為公司的戰略研發重點加以重視。 模式識別(Pattern Recognition)是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程,是信息科學和人工智慧的重要組成部分。 模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬於概念識別研究的范疇,是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物的感測器等對象進行測量的具體模式進行分類和辨識。 應用計算機對一組事件或過程進行鑒別和分類。所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智慧 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智慧的學習機制；人工智慧研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特徵抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。 模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的,屬於認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統的研究成果。 「模式識別」是用機器模擬人類識別事物的技術。它是信息科學的一個分支,是人工智慧學科的一個重要組成部分。 早先的模式識別主要是從數學理論上去研究和分辨事物的特徵。在電子計算機發明以後,實現了用機器代替人作識別工作。電子計算機是能代替人進行模式識別的理想設備,因此,現在的模式識別技術主要是利用電子計算機技術來實現數學理論上的分析和計算。 模式識別是一門通用的學科。在電信方面,它應用於話音控制的電話撥號、自動回答用戶查詢以及對指定的講話人進行話音自動識別等。除此,它在醫療、國防、公安等部門也都有廣泛的應用。例如,用於身份識別的虹膜識別系統、指紋自動識別系統、話音識別機、文字閱讀器等都已是成熟的產品。智能計算機、智能機器人等也將隨著模式識別技術的發展而達到更高的水平。 模式識別還可用於文字和語音識別、遙感和醫學診斷等方面。 ①文字識別漢字已有數千年的歷史，也是世界上使用人數最多的文字，對於中華民族燦爛文化的形成和發展有著不可磨滅的功勛。所以在信息技術及計算機技術日益普及的今天，如何將文字方便、快速地輸入到計算機中已成為影響人機介面效率的一個重要瓶頸，也關繫到計算機能否真正在我過得到普及的應用。目前，漢字輸入主要分為人工鍵盤輸入和機器自動識別輸入兩種。其中人工鍵入速度慢而且勞動強度大；自動輸入又分為漢字識別輸入及語音識別輸入。從識別技術的難度來說，手寫體識別的難度高於印刷體識別，而在手寫體識別中，離線手寫體的難度又遠遠超過了連機手寫體識別。到目前為止，除了離線手寫體數字的識別已有實際應用外，漢字等文字的離線手寫體識別還處在實驗室階段。 ②語音識別語音識別技術技術所涉及的領域包括：信號處理、模式識別、概率論和資訊理論、發聲機理和聽覺機理、人工智慧等等。近年來，在生物識別技術領域中，聲紋識別技術以其獨特的方便性、經濟性和准確性等優勢受到世人矚目，並日益成為人們日常生活和工作中重要且普及的安驗證方式。而且利用基因演算法訓練連續隱馬爾柯夫模型的語音識別方法現已成為語音識別的主流技術，該方法在語音識別時識別速度較快，也有較高的識別率。 2.3 指紋識別我們手掌及其手指、腳、腳趾內側表面的皮膚凹凸不平產生的紋路會形成各種各樣的圖案。而這些皮膚的紋路在圖案、斷點和交叉點上各不相同，是唯一的。依靠這種唯一性，就可以將一個人同他的指紋對應起來，通過比較他的指紋和預先保存的指紋進行比較，便可以驗證他的真實身份。一般的指紋分成有以下幾個大的類別:left loop,right loop,twin loop,whorl,arch和tented arch,這樣就可以將每個人的指紋分別歸類，進行檢索。指紋識別基本上可分成：預處理、特徵選擇和模式分類幾個大的步驟。 ③遙感遙感圖像識別已廣泛用於農作物估產、資源勘察、氣象預報和軍事偵察等。 ④醫學診斷 在癌細胞檢測、X射線照片分析、血液化驗、染色體分析、心電圖診斷和腦電圖診斷等方面，模式識別已取得了成效。

③ 什麼叫模式識別

所謂模式識別的問題就是用計算的方法根據樣本的特徵將樣本劃分到一定的類別中去。[1]模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀，把環境與客體統稱為「模式」。隨著計算機技術的發展，人類有可能研究復雜的信息處理過程，其過程的一個重要形式是生命體對環境及客體的識別。模式識別以圖像處理與計算機視覺、語音語言信息處理、腦網路組、類腦智能等為主要研究方向，研究人類模式識別的機理以及有效的計算方法。
早期的模式識別研究著重在數學方法上。20世紀50年代末，F．羅森布拉特提出了一種簡化的模擬人腦進行識別的數學模型——感知器，初步實現了通過給定類別的各個樣本對識別系統進行訓練，使系統在學習完畢後具有對其他未知類別的模式進行正確分類的能力。

④ 模式識別是什麼

模式識別(Pattern Recognition)是人類的一項基本智能，在日常生活中，人們經常在進行「模式識別」。

隨著20世紀40年代計算機 的出現以及50年代人工智慧的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。

(計算機)模式識別在20世紀60年代初迅速發展並成為一門新學科。

模式識別(Pattern Recognition)是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋咐薯旁的過程,是信息科學和人工智慧的重要組成部分。

模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類（Supervised Classification）和無監督的分類(Unsupervised Classification)兩種。

二者的主要差別在於，各實驗樣本所屬的類別是否預先已知。

一般說來，有監督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無手殲監督的分類就變得十分有必要了。

模式還可分成抽象的和具體的兩種形式。

前者如意識、思想、議論等,屬於概念識別研究的范疇,是人工智慧的另一研究分支。

我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物感測器等對象的具體模式進行辨識和分類。

模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的，屬於認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。

前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統的研究成果。

應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。

這些對象與數字形式的信息相區別，稱為模式信息。

模式識別所分類的類別數目由特定的識別問題決定。

有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以後確定。

模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。

它與 人工智慧 、 圖像處理 的研究有交叉關系。

例如自適應或自組織的模式識別系統包含了人工智慧的學習機制；人工智慧研究的景物理解、自然語言理解也包含模式識別問題。

又如模式識別中的預處理和特徵抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。

一、模式識別方法

1、決策理論方法

又稱統計方法，是發展較早也比較成熟的一種方法。

被識別對象首先數字化，變換為適於計算機處理的數字信息。

一個模式常常要用很大的信息量來表示。

許多模式識別系統在數字化環節之後還進行預處理，用於除去混入的干擾信息並減少某些變形和失真。

隨後是進行特徵抽取，即從數字化後或預處理後的輸入模式中抽取一組特徵。

所謂特徵是選定的一種度量，它對於一般的變形和失真保持不變或幾乎不變，並且只含盡可能少的冗餘信息。

特徵抽取過程將輸入模式從對象空間映射到特徵空間。

這時，模式可用特徵空間中的一個點或一個特徵矢量表示。

這種映射不僅壓縮了信息量，而且易於分類。

在決策理論方法中，特徵抽取佔有重要的地位，但尚無通用的理論指導，只能通過分析具體識別對象決定選取何種特徵。

特徵抽取後可進行分類，即從特徵空間再映射到決策空間。

為此而引入鑒別函數，由特徵矢量計算出相應於各類別的鑒別函數值，通過鑒別函數值的比較實行分類。

2、句法方法

又稱結構方法衡橡或語言學方法。

其基本思想是把一個模式描述為較簡單的子模式的組合，子模式又可描述為更簡單的子模式的組合，最終得到一個樹形的結構描述，在底層的最簡單的子模式稱為模式基元。

在句法方法中選取基元的問題相當於在決策理論方法中選取特徵的問題。

通常要求所選的基元能對模式提供一個緊湊的反映其結構關系的描述，又要易於用非句法方法加以抽取。

顯然，基元本身不應該含有重要的結構信息。

模式以一組基元和它們的組合關系來描述，稱為模式描述語句，這相當於在語言中，句子和短語用片語合，詞用字元組合一樣。

基元組合成模式的規則，由所謂語法來指定。

一旦基元被鑒別，識別過程可通過句法分析進行，即分析給定的模式語句是否符合指定的語法，滿足某類語法的即被分入該類。

模式識別方法的選擇取決於問題的性質。

如果被識別的對象極為復雜，而且包含豐富的結構信息，一般採用句法方法；被識別對象不很復雜或不含明顯的結構信息，一般採用決策理論方法。

這兩種方法不能截然分開，在句法方法中，基元本身就是用決策理論方法抽取的。

在應用中，將這兩種方法結合起來分別施加於不同的層次，常能收到較好的效果。

二、模式識別的應用

模式識別可用於文字和語音識別、遙感和醫學診斷等方面。

① 文字識別

漢字已有數千年的歷史，也是世界上使用人數最多的文字，對於中華民族燦爛文化的形成和發展有著不可磨滅的功勛。

所以在信息技術及計算機技術日益普及的今天，如何將文字方便、快速地輸入到計算機中已成為影響人機介面效率的一個重要瓶頸，也關繫到計算機能否真正在我過得到普及的應用。

目前，漢字輸入主要分為人工鍵盤輸入和機器自動識別輸入兩種。

其中人工鍵入速度慢而且勞動強度大；自動輸入又分為漢字識別輸入及語音識別輸入。

從識別技術的難度來說，手寫體識別的難度高於印刷體識別，而在手寫體識別中，離線手寫體的難度又遠遠超過了聯機手寫體識別。

到目前為止，除了離線手寫體數字的識別已有實際應用外，漢字等文字的離線手寫體識別還處在實驗室階段。

②語音識別

語音識別技術技術所涉及的領域包括：信號處理、模式識別、概率論和資訊理論、發聲機理和聽覺機理、人工智慧等等。

近年來，在生物識別技術領域中，聲紋識別技術以其獨特的方便性、經濟性和准確性等優勢受到世人矚目，並日益成為人們日常生活和工作中重要且普及的安驗證方式。

而且利用基因演算法訓練連續隱馬爾柯夫模型的語音識別方法現已成為語音識別的主流技術，該方法在語音識別時識別速度較快，也有較高的識別率。

③ 指紋識別

我們手掌及其手指、腳、腳趾內側表面的皮膚凹凸不平產生的紋路會形成各種各樣的圖案。

而這些皮膚的紋路在圖案、斷點和交叉點上各不相同，是唯一的。

依靠這種唯一性，就可以將一個人同他的指紋對應起來，通過比較他的指紋和預先保存的指紋進行比較，便可以驗證他的真實身份。

一般的指紋分成有以下幾個大的類別:環型(loop),螺旋型(whorl),弓型(arch),這樣就可以將每個人的指紋分別歸類，進行檢索。

指紋識別基本上可分成：預處理、特徵選擇和模式分類幾個大的步驟。

③ 遙感

遙感圖像識別已廣泛用於農作物估產、資源勘察、氣象預報和軍事偵察等。

④醫學診斷

在癌細胞檢測、X射線照片分析、血液化驗、染色體分析、心電圖診斷和腦電圖診斷等方面，模式識別已取得了成效。

三、統計模式識別

統計模式識別(statistic pattern recognition)的基本原理是：有相似性的樣本在模式空間中互相接近，並形成「集團」，即「物以類聚」。

其分析方法是根據模式所測得的特徵向量Xi=(xi1,xi2,…,xid)T(i=1,2,…,N)，將一個給定的模式歸入C個類ω1,ω2,…, ωc中，然後根據模式之間的距離函數來判別分類。

其中，T表示轉置；N為樣本點數；d為樣本特徵數。

統計模式識別的主要方法有：判別函數法，近鄰分類法，非線性映射法，特徵分析法，主因子分析法等。

在統計模式識別中，貝葉斯決策規則從理論上解決了最優分類器的設計問題，但其實施卻必須首先解決更困難的概率密度估計問題。

BP神經網路直接從觀測數據(訓練樣本)學習，是更簡便有效的方法，因而獲得了廣泛的應用，但它是一種啟發式技術，缺乏指定工程實踐的堅實理論基礎。

統計推斷理論研究所取得的突破性成果導致現代統計學習理論——VC理論的建立，該理論不僅在嚴格的數學基礎上圓滿地回答了人工神經網路中出現的理論問題，而且導出了一種新的學習方法——支持向量機（SVM）。

四、模式識別技術的近乎無限的發展潛力

模式識別技術是人工智慧的基礎技術，21世紀是智能化、信息化、計算化、網路化的世紀，在這個以數字計算為特徵的世紀里，作為人工智慧技術基礎學科的模式識別技術，必將獲得巨大的發展空間。

在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術作為公司的戰略研發重點加以重視。

1、語音識別技術

語音識別技術正逐步成為信息技術中人機介面(Human puter Interface, HCI)的關鍵技術，語音技術的應用已經成為一個具有競爭性的新興高技術產業。

中國互聯網中心的市場預測：未來5年，中文語音技術領域將會有超過400億人民幣的市場容量,然後每年以超過30%的速度增長。

2、生物認證技術

生物認證技術(Biometrics)本世紀最受關注的安全認證技術，它的發展是大勢所趨。

人們願意忘掉所有的密碼、扔掉所有的磁卡，憑借自身的唯一性來標識身份與保密。

國際數據集團（IDC）預測：作為未來的必然發展方向的移動電子商務基礎核心技術的生物識別技術在未來10年的時間里將達到100億美元的市場規模。

3、數字水印技術

90年代以來才在國際上開始發展起來的數字水印技術(Digital Watermarking)是最具發展潛力與優勢的數字媒體版權保護技術。

IDC預測，數字水印技術在未來的5年內全球市場容量超過80億美元。

五、結 語

模式識別從20世紀20年代發展至今，人們的一種普遍看法是不存在對所有模式識別問題都適用的單一模型和解決識別問題的單一技術，我們現在擁有的只是一個工具袋，所要做的是結合具體問題把統計的和句法的識別結合起來，把統計模式識別或句法模式識別與人工智慧中的啟發式搜索結合起來，把統計模式識別或句法模式識別與支持向量機的機器學習結合起來，把人工神經元網路與各種已有技術以及人工智慧中的專家系統、不確定推理方法結合起來，深入掌握各種工具的效能和應有的可能性，互相取長補短，開創模式識別應用的新局面。

對於識別二維模式的能力，存在各種理論解釋。

模板說認為，我們所知的每一個模式，在長時記憶中都有一個相應的模板或微縮副本。

模式識別就是與視覺 *** 最合適的模板進行匹配。

特徵說認為，視覺 *** 由各種特徵組成，模式識別是比較呈現 *** 的特徵和儲存在長時記憶中的模式特徵。

特徵說解釋了模式識別中的一些自下而上過程，但它不強調基於環境的信息和期待的自上而下加工。

基於結構描述的理論可能比模板說或特徵說更為合適。

⑤ 人工智慧之模式識別|北京理工大學|Mooc|筆記|更新中

識別的基礎是認知
認知Cognition：獲取某種事物的特徵——概念抽象
識別Re-cognition：根據特徵決定某個具體的事物是不是某種事物——概念歸類
模式：一類事物的共同特徵
識別：對事物進行概念歸類
模式識別：依據事物的特徵進行概念歸類

特徵
相似性
類
特徵空間
向量空間
集合空間

通過訓練（學習）得到分類器模型參數

兩種模式：有監督學習和無監督學習——從訓練集中學習

對於每一個類別都給定一些樣本——形成一個具有類別標簽的訓練樣本集——分類器通過分析每一個樣本去尋找屬於同一類樣本具有哪些共同特徵——從訓練集中學習到具體分類決策規則——有監督的學習

分類器通過有監督學習模式學習到的每個類別樣本的特徵就是關於某個類別概念的知識—— 學習過程就是認知過程

樣本標簽如何得到？——人來給定

有監督學習——從人的經驗中學習分類知識——智能水平有上限

給定訓練樣本集但沒有給每一個樣本貼上類別標簽——屬於同一個類別的樣本之間的相似程度會大於屬於不同類別的樣本之間的相似程度——根據相似程度的大小，按照一些規則把相似程度高的一些樣本作為同一類——將訓練樣本集的一些樣本劃分成不同的類別——再從每一個類別的樣本中去尋找共同特徵，形成分類決策規則——無監督學習

無監督學習——自主地從數據所代表的自然規律中學習關於類別劃分的知識——分類器能達到更高的分類水平——未來模式識別發展的主要方向

屬於同一個類別的樣本之間的相似程度會大於屬於不同類別的樣本之間的相似程度——不同類樣本之間的相似度越小，分類決策規則的裕量也就越大

這樣可以作為評判用於監督學習的帶標簽訓練樣本集以及作為無監督學習結果的樣本集，它的優劣程度的一個指標，稱為「緊致性」准則，即：緊致性好的樣本集樣本的類內相似度遠大於類間相似度。

若要進行定量評判——確定如何度量相似性——可以設置多種指標——如：距離指標（最常用，距離可以定義在任意集合上，只要去計算滿足三條標准：1.正定性：距離是個大於等於0的正實數，當且僅當自己和自己計算距離時才為0；2.對稱性：樣本之間的距離值計算與計算順序無關；3.傳遞性：滿足三角關系——兩個樣本之間的距離一定小於等於分別於第三個樣本之間的距離之和。||在向量空間中可以定義歐氏距離、曼哈頓距離、切比雪夫距離等|| 非向量空間也可以定義距離，如：兩個字元串之間的編輯距離也是一種合法的距離定義）非距離的相似度量標准（如：餘弦相似度——使用向量空間中兩個向量之間的夾角來表達相似程度：cosθ=x ^T y/||x||·||y|| ;皮爾遜相關系數Pxy=cov(x,y)/∆x∆y;Jaccard相似系數）

如果我們希望有緊致性好的樣本集——那麼就希望能有有效的信息能夠將不同類的樣本很好地區分開——增加特徵的種類==增加特徵的維度——特徵的維度越多，用於識別的信息就越豐富，就有越多的細節信息可以將不同的樣本之間的相似度降低，提高樣本集的緊致性

不需要無限制地增加，只要不斷地增加模式識別問題中地特徵維數會產生維數災難（cruse of dimensionality)——當一個問題描述地維度不斷增加時會帶來計算量劇增與解法性能下降等嚴重問題——模式識別中的維數災難：隨著特徵維度的增加分類器的性能將在一段快速增加的區域後急速地下降並且最終無法使用

當特徵空間以同樣密度能夠容納的樣本總數呈指數增長時，而如果給定樣本集中的樣本數量沒有同步按照指數規律增加的話，那麼問題越往高維度特徵空間映射時樣本集中的樣本就越稀疏，從而使得樣本集的緊致性越來越差，因此分類器的性能越來越差。

要解決維數災難問題或者要同步地大量增加樣本集樣本的數量，難以實現，或者盡可能減少問題所使用的特徵維度。

在降低維度的同時盡可能地提升每一個維度在分類中的效能，從而使模式識別問題在較低的維度下解決。

特徵生成+特徵降維 重點領域——其結果直接影響分類器性能的好壞

我們期望分類器能夠從訓練集樣本中發現所要分類的各個類別的普遍特點即找到最優的分類器，使分類器在經過訓練後不僅能將訓練集中的樣本正確分類，而且對於不在訓練集中的新樣本也能夠正確地分類

因為有誤差所以不能同時滿足【正確分類樣本集】和【正確分類未知新樣本】

採集數據時由於數據採集方法的問題或者存在雜訊干擾得到的樣本特徵會存在誤差甚至會出現「異常數據」

如果我們要求分類器必須正確分類則會在分類規則上出現「失真」，從而在面對新的未知樣本進行分類時出現錯誤（使分類器泛化能力降低）====稱為分類器訓練過程中的「過擬合」

「結構風險最小化准則」

分類決策規則是從自動計算中獲取的而不是人工設定的

設計模式識別系統就是設計分類器的模型、所使用的的特徵和分類器參數的調整演算法

通過採集轉換得到計算機能接受和處理的數據

模式採集：感測器、變送器、模數轉換

得到的數據：待識別樣本的原始信息（包含大量干擾和無用數據）

通過各種濾波降噪措施降低干擾的影響，增強有用的信息，在此基礎上生成在分類上具有意義的各種特徵

得到的特徵：可以仍然用數值來表示，也可以用拓撲關系、邏輯結構等其他形式表示

經過一、二環節獲得的模式特徵維數都是很大的

主要方法：特徵選擇和特徵提取

特徵選擇：從已有的特徵中選擇一些特徵，拋棄其他特徵

特徵提取：是對原始的高維特徵進行映射變換，生成一組維數更少的特徵

分類器訓練是由計算機根據樣本的情況自動進行的，分類有監督學習和無監督學習

在分類器訓練結束後，對待分類的樣本按照已建立起來的分類決策規則進行分類的過程，在待分類的樣本在進行分類決策之前，與訓練樣本一樣要完成模式採集、預處理與特徵生成、特徵降維等環節的處理，還要持續不斷地對分類決策的結果進行評估，已改進分類器的性能。

模式識別演算法：統計模式識別（主流）、結構模式識別

統計模式識別：將樣本轉換成多維特徵空間中的點，再根據樣本的特徵取值情況和樣本集的特徵值分布情況確定分類決策規則。

線性分類器：是最基本的統計分類器，它通過尋找線性分類決策邊界來實現特徵空間中的類別劃分

貝葉斯分類器：它的決策規則是基於不同類樣本在特徵空間中的概率分布以逆概率推理的貝葉斯公式來得到類別劃分的決策結果

最近鄰分類器：把學習過程隱藏到了分類決策中，通過尋找訓練集中與待分類樣本最相似的子集來實現分類決策

神經網路分類器：來源於對生物神經網路系統的模擬，它的本質是高度非線性的統計分類器並且隨著計算機技術的發展從淺層網路向深層網路不斷演化

統計聚類分析：是無監督學習的典型代表

聚類分析：是無監督學習的典型代表，目前多採用統計學習的方法。

模糊模式識別：不是一獨立的方法，而是將模糊數學引入模式識別技術後對現有演算法的模糊化改造，它在更精確地描述問題和更有效地得出模式識別結果方面都有許多有價值的思路。

特徵降維：也不是獨立的模式識別演算法，但是是完成模式識別任務的流程中不可缺少的一個步驟，特徵降維通過尋找數量更少對分類更有效的特徵來提升整個模式識別系統的性能。

結構模式識別：

結構聚類演算法：將樣本結構上某些特點作為類別和個體的特徵通過結構上的相似性來完成分類任務。

句法模式識別：利用了形式語言理論中的語法規則，將樣本的結構特徵轉化為句法類型的判定，從而實現模式識別的功能。

一個典型的基於視覺的模式識別工程問題

多分類問題

模板匹配基本原理：為每一個類別建立一個或多個標準的模板，分類決策時將待識別的樣本與每個類別的模板進行比對，根據與模板的匹配程度將樣本劃分到最相似的類別中。

建立模板時依賴人的經驗所以適應性差

「分類決策邊界」

判別函數G(x)=0

如果判別函數是線性函數則稱為線性判別函數

線性判別函數+對應的分類規則=線性分類器

如果特徵空間是一維的，線性分類器的分類決策邊界就是一個點

如果特徵空間是二維的，線性分類器的分類決策邊界是一條直線

如果特徵空間是三維的，線性分類器的分類決策邊界是一個平面

如果維度很高，從數學上可以得到分類決策邊界是一個超平面

是不是任何一個模式識別問題都可以找到線性分類決策邊界呢？

給定一個樣本集，它是線性可分的嗎？

涉及問題：樣本集的線性可分性

如果一個樣本集，它的各個類別樣本的分布區域是相交的，那麼肯定是線性不可分的；如果各個類別樣本的分布區域是互不相交的，並且都是凸集，那麼它一定是線性可分的；如果互不相交但有的是凹集，也不一定是線性可分的，需要找出凹集區域最小的凸集包絡線稱為凸包，如果凸包都不想交，那麼樣本集才是可分的，否則不可分。

線性可分性——異或問題

非線性分類問題轉化為線性分類問題：

當我們將一個模式識別問題從低維特徵空間映射到高維特徵空間時，就將一個非線性分類問題轉化為一個線性分類問題。======》這種方法被稱為「廣義線性化」

需要多個線性判別函數——用二分類問題的組合來確定多分類的分類決策規則

根據一定的邏輯關系構成多分類的線性分類器

絕對可分：對於樣本集中的每一個類都有一個線性判別函數，可以把屬於這一類和不屬於這一類的樣本分開。——帶來的不可識別區域很多，整體分類器的性能不好。

兩兩可分：判別函數並不是用於判別屬於某一個或者不屬於某一個類的樣本，而是在兩個特定的類別中選邊站。減少了不可識別區域，提升了線性分類器的性能。

如果有k個分類，兩兩可分的線性判別一共需要C2k個判別函數，絕對可分的線性判別需要k個判別函數

最大值可分：樣本集中每一個類別對應有一個判別函數，而一個樣本將被劃分到取值最大的那個判別函數所對應的類別中。——不可識別區域消失，判別函數的數量也僅僅與樣本集中的類別數量一樣。

如何求最大值可分的判別函數？——工作量大

判別函數是樣本到決策超平面距離遠近的一種度量

樣本x到決策邊界的距離r正比於判別函數G(x)的值，判別函數的符號代表了距離r的符號，表示該模式位於決策邊界的正側還是負側

權向量w僅代表決策超平面的法向方向，長度不會影響決策邊界在特徵空間中的位置，可以取w為1，此時判別函數的值就是樣本到決策邊界的距離。

線性分類器——由線性判別函數及相應道德分類決策規則構成的

線性判別函數如何得到？——如何設計線性分類器？——訓練問題

線性分類器學習/訓練的一般思路：

G _ij (x)=w ^T x+w ₀

w ^T 權向量

w ₀ 偏置量

解區域中尋找最優解

1.設定一個標量的准則函數J(w,w ₀ ),使其值能夠代表解的優劣程度，准則函數值越小，說明解越符合要求，越好。

2.通過尋找准則函數J(w,w ₀ )的極小值，就能找到最優的一個解，是准則函數取得極小值的增廣權向量w，這就是最優解。 （w,w ₀ ） ^*

訓練集數據的規范化

1.了解感知器模型

感知器（perception）模型是一種神經元模型

多路輸入+單路輸出

將所有輸入信號加權求和後於一個閾值相比較，如果大於閾值，則神經元輸出為1；小於等於閾值，則神經元輸出為0

沒有反饋與內部狀態

只能依靠輸入信號是否超過閾值來決定是否激活神經元的輸出

如果把感知器的輸入信號看作是一個待識別樣本的特徵向量，感知器的數學模型就構成了一個典型的線性分類器，可以做出非常明確的二分類決策

通過樣本集使感知器能夠學習到輸入權重值和輸出的閾值

感知器是一個通過輸入加權和與閾值的比較來決定是否激活輸出的神經元模型，這是一個線性分類器，輸入的權構成了線性分類決策邊界的權向量，激活輸出的閾值 heta就是分類決策邊界的偏置量w ₀

求解目標：對所有樣本，都有w ^T x > 0

感知器演算法設定準則函數的依據：最終分類器要能正確分類所有的樣本

所以J設定為所有錯分樣本的判別函數值之和

X ₀ 是所有錯分樣本的集合

只要存在錯分樣本，准則函數一定大於0，只有當所有樣本正確分類了，准則函數值才能取得極小值0

梯度下降法

w(k+1)=w(k)-p(k+1)∆J(w(k))

對於線性可分的兩類問題其分類決策邊界為一n維特徵空間中的超平面H

一般情況下會有無窮多個解，當我們確定一個解所對應的權向量w，超平面的斜率和朝向就是確定的了，可以在一定范圍內平移超平面H，只要不達到或者越過兩類中距離H最近的樣本，分類決策邊界都可以正確地實現線性分類，所以任何一個求解得到的權向量w都會帶來一系列平行的分類決策邊界，其可平移的范圍具有一定的寬度，稱為分類間隔（Marigin of Classification）。

當我們改變w，使分類決策邊界的斜率和朝向隨之變化時，我們得到的分類間隔是不同的。

分類間隔越大，兩類樣本做決策時的裕量也就越大

找到可以使分類間隔最大的最優權向量 w*——支持向量機的出發點

分類間隔是由距離分類決策邊界最近的少量樣本決定的，這些樣本被稱為「支持向量 support vector」_支撐起了線性分類器在最大分類間隔意義下的最優解

支持向量機的優化求解目標是求取能帶來最大分類間隔的權向量w

分類間隔是支持向量到分類決策邊界的2倍

Max d = max 2|G _ij (x)|/||w|| 支持向量機採用令|G _ij (x)|=1 =>min ||w|| 將求取最大的d的問題轉化為求取權向量的長度最短的問題——為了方便進行二次優化——=>min 1/2 ||w|| ²

求取優化目標要求兩類中的所有樣本到分類決策邊界的距離都應該比支持向量更大，其他樣本的判別函數絕對值都需要大於1，即不等式約束條件為：圖

支持向量機採用拉格朗日乘子法將其轉化為無約束優化問題來求解，即通過將所有約束條件與拉格朗日乘子相乘後添加到優化目標中，在求取拉格朗日乘子最大值的條件下，求取最短的權向量w——凸規劃問題——存在唯一解——其充要條件可以通過拉格朗日函數分別對權向量w和偏置值w0求偏導來得到，即滿足這樣的條件——得到權向量的表達公式

KKT條件

經驗風險:訓練之後的分類器的錯誤分類樣本比例

經驗風險最小化 R_emp==o

只有當訓練集的樣本數趨近於無窮，訓練集中樣本的分布趨近於樣本的真實分布時，經驗風險才會趨近於真實樣本分類的風險

為了從根本上解決「過擬合」問題——提出「結構風險最小化SRM」min(R(w))

結構風險：在一個訓練好的分類器面對未知樣本時分類錯誤的概率

泛化誤差界：R(w)<=Remp(w)+φ(h/l) 置信風險 l是訓練集中的樣本數，h為分類器形式的vc維，而φ置信風險的具體計算公式：圖

如果分類器函數形式已經確定，則樣本數越大，置信風險也就越小；如果訓練集中的樣本數量不夠多，那麼結構風險的大小就受置信風險大小的很大影響，而此時置信風險的大小取決於分類器函數形式本身具有的VC維，函數的VC維h越大，則置信風險也就越大，則相應的結構風險也就越大，分類器的泛化能力越差。

什麼是VC維？一類函數所具有的分類能力

它的值是一類函數能打散兩類樣本集中最大樣本數量

分類器函數形式的階次越低，其VC維也就越小，在樣本集數量有限的情況下，訓練後的分類器結構風險就越小，泛化能力越強。

（支持向量機是階次最低的線性函數）——是支持向量機在不需要大量訓練樣本的情況下也能取得泛化能力特別強的分類器訓練結果的主要原因

所以支持向量機是應用結構風險最小化准則的一個結果

線性不可分問題：1.異常點干擾 2.非線性分類

線性支持向量機是把具有最大分類間隔的最優線性判別函數的求解轉化為求解最短權向量的二次規劃問題

異常點的判別函數值距離一定小於1

可以在約束條件中減去一項正數kesei，使判別函數的絕對值允許小於1，kesei就稱為鬆弛變數

把kesei也作為優化目標，希望kesei越少越好，越小越好。

最理想的情況：絕大多數支持向量外側的樣本包括支持向量對應的鬆弛變數都該為0.只有少數支持向量內側才有一個盡可能小的鬆弛變數。

因此，可以把所有鬆弛變數的和值也作為優化目標的一個分項，即在原來的最短權向量的二次優化目標基礎上再加上一項C乘以所有鬆弛變數的和。C為懲罰因子，表示對分類器中存在異常點的容忍程度。C越小，鬆弛變數的存在對整體優化過程的影響越小，對異常點的容忍度越高。如果C取0，約束條件被破壞。

軟間隔的支持向量機：使用鬆弛變數和懲罰因子的支持向量機

採用——廣義線性化（把低維空間中的非線性問題往高維映射，從而轉化為一個線性分類問題）

⑥ 模式識別技術是什麼

問題一：什麼是模式識別技術 模式識別技術是人工智慧的基礎技術，21世紀是智能化、信息化、計算化、網路化的世紀，在這個以數字計算為特徵的世紀里，作為人工智慧技術基礎學科的模式識別技術，必將獲得巨大的發展空間。
例如語音識別技術、生物認證技術、聲紋識別、指紋識別、數字水印技術等

問題二：模式識別是什麼 模式識別(Pattern Recognition)是人類的一項基本智能，在日常生活中，人們經常在進行「模式識別」。隨著20世紀40年代計算機 的出現以及50年代人工智慧的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展並成為一門新學科。
模式識別(Pattern Recognition)是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程,是信息科學和人工智慧的重要組成部分。模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類（Supervised Classification）和無監督的分類(Unsupervised Classification)兩種。二者的主要差別在於，各實驗樣本所屬的類別是否預先已知。一般說來，有監督的分類往往需要提供大困圓纖量已知汪仿類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監督的分類就變得十分有必要了。
模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬於概念識別研究的范疇,是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物感測器等對象的具體模式進行辨識和分類。
模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的，屬於認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統的研究成果。
應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。
模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以後確定。
模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智慧 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智慧腔棗的學習機制；人工智慧研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特徵抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。
一、模式識別方法
1、決策理論方法
又稱統計方法，是發展較早也比較成熟的一種方法。被識別對象首先數字化，變換為適於計算機處理的數字信息。一個模式常常要用很大的信息量來表示。許多模式識別系統在數字化環節之後還進行預處理，用於除去混入的干擾信息並減少某些變形和失真。隨後是進行特徵抽取，即從數字化後或預處理後的輸入模式中抽取一組特徵。所謂特徵是選定的一種度量，它對於一般的變形和失真保持不變或幾乎不變，並且只含盡可能少的冗餘信息。特徵抽取過程將輸入模式從對象空間映射到特徵空間。這時，模式可用特徵空間中的一個點或一個特徵矢量表示。這種映射不僅壓縮了信息量，而且易於分類。在決策理論方法中，特徵抽取佔有重要的地位，但尚無通用的理論指導，只能通過分析具體識別對象決定選取何種特徵。特徵抽取後可進行分類，即從特徵空間再映射到決策空間。為此而引入鑒別函數，由特徵矢量計算出相應於各類別的鑒別函數值，通過鑒別函數值的比較實行分類。
2、句法方法
又稱結構方法或語言學方法。......>>

問題三：什麼是模式識別?它有哪些模型? 模式識別(Pattern Recognition)是人類的一項基本智能，在日常生活中，人們經常在進行「模式識別」。隨著20世紀40年代計算機
的出現以及50年代人工智慧的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展並成為一門新學科。
模式識別(Pattern Recognition)是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程,是信息科學和人工智慧的重要組成部分。模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類（Supervised Classification）和無監督的分類(Unsupervised Classification)兩種。二者的主要差別在於，各實驗樣本所屬的類別是否預先已知。一般說來，有監督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監督的分類就變得十分有必要了。
模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬於概念識別研究的范疇,是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物感測器等對象的具體模式進行辨識和分類。
模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的，屬於認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統的研究成果。
應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。
模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以後確定。
模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智慧 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智慧的學習機制；人工智慧研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特徵抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。

問題四：模式識別系統的主要組成和功能介紹是什麼啊？？ 10分 模式識別系統，由數據獲取、預處理、特徵提取、分類決策和分類器設計5部分組成。
模式識別系統各組成單元的功能如下：
1）數據獲取：利用計算機可以運算的符號來表示所研究的對象，對應於外界物理空間向模式空間的轉換。一般，獲取的信息類型有以下幾種。
一維波形：心電圖、腦電波、聲波、震動波形等。
二維圖像：文字、地圖、照片等。
物理參量：體溫、化驗數據、溫度、壓力、電流、電壓等。
2）預處理：對由於信息獲取裝置或其他因素所造成的信息退化現象進行復原、去噪，加強有用信息。
3）特徵提取：由信息獲取部分獲得的原始信息，其數據量一般相當大。為了有效地實現分類識別，應對經過預處理的信息進行選擇或變換，得到最能反映分類本質的特徵，構成特徵向量。其目的是將維數較高的模式空間轉換為維數較低的特徵空間。
4）分類決策：在特徵空間中用模式識別方法（由分類器設計確定的分類判別規則）對待識模式進行分類判別，將其歸為某一類別，輸出分類結果。這一過程對應於特徵空間向類別空間的轉換。
5）分類器設計：為了把待識模式分配到各自的模式類中，必須設計出一套分類判別規則。基本做法是收集一定數量的樣本作為訓練集，在此基礎上確定判別函數，改進判別函數和誤差檢驗。
模式識別的關鍵是儲決如何利用計算機進行模式識別，並對樣本進行分類。執行模式識別的基於計算機的系統（可以是台式機、筆記本電腦或基於單片機、DSP和ARM等有計算能力的系統）稱為模式識別系統。

問題五：模式識別技術的工作流程第一步是什麼 模式識別復習要點和參考習題
wenku./...GlLIJm
中國電信提供最優質的網路通訊服務，老友換新機，網齡抵現金，百兆寬頻免費體驗，超清電視iTV，517電信活動可以直接通過電信營業廳或者實體營業廳查詢。

問題六：模式識別與智能系統這個學科屬於什麼類？ 屬於控制科學的二級學科，我也糾結過 ，不過，沒辦法，我想老師驗證過了，不屬於計算機

問題七：沒有使用到「模式識別」技術的是 後面三個肯定有用到，金山快譯技術上來說是在大量數據中尋找有用數據，應該是數據挖掘方面，掃描儀不是，技術上就是拍照片;OCR軟體大批量錄入這個不了解

問題八：模式識別智能系統需要哪些學科的基礎? 數字信號處理、數學

問題九：模式識別與智能系統屬於什麼學科 模式識別跟視頻處理關系不大。
模式識別做得好的是清華大學、中科院自動化所、國防科技大學、微軟亞洲研究院、西安交大。
北京還有北郵、北理工有模式識別實驗室。
視頻處理做得好的有清華(多媒體)、天津大學(數字電視)、科學院計算所、上海交大、傳媒大學等等。
作數字視頻的學校較多，因為比較熱門。

問題十：模式識別,模式識別是什麼意思 模式識別是人類的一項基本智能，在日常生活中，人們經常在進行「模式識別」。隨著20世紀40年代計算機的出現以及50年代人工智慧的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展並成為一門新學科。 什麼是模式和模式識別？廣義地說，存在於時間和空間中可觀察的事物，如果可以區別它們是否相同或相似，都可以稱之為模式；狹義地說，模式是通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息；把模式所屬的類別或同一類中模式的總體稱為模式類(或簡稱為類)。而「模式識別」則是在某些一定量度或觀測基礎上把待識模式劃分到各自的模式類中去。 模式識別的研究主要集中在兩方面，即研究生物體(包括人)是如何感知對象的，以及在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家、神經生理學家的研究內容，屬於認知科學的范疇；後者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。 一個計算機模式識別系統基本上是由三個相互關聯而又有明顯區別的過程組成的，即數據生成、模式分析和模式分類。數據生成是將輸入模式的原始信息轉換為向量，成為計算機易於處理的形式。模式分析是對數據進行加工，包括特徵選擇、特徵提取、數據維數壓縮和決定可能存在的類別等。模式分類則是利用模式分析所獲得的信息，對計算機進行訓練，從而制定判別標准，以期對待識別模式進行分類。 有兩種基本的模式識別方法，即統計模式識別方法和結構(句法)模式識別方法。統計模式識別是對模式的統計分類方法，即結合統計概率論的貝葉斯決策系統進行模式識別的技術，又稱為決策理論識別方法。利用模式與子模式分層結構的樹狀信息所完成的模式識別工作，就是結構模式識別或句法模式識別。 模式識別的應用包括文字識別，語音識別，指紋識別等。 模式識別技術是人工智慧的基礎技術，21世紀是智能化、信息化、計算化、網路化的世紀，在這個以數字計算為特徵的世紀里，作為人工智慧技術基礎學科的模式識別技術，必將獲得巨大的發展空間。在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術作為公司的戰略研發重點加以重視。 模式識別(Pattern Recognition)是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程,是信息科學和人工智慧的重要組成部分。 模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬於概念識別研究的范疇,是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物的感測器等對象進行測量的具體模式進行分類和辨識。 應用計算機對一組事件或過程進行鑒別和分類。所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智慧 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智慧的學習機制；人工智慧研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特徵抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。 模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的,屬於認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。前者是生......>>

⑦ 怎麼區分模式識別和感知交流

「感知」側重應用，「模式識別」側重技術和方法。
模式識別和感知的內容都比較寬泛，它的處理對象是感測數據（圖像、視頻、音頻等），從中判斷模式（紋理、物體、行為、事件）的存在、類別和具體描述（如部件及部件之間的關系）。
比較初級的感知，如檢測或者分類或者對紋理進行判斷，需要瞎伏比較少的知識，薯春我們把它稱為初級感知。比較高級的感知就是要對這個模式有比較深入的理解，而且可能需要用到一些先驗知識磨手攜。