模式识别知识点

模式识别第_章模式识别的类型（1） 确定模式（2） 非确定模式（3） 随机模式模式的统计特性a） 相似性-先验概率：P（v.）b） 类条件概率密度：p（xlv.）模式的主要过程a） 数据处理b） 模式类的模型假设c） 选择最优的模型并分类模式识别的定义Def:依据一定的规则，将模式进行分类的过程。模式识别的典型应用（掌握5个以上）1） 语音识别（例如：IBMViaVOice系统）2） 表情分析、年龄、种族、性别分类3） OCR:车牌照、集装箱号码…4） 手写体识别：汉王5） 手势识别：基于视觉的，基于数据手套6） 人脸识别、指纹识别、虹膜识别…7） 军事目标识别8） 生物信息、医学图像统计模式识别的基本思想模式被描述为一组测量值组成的随机特征向量，用概率统计理论对其进行建模，用统计决策理论划分特征空间来进行分类。统计模式识别的一般过程（主要掌握测试模式）考察会细化，如具体分析汽车牌照识别过程第二章一、基于最小错误率的贝叶斯决策Note：考查公式，主要考计算题TOC\o"1-5"\h\z11 k=10 k3F阮|为=我地*L （2-1）>1Examplel：假设在某地区切片细胞中正常（31）和异常（^2）两类的先验概率分别为p（31）=0.9,P（32）=0.1。现有一待识别细胞呈现出状态X,由其类条件概率密度分布曲线查得p（x|31）=0.2,p（x|32）=0.4,试对细胞X进行分类。解：利用贝叶斯公式，分别计算出状态为X时31与32的后验概率而 |^=0.182才艮据贝叶斯决策（2-2）则有P（31|x）=0.818>P（32lx）=0.0182因此判定该细胞为正常细胞比较合理。请用公式（2-3）与（2-5）计算，检查一下结果是否一样？二、基于最小风险的贝叶斯决策J-1Note：将X判为何类则应依据所有Ri,(i=1,…,c)中的最小值，即最小风险来定。R1QQ=X(J)P(co1|X)+^P(cu2|X)R我也+(叱|X)Example2：在Examplel条件的基础上，并且已知入1j0,(入］］表示入(a1|w1)的简写)，入广6，入广1,入广0,按最小风险贝叶斯决策进行分类。解：已知条件为P(w1)=0.9,P(wi2)=0.1p(X|w1)=0.2,p(X|w以)=0.r入11=0，入12=6，入21=1，入22=0根据Example1的计算结果可知后验概率为P(w1|X)=0.818,P(w12lX)=0.182再计算出条件风险R0|X)=$＞『饥|X)=人任3IX)=1.092j-i|又)=$＞瑚％|又)=藻(辎IX)=0.818j-i

由于R(a1|X)>R(ajX)即决策为④12的条件风险小于决策为④1的条件风险，因此应采取即决策为决策行动a决策行动a2,即判待识别的细胞X为312类一一异常细胞。第三章a线性分类器的基本概念、决策规则，决策面方程线性判别函数的一般形式可表示成：g(X)=WTX+w0其中而①0是一个常数，称为阈值权。相应的决策规则可表示成「g(X)>0,则决策Xeoji如果< 0?则决策XE102可将其任意分类或拒绝。g(X)=0就是相应的决策面方程b广义线性Note：主要是采用映射的方法去处理问题，具体请看下第三章广义线性判别函数的相关内容。c线性分类器的设计步骤1按需要确定一准则函数J。2确定准则函数J达到极值时及的具体数值，从而确定判别函数，完成分类器设计。Note：Fisher最好也了解一下Addition:神经网络MP神经元模型:BP算法：基本思想：负梯度方向的梯度下降三个公式，修正权值：kj°ki(*)3=(t -o)