绪论

一、模式识别的概念

1. 研究如何使机器具有识别、分类能力的学科；
2. 利用计算机自动地把待识别的模式分配到各自的模式类中。

二、模式识别实例

实例：以癌细胞识别为例，介绍机器识别全过程。

1.信息输入与数据获取

将显微细胞图像转换成数字化细胞图像，其中灰度数字图像的像素值反映光密度的大小。

2.预处理与区域划分

（1）预处理的目的：
①去除在数据获取时引入的噪声与干扰；
②去除所有夹杂在背景的次要图像，突出主要的待识别图像。

（2）区域划分的目的：
找出区分边界，划分出三个区域，为特征抽取做准备。

3.细胞特征的抽取、选择和提取

目的：为了建立各种特征的数学模型，用于分类。

（1）特征抽取：在原始采集数据上进行特征抽取。
eg：对一个细胞抽取33个特征，建立一个33维的空间，每个细胞可以通过一个33维随机向量表示。

（2）特征选择：在原始特征基础上选择一些主要特征作为判别使用；

（3）特征提取：采用某种变换技术，进行特征维数压缩。

4.判别分类

判别结果通过错误率评估。

三、模式识别系统

1.组成

2.组成单元

（1）数据获取：用计算机可以运算的符号来表示所研究的对象。

（2）预处理：去除噪声，提取有用信息，并对输入测量仪器或其他因素所造成的退化现象进行复原。

（3）特征提取和选择：对原始数据进行变换，得到最能反映分类本质的特征。

测量空间：原始数据组成的空间
特征空间：分类识别赖以进行的空间
模式表示：维数较高的测量空间 -> 维数较低的特征空间

（4）分类决策：在特征空间中用模式识别的方法把被识别对象归为某一类。

四、模式识别分类

1.统计模式识别

采用概率论和数理统计的方法，通过判别函数，使得误判概率最小。

2.句法模式识别

对模式结构进行分析，将模式表示为基元，基元之间满足一定的语法结构。

3.模糊模式识别

以隶属度μ为基础，运用模糊数学中的“关系”概念和运算进行分类。
隶属度反映了某一元素属于某集合的程度。

4.神经网络模式识别

以人工神经元为基础，模拟人脑神经细胞的工作特点，实现形象思维的模拟。

5.先验知识模式识别

（1）监督分类：在有足够先验知识的前提下，利用判别函数进行分类判别。
（2）非监督分类：在没有先验知识的情况下，采用聚类分析的方法。

五、模式识别数学基础

1.计算矩阵的特征值和特征向量

2.计算矩阵的行列式

3. 计算矩阵的逆矩阵

4.自相关矩阵R_x

自相关矩阵定义为随机向量与自身的外积的数学期望：

5.协方差矩阵C_x

6.自相关矩阵与协方差矩阵的关系

7.互相关矩阵与互协方差矩阵