模式识别简介PPT.ppt

模式识别;模式识别概论;1.1 模式识别的基本概念;特征(Features)：能描述模式特性的量（测量值）。在统计模式识别方法中，通常用一个矢量表示，称之为特征矢量，记为 ;模式识别的例子;模式识别系统;模式识别系统;;模式识别系统;特征提取;特征选择;学习和分类;分类识别;纸币识别器对纸币按面额进行分类 面额 ;系统实例;5元 10元 20元 50元 100元;系统实例;系统实例;例:汽车车牌识别;;;1.2 模式识别的发展简史;;1.3 模式识别的基本方法;模式识别的基本方法;模式识别的基本方法;;模式识别的基本方法;例2：如下图中一幅图形，要识别图中的物体，选用句法模式识别方法.;解：图形结构复杂，首先应分解为简单的子图（背景、物体）。 构成一个多级树结构：;在学习过程中，确定基元与基元之间的关系，推断出生成景物的方法。 判决过程中，首先提取基元，识别基元之间的连接关系，使用推断的文法规则做句法分析。若分析成立，则判断输入的景物属于相应的类型。;理论基础：形式语言，自动机技术 主要方法：自动机技术、CYK剖析算法、Early算法、转移图法 主要优点：1）识别方便，可以从简单的基元开始，由简至繁。2）能反映模式的结构特征，能描述模式的性质。3）对图象畸变的抗干扰能力较强。 主要缺点：当存在干扰及噪声时，抽取特征基元困难，且易失误。;;;模式识别的基本方法;理论基础：模糊数学 主要方法：模糊统计法、二元对比排序法、推理法、模糊集运算规则、模糊矩阵 主要优点：由于隶属度函数作为样本与模板间相似程度的度量，故往往能反映整体的与主体的特征，从而允许样本有相当程度的干扰与畸变。 主要缺点：准确合理的隶属度函数往往难以建立，故限制了它的应用。;;模式识别的基本方法;理论基础：神经生理学，心理学 主要方法：BP模型、HOP模型、高阶网 主要优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。 主要缺点：模型在不断丰富与完善中，目前能识别的模式类还不够多。;;模式识别的基本方法;理论基础：演绎逻辑，布尔代数 主要方法：产生式推理、语义网推理、框架推理 主要优点：已建立了关于知识表示及组织，目标搜索及匹配的完整体系。对需要众多规则的推理达到识别目标确认的问题，有很好的效果。 主要缺点：当样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。;;;1.4 模式识别的一些应用;典型应用;典型应用;典型应用;典型应用;; 模糊模式识别;;;;二、模糊集A 的台：是E中能使μA(x)>0的元素集合。 模糊独点集：它的台只含元素x1，而μ(x1)=μ1，则记为：A＝ μ1/x1（独点集） 若A是有限的台(x1,x2,……,xn)而μ(xi)=μi 则A= μ1/x1+ μ2/x2+…… μn/xn= , μi为隶属函数,xi为元素 若A是无限的台则有无限元素 则;例：在论域E中确定一个模糊子集A，它表示“园块”这一模糊概念。（如右图） E=(a,b,c,d,e, f） μ(a)=1, μ(b)=0.9, μ(c)=0.4, μ(d)=0.2, μ(e)= μ(f)=0 ;模糊集的简单运算及模糊关系 一、并集、交集、补集 设：A,B为E=（x）上的两个模糊集，则它们的并集A∪B、交集A∩B、及A的补集 仍为模糊集，则它们的隶属函数为： 并集:μA∪ B(x)＝max(μA(x) ,μB(x)) 交集: μA∩ B(x)＝min(μA(x) ,μB(x)) 补集: =1- μB(x) , μA(x) ,μB(x) 分别为A、B的隶属函数 ;例、模糊集 A=0.3 / x1+ 0.6/ x2 + 1/ x3 + 0/ x4 +0.5 / x5 B=0.4 / x1 + 0.8/ x2 + 0/ x3 + 0.6/ x4 +1 / x5 则 =0.7 / x1+ 0.4/ x2 + 0/ x3 + 1/ x4 +0.5 / x5 =0.6 / x1+ 0.2/ x2 + 1/ x3 + 0.4/ x4 +0/ x5 =0.3 / x1+ 0.6