《模式识别chapter1》由会员分享，可在线阅读，更多相关《模式识别chapter1（55页珍藏版）》请在金锄头文库上搜索。
1、模式识别 -概念、原理（算法）及其应用苏 荔 中科院研究生院信息学院 助教：朱琳 Office Hour：周三下午13:00-15:00 地点：自动化所东楼517（511/516）室与模式识别相关的学科 统计学 概率论 线性代数（矩阵计算） 形式语言 机器学习 人工智能 图像处理 计算机视觉 教学方法 着重讲述模式识别的基本概念，基本方 法和算法原理。 注重理论与实践紧密结合 实例教学：通过大量实例讲述如何将所学 知识运用到实际应用之中 避免引用过多的、繁琐的数学推导。教学目标 掌握模式识别的基本概念和方法 有效地运用所学知识和方法解决实际问 题 为研究新的模式识别的理论和方法打下 基础题外
2、话 基本：完成课程学习（作业），通过考试， 获得学分。 提高：能够将所学知识和内容用于课题研 究，解决实际问题，完成毕业论文。 飞跃：通过模式识别的学习，改进思维方 式，为将来的工作打好基础，终身受益。参考文献 黄庆明教授，中国科学院研究生院，2011 2012秋模式识别讲义 R. Duda, P. Hart, D. Stork, Pattern Classification, second edition, 2000 （中译本：李宏东等译，模式分类，机械工业 出版社，2004） 边肇祺，模式识别（第二版），清华大学出 版社，2000。 蔡元龙，模式识别，西北电讯工程学院出版 社，1986。机
3、构、会议、刊物 1973年 IEEE发起了第一次关于模式识别的国 际会议“ICPR”（此后两年一次），成立了国际 模式识别协会-“IAPR” 1977年IEEE成立PAMI委员会，创立IEEE Trans. on PAMI，并支持ICCV, CVPR两个会 议 其它刊物 Pattern Recognition (PR) Pattern Recognition Letters (PRL) Pattern Analysis and Application (PAA) International Journal of Pattern Recognition and Artificial Intell
4、igence (IJPRAI)第一章 模式识别概论什么是模式（Pattern）？什么是模式？ 广义地说，存在于时间和空间中可观察的物 体，如果我们可以区别它们是否相同或是否 相似，都可以称之为模式。 模式所指的不是事物本身，而是从事物获得 的信息，因此，模式往往表现为具有时间和 空间分布的信息。 模式的直观特性: 可观察性 可区分性 相似性模式识别的概念 模式识别 直观，无所不在，“人以类 聚，物以群分” 周围物体的认知：桌子、椅子 人的识别：张三、李四 声音的辨别：汽车、火车，狗叫、人语 气味的分辨：炸带鱼、红烧肉 人和动物的模式识别能力是极其平常 的，但对计算机来说却是非常困难的。模式识别
5、的研究 目的：利用计算机对物理对象进行分 类，在错误概率最小的条件下，使识别 的结果尽量与客观物体相符合。 Y = F(X) X的定义域取自特征集 Y的值域为类别的标号集 F是模式识别的判别方法模式识别简史 1929年 G. Tauschek发明阅读机，能够阅读0-9的数 字。 30年代 Fisher提出统计分类理论，奠定了统计模式识 别的基础。 50年代 Noam Chemsky 提出形式语言理论傅京 荪 提出句法结构模式识别。 60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别 方法得以发展和应用。 80年代以Hopfield网、BP网为代表的神经网络模型导 致人工神经元网络复活，
6、并在模式识别得到较广泛的 应用。 90年小样本学习理论，支持向量机也受到了很大的重 视。模式识别简史 21世纪以来，模式识别研究呈现一些新特点 贝叶斯学习理论越来越多地用来解决具体的模式 识别和模型选择问题，产生了良好的分类性能。 传统的问题，如概率密度估计、特征选择、聚类 等不断受到新的关注，新的方法或改进/混合的方 法不断提出。 模式识别和机器学习相互渗透，特征提取和选择、 分类、聚类、半监督学习等问题日益成为二者共 同关注的热点。 模式识别系统开始越来越多地用于现实生活，如 车牌识别、手写字符识别、生物特征识别。模式识别的应用（举例） 生物学 自动细胞学、染色体特性研究、遗传研究 天文学
7、 天文望远镜图像分析、自动光谱学 经济学 股票交易预测、企业行为分析 医学 心电图分析、脑电图分析、医学图像分析模式识别的应用（举例） 工程 产品缺陷检测、特征识别、语音识别、自 动导航系统、污染分析 军事 航空摄像分析、雷达和声纳信号检测和分 类、自动目标识别 安全 指纹识别、人脸识别、监视和报警系统模式识别方法 模式识别系统的目标：在特征空间和解 释空间之间找到一种映射关系，这种映 射也称之为假说。 特征空间：从模式得到的对分类有用的度 量、属性或基元构成的空间。 解释空间：将c个类别表示为 其中为所属类别的集合，称为解释空间。假说的两种获得方法 监督学习、概念驱动或归纳假说：在特征空 间
8、中找到一个与解释空间的结构相对应的假 说。在给定模式下假定一个解决方案，任何 在训练集中接近目标的假说也都必须在“未知” 的样本上得到近似的结果。 依靠已知所属类别的训练样本集，按它们特征向 量的分布来确定假说 （通常为一个判别函数）， 在判别函数确定之后能用它对未知的模式进行分 类； 对分类的模式要有足够的先验知识，通常需要采 集足够数量的具有典型性的样本进行训练。假说的两种获得方法（续） 非监督学习、数据驱动或演绎假说：在解释 空间中找到一个与特征空间的结构相对应的 假说。这种方法试图找到一种只以特征空间 中的相似关系为基础的有效假说。 在没有先验知识的情况下，通常采用聚类分析方 法，基于
9、“物以类聚”的观点，用数学方法分析各特 征向量之间的距离及分散情况； 如果特征向量集聚集若干个群，可按群间距离远 近把它们划分成类； 这种按各类之间的亲疏程度的划分，若事先能知 道应划分成几类，则可获得更好的分类结果。模式分类的主要方法 数据聚类 统计分类 结构模式识别 神经网络数据聚类 目标：用某种相似性度量的方法将原始 数据组织成有意义的和有用的各种数据 集。 是一种非监督学习的方法，解决方案是 数据驱动的。统计分类 基于概率统计模型得到各类别的特征向 量的分布，以取得分类的方法。 特征向量分布的获得是基于一个类别已 知的训练样本集。 是一种监督分类的方法，分类器是概念 驱动的。结构模式识
10、别 该方法通过考虑识别对象的各部分之间的联 系来达到识别分类的目的。 识别采用结构匹配的形式，通过计算一个匹 配程度值（matching score）来评估一个未知 的对象或未知对象某些部分与某种典型模式 的关系如何。 当成功地制定出了一组可以描述对象部分之 间关系的规则后，可以应用一种特殊的结构 模式识别方法 句法模式识别，来检查一个 模式基元的序列是否遵守某种规则，即句法 规则或语法。神经网络 神经网络是受人脑组织的生理学启发而创立 的。 由一系列互相联系的、相同的单元（神经元） 组成。相互间的联系可以在不同的神经元之 间传递增强或抑制信号。 增强或抑制是通过调整神经元相互间联系的 权重系
11、数来（weight）实现。 神经网络可以实现监督和非监督学习条件下 的分类。模式识别系统 模式识别系统的基本构成数据 获取特征提取 和选择预处理 分类 决策分类器 设计模式识别系统组成单元 数据获取：用计算机可以运算的符号来 表示所研究的对象 二维图像：文字、指纹、地图、照片等 一维波形：脑电图、心电图、季节震动波形等 物理参量和逻辑值：体温、化验数据、参量正常与 否的描述 预处理单元：去噪声，提取有用信息， 并对输入测量仪器或其它因素所造成的 退化现象进行复原模式识别系统组成单元 特征提取和选择：对原始数据进行变换，得到 最能反映分类本质的特征 测量空间：原始数据组成的空间 特征空间：分类识
12、别赖以进行的空间 模式表示：维数较高的测量空间-维数较低的特征 空间 分类决策：在特征空间中用模式识别方法把被 识别对象归为某一类别 基本做法：在样本训练集基础上确定某个判决规 则，使得按这种规则对被识别对象进行分类所造成 的错误识别率最小或引起的损失最小。模式识别过程实例 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)识别过程 数据获取：架设一个摄像机，采集一些 样本图像，获取样本数据 预处理：去噪声，用一个分割操作把鱼 和鱼之间以及鱼和背景之间分开识别过程 特征提取和选择：对单个鱼的信息进行特征 选择，从而通过测量某些特征来减少信息量 长度 亮
13、度 宽度 鱼翅的数量和形状 嘴的位置，等等 分类决策：把特征送入决策分类器模式分类器的获取和评测过程 数据采集 特征选取 模型选择 训练和测试 计算结果和复杂度分析，反馈训练和测试 训练集：是一个已知样本集，在监督学 习方法中，用它来开发出模式分类器。 测试集：在设计识别和分类系统时没有 用过的独立样本集。 系统评价原则：为了更好地对模式识别 系统性能进行评价，必须使用一组独立 于训练集的测试集对系统进行测试。实例：统计模式识别 19名男女同学进行体检，测量了身高和 体重，但事后发现其中有4人忘记填写 性别，试问（在最小错误的条件下）这 4人是男是女？体检数值如下：实例：统计模式识别（续） 待
14、识别的模式：性别（男或女） 测量的特征：身高和体重 训练样本：15名已知性别的样本特征 目标：希望借助于训练样本的特征建立 判别函数（即数学模型）实例：统计模式识别（续） 由训练样本得到的特征空间分布图实例：统计模式识别（续） 从图中训练样本的分布情况，找出男、 女两类特征各自的聚类特点，从而求取 一个判别函数（直线或曲线）。 只要给出待分类的模式特征的数值，看 它在特征平面上落在判别函数的哪一 侧，就可以判别是男还是女了。实例：句法模式识别 问题：如何利用对图像的结构信息描 述，识别如下所示图片：实例：句法模式识别（续） 将整个场景图像结构分解成一些比较简 单的子图像的组合； 子图像又用一些
15、更为简单的基本图像单 元来表示，直至子图像达到了我们认为 的最简单的图像单元（基元）； 所有这些基元按一定的结构关系来表 示，利用多级树结构对其进行描述（这 种描述可以采用形式语言理论）。实例：句法模式识别（续） 多级树描述结构实例：句法模式识别（续） 训练过程： 用已知结构信息的图像作为训练样本，先 识别出基元（比如场景图中的X、Y、Z等 简单平面）和它们之间的连接关系（例如 长方体E是由X、Y和Z三个面拼接而成）， 并用字母符号代表之； 然后用构造句子的文法来描述生成这幅场 景的过程，由此推断出生成该场景的一种 文法。实例：句法模式识别（续） 识别过程： 先对未知结构信息的图像进行基元提取及 其相互结构关系的识别； 然后用训练过程获得的文法做句法分析； 如果能被已知结构信息的文法分析出来， 则该幅未知图像与训练样本具有相同的结 构（识别成功），否则就不是这种结构 （识别失败）。本门课程的主要内容第一章概论 第二章聚类分析 第三章判别函数 第四章统计判别 第五章特征选择和提取 第六章神经网络 第七章句法模式识别 第八章模糊模式识别 第九章模式识别
