模式识别：初识

1. 模式识别是“外部信息道道感觉器官并被转换成有意义的感觉经验”的过程。感觉经验可以理解成模式，”转化成有意义的感觉经验“的过程就是模式的“识别过程”。模式识别问题通常表现为判别或者分类问题。

2. 模式识别过程一般如下：

（1）信息输入与数据获取。

          也就是获取原始数据，比如拍的照片

（2）数据预处理。

          为了更方便的提取特征，需要对数据进行预处理，比如对图像进行去噪、划分目标。

（3）特征的抽取、选择与提取。

          抽取：计算所有可以测量的特征，  例如，从某数据中共抽取得到10个特征，x1, x2, x3, x4, x5, x6, x7, x8, x9, x10

          选择：从抽取的特征中选择一部分特征作为建模的数据，以免特征的维数太大，例如只选取5个特征来建模x1, x2, x3, x4, x5，向量X=（x1, x2, x3, x4, x5）称为特征向量，所有组合构成特征空间。

          提取：有时可采用某种变换技术，得到数目上比原来少的综合性特征用于分类，称为特征维数压缩，也成为特征提取。例如对于变换f和g，有y1=f(x1, x2, x3, x4, x5), y2=g(x1, x2, x3, x4, x5)，这样就将X特征空间变换到Y特征空间，特征维数由5变成了2.

 （4）判别分类

           采用多种方法进行识别

3. 模式识别按照理论可以分为以下几类：

（1）统计模式识别：基于概率统计方法，是目前模式识别的主要理论

（2）句法模式识别：以形式语言理论为基础，发展缓慢

（3）模糊模式识别：以模糊数学中的隶属度为基础，发展较快，符合人类认识事物的过程，物质世界不是绝对界限分明的，而是有个模糊过渡过程。

（4）神经网络模式识别：人工神经网络和模式识别结合的常务，模拟人脑神经细胞的工作特点。近年来的深度神经网络（DNN）发展较快，是一个新的趋势，而且google的超级人脑计划就是以DNN为模型建立的。

4. 模式识别按照实现方法可分为一下两类：

（1）监督分类

          需要有足够的先验知识，也就是依靠已知类别的训练样本集，按照它们的特征向量的分布来确定判别函数，然后对未知的模式进行判别。

（2）无监督分类

          不需要先验知识，一般用于没有先验知识的情况，通常采用聚类分析的方法，基于”物以类聚“的思想。_{ 3 }^{ 1 }{ e }