一、模式识别系统组成

模式识别依赖于样本。
1.样本采集
首先，要采集样本，采集方式可能是从网上获取资源，如图片数据集，可能自行用传感器等设备采集；
2.预处理与特征生成
经过采集的数据一般都需要进行预处理，对图片进行矫正，或者将模拟信号转为数字信号，滤波降噪等等；预处理之后得到的特征维度一般都比较高，需要进行特征降维；
3.特征降维
特征降维一般采取两种方式，一种是特征选择，指的是从多维特征中选择出一些特征代替原高维特征，保留对分类最有效的特征，比如mtcnn人脸识别中选择特征中的第一维作为最终获得的特征
还有一种方法是特征提取，将高维特征映射成较低维的特征，PCA应该是属于特征提取方法吧，经过降维的特征就可投入训练
（个人觉得，预处理操作之后得到的数据只能称为样本，还不能称为特征，要经过某种算法，提取了特征，然后再考虑降维，比如PCA等等。目前仅接触过一些深度学习算法，对全局还没有把握，不喜勿喷）
4.训练与决策
训练可以分为有监督训练和无监督训练
有监督训练指的是训练样本的类别由人来定义，
无监督训练指的是机器自行根据样本间相似度进行划分类别
无监督训练更具智能性，是未来发展重点

二、模式识别算法体系

模式识别算法大体可以分为两种：一种是统计模式识别，主流方法，另一种是结构模式识别
1.统计模式识别
1.1线性分类器：寻找线性最优分类边界（支持向量机是为了解决线性分类的局限性才被提出的）
1.2贝叶斯分类器：根据不同类的样本的概率分布，利用逆概率的贝叶斯分布进行分类
1.3最近邻分类器：将训练融于决策中，在测试时，从训练样本中寻找最相似的答案
1.4神经网络分类器：目前比较火的，比如深度学习,高度非线性
1.5统计聚类分类器：无监督学习。我的理解是将相似的样本聚集在一起，测试时计算与每个类之间的“距离”，与哪个类距离最近，就是哪个类，也有输出n个结果，像累计分数一样地累计各类别结果数，看哪个类别的数量最多，就归到哪个类
2.结构模式识别：以结构相似度作为类别划分的关键
2.1结构聚类算法
2.2句法模式识别