基本常识篇
1、模式：是一些供模仿用的、完美无缺的标本
2、模式类：
3、模式识别：将待识别模式分配到各自的模式类中去，学习、判断、寻找规律
4、X称为特征向量，又称为模式
5、结构特征又称为几何特征，识别对象特征较多时，可以将复杂事物分成简单的子模式，这些子模式是构成事物的基本单元，简称基元（估计就是人，鼻子，嘴巴的关系吧），把基元按照一定的规则排列，就得到事物的结构描述。
6、串描述、树描述、网描述
7、传统的模式识别方法主要分为：统计模式识别、句法模式识别；近几年：模糊模式识别和神经网络方法。
8、统计识别包括：判别函数（又决策理论方法，保证一定精度之下，尽量用简单的）、聚类分析法（相似性，距离等来判断，若事先知道分成几类，用此方法较好，但常用于先验信息较少的情况，由评价判定正确与否）
9、聚类分析法：需反复修改规则，反复聚类
10、学习：监督性学习（又有导师的学习），无监督性学习
11、监督性学习：即事先知道用于学习的样本模式的类别，或者已经掌握了足够的有关样本类别的先验信息。主要用于学习判别函数或者其中参数
12、无监督学习：学习到的分类规则与方法只能根据经验得到的评价原则来衡量学习结果，要反复学习和多次评价。主要用于学习聚类规则。
13、模式识别的主要过程：学习，归纳（完成实际识别的过程）
14、模式识别系统：数据获取——>预处理（去除噪声，加强有用信息，对退化现象进行增强和复原）——>特征选择和降维（维数较高的测量空间变为维数较低的特征空间）——>分类决策。
线性判别函数（用线性平面来分的,适用于判决区域是单连通的线性可分的模式类）
1、线性判别函数三种情况：
1）每类对应一个判别函数，自己大于零，其他都小于零（实质即价值函数，自己的价值函数为正，其他为负）
2）两两类之间的划分，M(M-1)/2个判别函数（实质即两两类之间都属于自己）
3）M个判别函数，自己对应的最大（实质还是价值函数）
总之，涉及到边界的，只有第二种情况；并且第三种没有IR（不确定和区域）
2、模式类线性可分：满足以上三种的任意一种方法可以将该模式类进行分类才可以。
3、正交：两个向量的内积如果是零,那么就说这两个向量是正交的.换句话说,两个向量正交意味着它们是相互垂直的
1、线性判别函数、分段线性判别函数（决策面由若干超平面段组成）、一般的非线性判别函数（对于某些模式类而言，错误率渐低）
分段线性判别函数
2、基于距离的分段线性判别函数：由多个最小距离分类器组成（每个都是两类期望（或者是部分期望）连线的垂直平分面）
3、基于函数的分段线性判别函数：每个子类定义线性判别函数，最后大中取大
4、用凹函数的并表示分段线性判别函数（？？？？）
二次判别函数
5、其决策面是一个超二次曲面，不详说
网友评论