第一章、绪论

最近上了一门《模式识别》的课程，老师讲的课将某些知识点给简化了。我在这里将上课讲到的知识点内容进行一些补充和概括，以保自己能从中真正学习到一点东西。

1.1 模式识别的基本概念

模式：通过信息采集的采集，形成的对一个对象的描述。
模式类：模式所属的类别或同一类中的模式的总体。
模式识别：利用计算机（或者少量的人为干扰）自动地将待识别的事物分配到各个模式类中的技术。
例题：如果一位姓王的先生是位老人，试问“王先生”和“老头”谁是模式，谁是模式类？
答：王先生是模式，老头是模式类。

模式识别系统的组成：
数据采集：利用各种传感器把待识别的事物或现象的基本信息转换成计算机可以运行的符号。
预处理：减少外界干扰（数字滤波、图像增强）
特征提取和选择：从模式的某种描述状态提取所需的，用另一种形式表示的特征。
分类决策或模型匹配：用模式识别方法（由分类器设计确定的分类规则）对待识别模式进行分类判别。

1.2 特征描述

特征：一般来说，特征是指从模式中得到的对分类有用的度量、属性或单元，是描述模式的最佳方式。
常用的图像特征：颜色特征、纹理特征、形状特征、空间关系特征。

1.3模式识别方法

统计法：主要基于概率模型得到各类别的特征向量的分布，从而实现分类的功能。
聚类法：用某种相似性度量的方法将数据组分成所需要的各组数据。主要有分层聚类、迭代聚类。
神经网络发：利用给定的样本，在学习过程中不断修正内部连接权重和阈值，使实际输出与期望输出在一定误差范围内相等。BP（误差反向传播算法）网络模型使模式识别应用最广泛的网络之一。
人工智能算法应用专家系统、智能推理技术、不确定性推理等智能算法，所获取样本进行识别。主要解决高复杂度，无法建立准确的模型或者信息不准确、不确切等问题。

1.4 模式识别工程设计

（1）模式采集：
对存在于时间和空间中的具有可观察性和可区分性的物体，进行信息采集，是从客观世界（对象空间）到模式空间转换的过程。此过程通常需要对采集的信息进行预处理，从而降低运算量，获得更有效的信息，为下一步的特征提取做好准备。
（2）特征提取和特征选择
特征选择：对得到的一组特征中选出最有效的特征作为它的一个有效子集。
特征提取：利用模式测量空间的转变或者特征空间的维数从高维度变成低维度
目的：降低计算复杂度

（3）类型判别
它是模式识别的核心，是对提取的识别对象进行分类，以完成最后的识别分类的过程。
有监督模式识别和无监督模式识别的基本原理：

训练集和测试集选择

训练集;一般来说样本类型是已知（已经标定）的，用来训练分类器的，通过训练集使分类器具有初步认知此类数据。
测试集：样本是未知的没有标定的，需要分类器进行识别的，一般选择在设计分类系统没有使用过的独立的样本即可。

模式识别软件

目前来说有很多软件可以指导设计模式识别系统，一般有：MATALB、opencv等。