掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式識別技術及其應用 版權信息
- ISBN：9787030475459
- 條形碼：9787030475459 ; 978-7-03-047545-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別技術及其應用 內容簡介
本書分為兩大部分：基本原理與方法，典型應用案例。首先簡明闡述了模式識別原理與方法，并在此基礎上介紹了模式識別的典型應用案例。原理與方法主要包括模式識別技術簡介、預處理方法（自適應濾波、盲源分離）、特征提取方法（小波變換、小波包變換、功率譜分析、希爾伯特變換）、分類及聚類方法（貝葉斯分類、線性分類、神經網絡分類、支持向量機分類、模糊聚類、粒子群聚類）。典型應用案例包括男女性別識別、癌細胞與正常細胞的識別、傳送帶上不同種類魚的自動識別、腦機接口中運動想象腦電信號的識別、基于紅外火焰探測的火災識別、軸承的故障診斷、電子鼻農藥識別、電梯群控交通模式識別、基于語音的說話人識別、汽車車牌識別、黃瓜病害識別、昆蟲識別、電影中吸煙鏡頭的識別、玉米果穗的品種鑒別、布匹瑕疵種類的自動識別、基于虹膜的生物識別、基于人臉的生物識別、基于指紋的生物識別、環境狀況的模糊聚類、基因的粒子群聚類。本書突出案例實際應用，有利于讀者較快地的理解和掌握模式識別的相關應用技術，為科研人員應用模式識別方法解決相關領域的實際問題提供了具體思路和方法。同時，本書緊案例緊跟學科發展前沿，介紹了一些近期新的研究成果。
模式識別技術及其應用 目錄
目錄
前言
第1章 模式識別簡介 1
1.1 模式識別的相關概念 1
1.2 模式識別的發展歷程 5
1.3 模式識別系統的基本組成和特點 5
1.3.1 基本組成 5
1.3.2 特點 7
1.4 模式識別的主要方法 7
1.5 模式識別中的若干問題 10
1.5.1 學習 10
1.5.2 模式的緊致性 11
1.5.3 模式的相似性 12
1.5.4 模式分類的主觀性和客觀性 12
1.6 模式識別的基本知識 13
1.6.1 模式的表示方法 13
1.6.2 模式相似性度量常用的幾種距離 13
1.6.3 模式特征的形成 14
1.6.4 數據的標準化 14
1.7 模式識別的典型應用和發展 15
1.7.1 模式識別的典型應用 15
1.7.2 模式識別的發展 17
參考文獻 17
第2章 預處理方法 18
2.1 自適應濾波 18
2.1.1 自適應濾波原理 18
2.1.2 自適應濾波器結構及應用 19
2.1.3 LMS自適應濾波 20
2.1.4 RLS自適應濾波 21
2.1.5 自適應濾波的實現 23
2.1.6 MATLAB實驗 24
2.2 盲源分離 27
2.2.1 信息論的基本概念 27
2.2.2 常用的目標函數 30
2.2.3 ICA算法及實現流程 31
2.2.4 SOBI算法及實現流程 38
參考文獻 39
第3章 特征提取方法 40
3.1 小波變換 40
3.1.1 簡介 40
3.1.2 傅里葉變換 41
3.1.3 短時傅里葉變換 42
3.1.4 連續小波變換 43
3.1.5 離散小波變換 47
3.2 小波包變換 49
3.3 小波變換及小波包變換特征表示 50
3.4 希爾伯特-黃變換 53
3.4.1 HHT簡介 53
3.4.2 HHT原理及實現 53
3.4.3 HHT方法的優越性 56
3.5 功率譜分析 58
參考文獻 59
第4章 分類方法 60
4.1 貝葉斯分類 60
4.1.1 貝葉斯定理 60
4.1.2 基本概念及貝葉斯決策理論 60
4.1.3 基于*小錯誤率的貝葉斯決策 61
4.1.4 基于*小風險的貝葉斯決策 62
4.1.5 基于*小錯誤率和基于*小風險貝葉斯決策之間的關系 64
4.1.6 貝葉斯分類器的設計 64
4.2 線性分類 65
4.2.1 線性判別函數 65
4.2.2 線性分類器的學習算法 68
4.3 神經網絡分類 73
4.3.1 概述 73
4.3.2 組成 74
4.3.3 神經元原理與模型 74
4.3.4 感知器 77
4.4 支持向量機 85
4.4.1 概述 85
4.4.2 線性分類器 85
4.4.3 非線性分類器 88
參考文獻 93
第5章 基于貝葉斯決策的細胞及性別和魚類識別 94
5.1 貝葉斯決策描述 94
5.2 基于貝葉斯決策的細胞識別 95
5.2.1 細胞識別問題描述 95
5.2.2 基于*小錯誤準則的細胞識別 96
5.2.3 基于*小風險的細胞識別 97
5.3 基于貝葉斯決策的性別識別 98
5.3.1 性別識別問題描述及算法步驟 98
5.3.2 性別識別結果 99
5.4 基于貝葉斯決策的魚類識別 101
5.4.1 魚類識別問題描述及算法步驟 101
5.4.2 魚類識別結果 102
參考文獻 103
第6章 基于語音的說話人識別 104
6.1 說話人識別簡介 104
6.2 說話人識別方法和基本原理 105
6.2.1 說話人識別方法 105
6.2.2 說話人識別基本原理 105
6.3 語音信號的數字化 107
6.4 語音信號的預處理 107
6.5 語音信號的特征提取 110
6.6 基于矢量量化的說話人識別 117
6.7 基于語音的說話人識別結果 118
參考文獻 119
第7章 車牌識別 121
7.1 車牌識別簡介 121
7.2 車牌識別步驟 122
7.3 車牌識別實例 123
7.3.1 車牌定位 123
7.3.2 字符分割 126
7.3.3 車牌識別 127
參考文獻 130
第8章 腦機接口中運動想象腦電信號的識別 131
8.1 腦機接口的基本概念與原理 131
8.2 基于獨立分量分析的腦電信號預處理 133
8.3 基于小波和小波包變換的腦電信號特征提取 135
8.3.1 基于小波變換系數及系數均值的特征提取 136
8.3.2 基于小波包分解系數及子帶能量的特征提取 138
8.3.3 數據描述 140
8.3.4 基于小波變換系數及系數均值處理結果 140
8.3.5 基于小波包分解系數及子帶能量處理結果 142
8.4 基于HHT的腦電信號特征提取 143
8.4.1 數據描述 143
8.4.2 數據預處理 144
8.4.3 基于HHT的AR特征 145
8.4.4 基于HHT的IE特征 152
8.5 基于概率神經網絡的腦電信號分類 153
8.6 基于支持向量機的腦電信號分類 155
參考文獻 157
第9章 基于紅外火焰探測的火災識別 159
9.1 紅外火焰探測的基本原理及組成 159
9.1.1 火災探測簡介 159
9.1.2 紅外火焰探測基本原理 160
9.1.3 紅外火焰探測硬件基本組成 161
9.2 基于時頻結合的火災信號特征提取 162
9.2.1 數據獲取過程 162
9.2.2 數據預處理及正確性分析 163
9.2.3 數據正確性初步分析 163
9.2.4 火災時域特征提取 165
9.2.5 火災頻域特征提取 167
9.3 基于決策樹的火災識別 171
9.3.1 決策樹基本思想 171
9.3.2 決策樹特點 173
9.3.3 基于決策樹的火災識別 173
參考文獻 175
第10章 基于K-L變換的人臉識別 176
10.1 人臉識別技術簡介 176
10.1.1 人臉識別技術背景及其應用價值 176
10.1.2人臉識別技術的研究內容 177
10.1.3 自動人臉識別系統的組成 178
10.1.4 常用的人臉識別數據庫 179
10.2 K-L變換的基本原理 180
10.3 基于K-L變換的人臉識別方法 181
10.3.1 人臉圖像的預處理 181
10.3.2 特征向量的計算 184
10.3.3 選取特征向量張成人臉空間 185
10.3.4 基于*小距離法的分類識別 187
參考文獻 190
第11章 基于深度數據的運動目標檢測 191
11.1 研究背景 191
11.2 Kinect深度數據的獲取 192
11.3 單高斯模型運動目標檢測算法 193
11.3.1 單高斯模型背景參數建立 193
11.3.2 前景點及背景點判斷 194
11.3.3 背景參數更新 194
11.4 實驗結果 194
11.5本章小結 195
參考文獻 196
第12章 基于指紋的生物識別 198
12.1 基于指紋的生物識別概念 198
12.2 指紋識別的過程及主要特征 199
12.2.1 總體特征 199
12.2.2 局部特征 200
12.3 指紋識別的實現步驟與實驗結果 201
12.3.1 指紋圖像采集 201
12.3.2 指紋圖像預處理 202
12.3.3 特征提取 203
12.3.4 指紋庫數據存儲 204
12.3.5 指紋識別 205
12.3.6 指紋識別實驗結果 205
參考文獻 205
第13章 基于虹膜的生物識別 207
13.1 研究背景 207
13.1.1 常見的生物特征識別技術 207
13.1.2 虹膜及識別系統組成 208
13.1.3 虹膜識別典型應用 209
13.2 虹膜識別算法原理 210
13.2.1 預處理-虹膜定位 210
13.2.2 特征提取 215
13.2.3 虹膜匹配——漢明距離分類器 218
13.2.4 識別結果 218
13.3 本章小結 219
參考文獻 219
第14章 電影中吸煙鏡頭識別 220
14.1 研究背景及現狀概述 220
14.2 基于SIFT與STIP的吸煙檢測 221
14.2.1 SIFT特征描述 221
14.2.2 STIP特征描述 222
14.2.3 純貝葉斯互信息*大化 223
14.2.4 識別系統框架 224
14.3 實驗結果分析 225
14.3.1 訓練數據與測試數據 225
14.3.2 測試結果 226
14.4 本章小結 227
參考文獻 227
第15章 黃瓜病害識別 228
15.1 研究背景 228
15.2 基于圖像的黃瓜病害識別 229
15.2.1 圖像采集 229
15.2.2 圖像預處理 229
15.2.3 特征參數提取 233
15.2.4 黃瓜病蟲害的模糊模式識別 235
15.2.5 黃瓜病蟲害的模糊模式識別結果分析 235
15.3 本章小結 237
參考文獻 237
第16章 昆蟲識別 238
16.1 研究背景 238
16.2 基于圖像的昆蟲識別 239
16.2.1 圖像預處理 239
16.2.2 特征提取 241
16.2.3 分類器設計 245
16.2.4 識別結果 246
16.3 本章小結 246
參考文獻 247
前言
第1章 模式識別簡介 1
1.1 模式識別的相關概念 1
1.2 模式識別的發展歷程 5
1.3 模式識別系統的基本組成和特點 5
1.3.1 基本組成 5
1.3.2 特點 7
1.4 模式識別的主要方法 7
1.5 模式識別中的若干問題 10
1.5.1 學習 10
1.5.2 模式的緊致性 11
1.5.3 模式的相似性 12
1.5.4 模式分類的主觀性和客觀性 12
1.6 模式識別的基本知識 13
1.6.1 模式的表示方法 13
1.6.2 模式相似性度量常用的幾種距離 13
1.6.3 模式特征的形成 14
1.6.4 數據的標準化 14
1.7 模式識別的典型應用和發展 15
1.7.1 模式識別的典型應用 15
1.7.2 模式識別的發展 17
參考文獻 17
第2章 預處理方法 18
2.1 自適應濾波 18
2.1.1 自適應濾波原理 18
2.1.2 自適應濾波器結構及應用 19
2.1.3 LMS自適應濾波 20
2.1.4 RLS自適應濾波 21
2.1.5 自適應濾波的實現 23
2.1.6 MATLAB實驗 24
2.2 盲源分離 27
2.2.1 信息論的基本概念 27
2.2.2 常用的目標函數 30
2.2.3 ICA算法及實現流程 31
2.2.4 SOBI算法及實現流程 38
參考文獻 39
第3章 特征提取方法 40
3.1 小波變換 40
3.1.1 簡介 40
3.1.2 傅里葉變換 41
3.1.3 短時傅里葉變換 42
3.1.4 連續小波變換 43
3.1.5 離散小波變換 47
3.2 小波包變換 49
3.3 小波變換及小波包變換特征表示 50
3.4 希爾伯特-黃變換 53
3.4.1 HHT簡介 53
3.4.2 HHT原理及實現 53
3.4.3 HHT方法的優越性 56
3.5 功率譜分析 58
參考文獻 59
第4章 分類方法 60
4.1 貝葉斯分類 60
4.1.1 貝葉斯定理 60
4.1.2 基本概念及貝葉斯決策理論 60
4.1.3 基于*小錯誤率的貝葉斯決策 61
4.1.4 基于*小風險的貝葉斯決策 62
4.1.5 基于*小錯誤率和基于*小風險貝葉斯決策之間的關系 64
4.1.6 貝葉斯分類器的設計 64
4.2 線性分類 65
4.2.1 線性判別函數 65
4.2.2 線性分類器的學習算法 68
4.3 神經網絡分類 73
4.3.1 概述 73
4.3.2 組成 74
4.3.3 神經元原理與模型 74
4.3.4 感知器 77
4.4 支持向量機 85
4.4.1 概述 85
4.4.2 線性分類器 85
4.4.3 非線性分類器 88
參考文獻 93
第5章 基于貝葉斯決策的細胞及性別和魚類識別 94
5.1 貝葉斯決策描述 94
5.2 基于貝葉斯決策的細胞識別 95
5.2.1 細胞識別問題描述 95
5.2.2 基于*小錯誤準則的細胞識別 96
5.2.3 基于*小風險的細胞識別 97
5.3 基于貝葉斯決策的性別識別 98
5.3.1 性別識別問題描述及算法步驟 98
5.3.2 性別識別結果 99
5.4 基于貝葉斯決策的魚類識別 101
5.4.1 魚類識別問題描述及算法步驟 101
5.4.2 魚類識別結果 102
參考文獻 103
第6章 基于語音的說話人識別 104
6.1 說話人識別簡介 104
6.2 說話人識別方法和基本原理 105
6.2.1 說話人識別方法 105
6.2.2 說話人識別基本原理 105
6.3 語音信號的數字化 107
6.4 語音信號的預處理 107
6.5 語音信號的特征提取 110
6.6 基于矢量量化的說話人識別 117
6.7 基于語音的說話人識別結果 118
參考文獻 119
第7章 車牌識別 121
7.1 車牌識別簡介 121
7.2 車牌識別步驟 122
7.3 車牌識別實例 123
7.3.1 車牌定位 123
7.3.2 字符分割 126
7.3.3 車牌識別 127
參考文獻 130
第8章 腦機接口中運動想象腦電信號的識別 131
8.1 腦機接口的基本概念與原理 131
8.2 基于獨立分量分析的腦電信號預處理 133
8.3 基于小波和小波包變換的腦電信號特征提取 135
8.3.1 基于小波變換系數及系數均值的特征提取 136
8.3.2 基于小波包分解系數及子帶能量的特征提取 138
8.3.3 數據描述 140
8.3.4 基于小波變換系數及系數均值處理結果 140
8.3.5 基于小波包分解系數及子帶能量處理結果 142
8.4 基于HHT的腦電信號特征提取 143
8.4.1 數據描述 143
8.4.2 數據預處理 144
8.4.3 基于HHT的AR特征 145
8.4.4 基于HHT的IE特征 152
8.5 基于概率神經網絡的腦電信號分類 153
8.6 基于支持向量機的腦電信號分類 155
參考文獻 157
第9章 基于紅外火焰探測的火災識別 159
9.1 紅外火焰探測的基本原理及組成 159
9.1.1 火災探測簡介 159
9.1.2 紅外火焰探測基本原理 160
9.1.3 紅外火焰探測硬件基本組成 161
9.2 基于時頻結合的火災信號特征提取 162
9.2.1 數據獲取過程 162
9.2.2 數據預處理及正確性分析 163
9.2.3 數據正確性初步分析 163
9.2.4 火災時域特征提取 165
9.2.5 火災頻域特征提取 167
9.3 基于決策樹的火災識別 171
9.3.1 決策樹基本思想 171
9.3.2 決策樹特點 173
9.3.3 基于決策樹的火災識別 173
參考文獻 175
第10章 基于K-L變換的人臉識別 176
10.1 人臉識別技術簡介 176
10.1.1 人臉識別技術背景及其應用價值 176
10.1.2人臉識別技術的研究內容 177
10.1.3 自動人臉識別系統的組成 178
10.1.4 常用的人臉識別數據庫 179
10.2 K-L變換的基本原理 180
10.3 基于K-L變換的人臉識別方法 181
10.3.1 人臉圖像的預處理 181
10.3.2 特征向量的計算 184
10.3.3 選取特征向量張成人臉空間 185
10.3.4 基于*小距離法的分類識別 187
參考文獻 190
第11章 基于深度數據的運動目標檢測 191
11.1 研究背景 191
11.2 Kinect深度數據的獲取 192
11.3 單高斯模型運動目標檢測算法 193
11.3.1 單高斯模型背景參數建立 193
11.3.2 前景點及背景點判斷 194
11.3.3 背景參數更新 194
11.4 實驗結果 194
11.5本章小結 195
參考文獻 196
第12章 基于指紋的生物識別 198
12.1 基于指紋的生物識別概念 198
12.2 指紋識別的過程及主要特征 199
12.2.1 總體特征 199
12.2.2 局部特征 200
12.3 指紋識別的實現步驟與實驗結果 201
12.3.1 指紋圖像采集 201
12.3.2 指紋圖像預處理 202
12.3.3 特征提取 203
12.3.4 指紋庫數據存儲 204
12.3.5 指紋識別 205
12.3.6 指紋識別實驗結果 205
參考文獻 205
第13章 基于虹膜的生物識別 207
13.1 研究背景 207
13.1.1 常見的生物特征識別技術 207
13.1.2 虹膜及識別系統組成 208
13.1.3 虹膜識別典型應用 209
13.2 虹膜識別算法原理 210
13.2.1 預處理-虹膜定位 210
13.2.2 特征提取 215
13.2.3 虹膜匹配——漢明距離分類器 218
13.2.4 識別結果 218
13.3 本章小結 219
參考文獻 219
第14章 電影中吸煙鏡頭識別 220
14.1 研究背景及現狀概述 220
14.2 基于SIFT與STIP的吸煙檢測 221
14.2.1 SIFT特征描述 221
14.2.2 STIP特征描述 222
14.2.3 純貝葉斯互信息*大化 223
14.2.4 識別系統框架 224
14.3 實驗結果分析 225
14.3.1 訓練數據與測試數據 225
14.3.2 測試結果 226
14.4 本章小結 227
參考文獻 227
第15章 黃瓜病害識別 228
15.1 研究背景 228
15.2 基于圖像的黃瓜病害識別 229
15.2.1 圖像采集 229
15.2.2 圖像預處理 229
15.2.3 特征參數提取 233
15.2.4 黃瓜病蟲害的模糊模式識別 235
15.2.5 黃瓜病蟲害的模糊模式識別結果分析 235
15.3 本章小結 237
參考文獻 237
第16章 昆蟲識別 238
16.1 研究背景 238
16.2 基于圖像的昆蟲識別 239
16.2.1 圖像預處理 239
16.2.2 特征提取 241
16.2.3 分類器設計 245
16.2.4 識別結果 246
16.3 本章小結 246
參考文獻 247
展開全部
模式識別技術及其應用 節選
第1章模式識別簡介 1.1模式識別的相關概念 模式識別是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展并成為一門新學科。 1.模式我們知道，被識別對象都具有一些屬性、狀態或者特征，而對象之間的差異也就表現在這些特征的差異上。因此可以用對象的特征來表征對象。另外，從結構來看，有些被識別對象可以看做是由若干基本成分按一定的規則組合而成。因此，可以用一些基本元素的某種組合來刻畫對象。 廣義地說，存在于時間和空間中可觀察的事物（對象），如果可以區別它們是否相同或相似，都可以稱之為模式；狹義地說，模式是通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息［1］。模式的特定性質是指可以用來區分觀察對象是否相同或是否相似而選擇的特性。觀察對象存在于現實世界，如圖1.1中香蕉、蘋果、指紋、花瓶等。模式具有直觀特性：可觀察性、可區分性和相似性。 圖1.1一些可觀察的事物例子 需要說明的是，模式所指的不是事物本身，而是從事物獲得的信息，能夠表征或刻畫被識別對象類屬特征的信息模型稱為對象的模式。有了模式，對實體對象的識別就轉化為對其模式的識別。模式表示一類事物，當模式與樣本共同使用時，樣本是具體的事物，而模式是對同一類事物概念性的概況。如一個人的許多照片是這個人的許多樣本，而這個人本身是一個模式。 2.模式類具有相似特性的模式的集合稱為模式類（class）。模式類與模式，或者模式與樣本在集合論中是子集與元素之間的關系。當用一定的度量來衡量兩個樣本，而找不出它們之間的差別時，它們在這種度量條件下屬于同一個等價類。這就是說它們屬于同一子集，是一個模式，或一個模式類。不同的模式類之間應該是可以區分的，它們之間應有明確的界線。但是對實際樣本來說，有時又往往不能對它們進行確切的劃分，即在所使用的度量關系中，分屬不同類別的樣本卻表現出相同的屬性，因而無法確鑿無誤地對它們進行區分。例如，在癌癥初期，癌細胞與正常細胞的界線是含糊的，除非醫術有了進一步發展，能找到更準確有效的分類方法。 3.模式識別識別是對各種事物或現象的分析、描述、判斷。模式識別是指在某些一定量度或觀測基礎上，把待識模式劃分到各自的模式類中去，即根據模式的特性，將其判斷為某一類。人們在見到一個具體的物品時會分辨出它的類名，如方桌與圓桌都會歸結為是桌子。這是人們所具有的認識事物的功能，在本書中就稱之為模式識別。本書的模式識別是指用計算機實現人對各種事物或現象的分析、描述、判斷、識別，是一種智能活動，包含分析和判斷，屬于人工智能。讓機器辨別事物的*基本方法是計算，原則上講是對計算機要分析的事物與作為標準的稱之為“模板”的相似程度進行計算。例如，說腦子里有沒有腫瘤，就要與標準的腦圖像以及有腫瘤圖像做比較，看與哪個更相似。要識別一個具體數字，就要將它與從0～9的樣板做比較，看與哪個模板*相似，或*接近。因此首先要能從度量中看出不同事物之間的差異，才能分辨當前要識別的事物(稱為測試樣本)與哪類事物更接近。因此找到有效度量不同類事物差異的方法是*關鍵的。 4.模式識別系統用來實現對所見事物（樣本）確定其類別、執行模式識別功能的整個計算機系統稱為模式識別系統。模式識別系統中常用的一些名詞術語和概念如下： （1）特征。一個事件（樣本）有若干屬性稱為特征，對屬性要進行度量，一般有兩種方法，一種是定量的，如長度、體積、重量等，可用具體的數量表示。另一種是定性的，如一個物體可用“重”“輕”“中等”表示，前種方法為定量表示，后種方法為定性表示。“重”與“輕”變成了一種離散的，或稱符號性的表示。 （2）特征提取。從事物中提取有用的、有意義的特征信息，是從樣本的某種描述狀態（如一幅具體的圖像、一段聲波信等）提取出所需要的，用另一種形式表示的特征（如在圖像中抽取出輪廓信號，聲音信號提取中不同頻率的信息等）。這種提取方法往往都要通過某種形式的變換。例如，對原特征空間進行線性變換或其他變換，濾波也是變換的一種形式。特征提取往往可以達到降維的目的。目前使用什么樣方法提取特征，主要靠設計人員確定，如選擇什么樣的變換，也主要由人來決定，但如確定用某種線性變換，則線性變換的參數可通過計算來確定。特征提取的本質是找到*能反映分類本質的特征。 （3）特征選擇。對樣本采用多維特征向量描述，各個特征向量對分類起的作用不一樣，在原特征空間中挑選中部分對分類較有效的特征，組成新的降維特征空間，以降低計算復雜度，同時，改進或不過分降低分類效果。特征選擇的另一種含義是指人們通過觀察分析，選擇適用于分類的特征組合。 （4）特征向量。對一個具體事物（樣本）往往可用其多個屬性來描述，因此，描述該事物用了多個特征，將這些特征有序地排列起來，如一個桌子用長、寬、高三種屬性的度量值有序地排列起來，就成為一個向量。這種向量就稱為特征向量。每個屬性稱為它的一個分量，或一個元素。特征向量通常用列向量表示。 （5）特征向量的維數。一個特征向量具有的分量數目，如向量X=(x1，x2，x3)，則該向量的維數是3。 （6）列向量。將一個向量的分量排列成一列表示，如 （7）行向量。將一個向量的分量排列成一行表示，如 （8）轉置。將一個列向量寫成行向量的形式的方法就是轉置。如定義X為列向量，則XT就是該向量的行向量表示。轉置的概念與矩陣中轉置的概念一樣。 （9）測量空間。原始數據是由所使用的量測儀器或傳感器獲取的，這些數據組成的空間稱為測量空間，即原始數據組成的空間。例如聲波變換成的電信號，表現為電壓電流幅度隨時間的變化；二維圖像每個像素所具有的灰度值等。 （10）特征空間。一種事物的每個屬性值都是在一定范圍內變化，例如，桌子高度一般在0.5～1.5m變化，寬度在0.6～1.5m變化，長度在1～3m變化，則由這三個范圍限定的一個三維空間就是桌子的特征空間。歸納起來說所討論問題的特征向量可能取值范圍的全體就是特征空間。空間中一個點就是一個特征向量。 （11）解釋空間。為所屬類別的集合，如模式X屬于ω1，ω2， ，ωm類中某一類，則解釋空間就是由m個類別構成的空間。 （12）模型（model）。可以用數學形式表達的不同特征的描述。 （13）樣本（sample）。分類的基本對象，模式的實例。 （14）訓練集（trainingset）。用于訓練分類器的樣本集合，是一個已知樣本集，在監督學習方法中，用它來開發出模式分類器。 （15）測試集（testset）。用于測試分類器的樣本集合，通常應與訓練集無交集，在設計識別和分類系統時沒有用過的獨立樣本集。 （16）分類決策。根據一個事物（樣本）的屬性確定其類別，稱為分類決策。 （17）分類決策方法。對一事物進行分類決策所用的具體方法，例如一個人身高超過1.8m，就判斷他是個男人，身高超過1.8m就是具體的分類決策方法。 （18）學習。讓一個機器有分類決策能力，就需要找到具體的分類決策方法，確定分類決策方法的過程統稱為學習，就像人認識事物的本領的獲取與提高都是通過學習得到的。在本門課中將學習分成有監督學習與無監督學習兩種不同的方法。 （19）訓練。一般將有監督學習的學習方法稱之為訓練。 （20）有監督學習方法。從已知樣本類別號的不同類訓練集數據中找出規律性進行分析，從而確定分類決策方法，這種學習方法是在訓練集指導下進行的，就像有教師來指導學習一樣，稱為有監督學習方法。與之相對的是無監督學習方法。 （21）無監督學習方法。在一組數據集中尋找其自身規律性的過程稱為無監督學習方法。例如，分析數據集中的自然劃分（聚類）；分析數據集體現的規律性，并用某種數學形式表示；分析數據集中各種分量（描述量、特征）之間的相關性（數據挖掘、知識獲取）等，這種學習沒有訓練樣本集作指導，這是與有監督學習方法的不同點。 （22）判別函數。一組與各類別有關的函數，對每一個樣本可以計算出這組函數的所有函數值，然后依據這些函數值的極值(*大或*小)做分類決策。例如基于*小錯誤率的貝葉斯決策的判別函數就是樣本的每類后驗概率，基于*小風險的貝葉斯決策中的判別函數是該樣本對每個決策的期望風險。 （23）決策域與決策面。根據判別函數組中哪一個判別函數值為極值作為準則，可將特征空間劃分成不同的區域，稱為決策域，相鄰決策域的邊界是決策分界面或稱決策面。 （24）散布圖。將每個樣本表示為特征空間中的一個點所形成的圖形。 （25）決策（判決）面（曲線）。特征空間中區分各類的邊界。常見的決策線包括線性決策線、二次決策曲線、復雜決策曲線，如圖1.2所示。 圖1.2常見決策線 1.2模式識別的發展歷程模式識別技術的發展主要經歷了以下階段： （1）1929年Tauschek發明閱讀機，能夠閱讀0～9的數字。 （2）20世紀30年代Fisher提出統計分類理論，奠定了統計模式識別的基礎。因此，在20世紀60～70年代，統計模式識別發展很快，但由于被識別的模式越來越復雜，特征也越多，就出現“維數災難”。但由于計算機運算速度的迅猛發展，這個問題得到一定克服。統計模式識別仍是模式識別的主要理論。 （3）20世紀50年代Chemsky提出形式語言理論，美籍華人傅京孫提出句法結構模式識別。 （4）20世紀60年代Zadeh提出了模糊集理論和模糊模式識別理論，這兩個理論得到了較廣泛的應用。 （5）20世紀80年代Hopfield提出神經元網絡模型理論，近些年人工神經元網絡在模式識別和人工智能上得到較廣泛的應用。 （6）20世紀90年代小樣本學習理論和支持向量機也受到了很大的重視。關于模式識別的國際國內學術組織：1973年IEEE發起了**次關于模式識別的國際會議“ICPR”，成立了國際模式識別協會（IAPR），每兩年召開一次國際學術會議。1977年IEEE的計算機學會成立了模式分析與機器智能（PAMI）委員會，每兩年召開一次模式識別與圖像處理學術會議。國內的組織有電子學會、通信學會、自動化協會、中文信息學會等。 模式識別研究主要集中在兩方面：一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇；二是在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容；后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。 1.3模式識別系統的基本組成和特點 1.3.1基本組成到目前為止，已知*好的模式識別系統是人類的大腦。模式識別的主要目的是如何用計算機進行模式識別，對樣本進行分類。設計人員按需要設計模式識別系統，而該系統被用來執行模式分類的具體任務。一個典型的模式識別系統組成如圖1.3所示，具體組成包括數據獲取、預處理、特征提取和選擇、分類器設計及分類決策［2］。這幾個過程相互關聯而又有明顯區別。 圖1.3模式識別系統組成框圖 （1）數據獲取。用計算機可以運算的符號來表示所研究的對象，這些可表示的符號包括：二維圖像，如文字、指紋、地圖、照片等；一維波形，如腦電圖、心電圖、機械振動波形等；物理參量和邏輯值，如體溫、化驗數據、參量正常與否的描述。
書友推薦
- >
回憶愛瑪儂
- >
小考拉的故事-套裝共3冊
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
莉莉和章魚
- >
月亮與六便士
- >
羅庸西南聯大授課錄
- >
上帝之肋:男人的真實旅程
- >
姑媽的寶刀
本類暢銷
