58、结构识别与MATLAB字符串处理

结构识别与MATLAB字符串处理

1. 自适应学习系统与结构识别概述

在目标识别领域，有两种重要的方法：决策理论方法和结构识别方法。决策理论方法中的一些途径，如最小距离分类器和高斯总体的贝叶斯分类器，是基于使用样本模式来估计每个模式类的统计参数。

1.1 决策理论方法

• 最小距离分类器 ：完全由每个类的均值向量指定。
• 高斯总体的贝叶斯分类器 ：完全由每个模式类的均值向量和协方差矩阵指定。

在这两种方法中，训练相对简单，使用每个类的训练模式来计算对应类的决策函数的参数。参数估计完成后，分类器的结构就固定了，其最终性能取决于实际模式总体满足分类方法推导中所做的统计假设的程度。

这些方法在模式类至少近似由高斯概率密度函数表征时非常有效。但当这个假设不成立时，设计统计分类器就变得困难，因为估计多元概率密度函数并非易事。在实践中，这类决策理论问题最好通过训练直接得到所需决策函数的方法来处理，这样就无需对模式类的底层概率密度函数或其他概率信息做出假设。目前，基于神经网络的方法是处理这类分类问题的主要途径。

1.2 结构识别方法

结构识别技术通常基于将感兴趣的对象表示为字符串、树或图，然后基于这些表示定义描述符和识别规则。决策理论方法和结构方法的关键区别在于，前者使用以数值向量形式表示的定量描述符，而结构技术主要处理符号信息。

例如，在某个应用中，对象边界用最小周长多边形表示。决策理论方法可能基于形成元素为多边形内角数值的向量，而结构方法可能基于为角度值范围定义符