模式识别简介（1）

   

 

     本文就模式识别的一些基本思想进行简单介绍，有具体需求时，再有的放矢的进行专项的学习将更有效率。
     模式识别的最终目的可以简单理解为分类，如我们熟悉的垃圾邮件识别，人脸识别，文字等，其包含以下要素：模式定义，传感信息输入，模式表示，特征提取与选择，聚类分析，分类器设计和学习，训练和学习样本选择，效能评价。虽然经过五十年的发展，模式识别领域有了长足的进步，解决了一系列问题，但是一些复杂的问题仍旧没能很好解决。
     模式识别的方法可以分为以下几个的类型，1，模板匹配；2，统计方法，基本思想都是和贝叶斯公式有关的，需要建立n维特征空间中特征参数的概率分布，然后进行分割；3，语义法，一个模式是有许多子模式构成，然后综合模式之间的关系以及统计方法进行识别；4，神经网络，模拟人脑的信息并行处理方式，通过大量神经元的非线性以及学习算法逼近系统的输入输出特征，从数学本质上讲，这种方法与统计学方法是一致的，并且这种方法更方便使用。
     对于统计模式识别，要先对输入进行预处理，只保留感兴趣的部分，然后进行归一化。在训练阶段提取选择特征，训练分类器有效分割特征空间。 分类器的泛化能力是十分关键的，所谓泛化能力是指对训练集合中没有出现的样本进行分类的性能。泛化能力不高可能有以下原因：1，特征数相对于训练样本来说太大了；2，分类器的未知参数太多，如大规模神经网络；3，训练过度。
    特征提取的最基本的思想是降维，不仅在模式识别领域，在科学领域，降维都是一个非常重要的思想，因为我们的世界太复杂，我们人脑的能力有限，我们需要把混沌的东西简单化，这样才有利于我们的分析。就像我们去读一本模式识别的教科书，很复杂，如何快速搞清楚呢，我们需要一条主线，几个问题，然后对信息进行降维，然后搞清楚几个关键问题之后，一本书就串起来了。 常用的方法是主成分分析，独立成分分析。

    分类就是把具有相似特征的对象放在一起。

    很多人说模式识别是‘智能’的，这里的所谓智能是从输入输出的角度看的，细节只是算法而已。