模式识别考试资料new

《模式识别考试资料new》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、模式识别考试资料总复习模式识别考试资料总复习1.第一部分1.1.模式、模式识别的概念广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。狭义的定义：模式是对感兴趣的客体的定量的或结构的描述；模式类是具有某些共同特性的模式的集合。模式的直观特性:?可观察性?可区分性?相似性模式识别：将未知的事物或现象与各种模式进行比较，看它与哪一类模式最接近，从而判断出该事物或现象属于哪一类.模式识别是研究一些自动技术，依靠这些

2、技术，计算机自动地(或者人进行少量干涉)把待识模式分到各自的模式类中去。1.2.模式识别的研究目的：利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。“识别”就是对客观事物按其物理特征来进行分类。1.3.监督、非监督分类式监督分类----将输入的“模式”归入已知的类别中。非监督分类-----将输入的“模式”归入未知的类别1.4.模式识别的方法?模板匹配法?统计方法?神经网络方法?结构方法(句法方法1.5.模式识别系统构成的三个单元模式识别系统主要由：预处理(信息获取)、特征提取/选择，分类器(聚类器)组成。1.

3、6.基于统计模式识别系统的4个主要构成部分书上（第二页）数据提取，预处理，特征提取和选择，分类决策1.7.模式识别系统设计的五个步骤1设计目标检测器将目标检测出来2特征选取确定哪个目标的属性可以区别不同的目标3分类器设计确定分类原理和机理4分类器训练确定分类参数5性能评估估计可能的误差率2.第二部分2.1.模式分类根据识别对象的观测值确定其：根据识别对象的观测值确定其2.2.决策把xx分到哪一类最合理？理论基础之一是统计决策理论决策：是从样本空间S，到决策空，间Θ的一个映射，表示为D:S-->Θ先验概率：状态，ωi,=1,2，ωi类别状态是一个随机

4、变量，类别状态是一个随机变量,P(ωi)表示为先验概率。先验信息的判别规则如果P(P(ω1)>P(ω2)，则选择ω1，否则，选择w2择5后验分布的判别规则，存在一个观察值x(特征))如果P(ω1

5、x)>P(ω2

6、x)，类别状态=ω1如果P(ω1

7、x)

8、x)，类别状态=ω22.3.Bayes决策常用的准则：最小错误率准则E-mail：lyzh0703@163.com28模式识别考试资料总复习最小风险准则在限定一类错误率条件下使另一类错误率为最小的准则(Neyman—Pearson决策)最小最大决策准则1.1.贝叶斯决策贝叶斯决策：是从样本空

9、间S，到决策空，间Θ的一个映射，表示为D:S-->Θ1.2.错误概率的最小化判定规则1.3.四种基于最小错误的Bayes决策形式E-mail：lyzh0703@163.com28模式识别考试资料总复习1.1.最小风险贝叶斯决策等价于最小错误率贝叶斯决策换句话说：最小错误率贝叶斯决策是在00--11损失函数条件下的最小风险贝叶斯决策，最小错误率贝叶斯决策是最小风险贝叶斯决策的特例。如果在采取每一个决策或行动时，都使其条件风险最小，则对给定的观察值xx作出决策时，其期望风险也必然最小。这样的决策就是最小风险贝叶斯决策。其规则为：IfR(ak/x)=mi

10、n{R(ak/x)}Thena=ak1.2.后验概率后验(Posterior),似然(likelihood),(likelihood),全概率(evidence(evidence------证据?)对于两类的全概率为：后验(分布或密度)类条件概率密度==似然对于两类的全概率为：后验(分布或密度)类条件概率密度==似然1.3.损失函数损失函数(lossfunction)(function)状态表示每次采取行动的代价。损失函数表示当真实状态为时而采取的决策行为为时所带来的损失风险损失函数”：表示当真实状态为ωi时而采取的决策行为为αj时所带来的损失(风

11、险)。1.4.“0--1””损失函数定义在c个类别只有c个决策时，如果正确决策，则损失函数的值为0；；如果错误决策，则损失函数的值为1。公式表示为：最小风险贝叶斯决策等价于最小错误率贝叶斯决策。换句话说：最小错误率贝叶斯决策是在0-1损失函数条件下的最小风险贝叶斯决策，最小错误率贝叶斯决策是最小风险贝叶斯决策的特例。第三部分1.5.参数估计的过程1.5.1.非监督参数估计l一类为基于概率密度函数估计的直接方法：设法找到各类别在特征空间的分布参数再进行分类；一类为基于概率密度函数估计的直接方法：设法找到各类别在特征空间的分布参数再进行分类；l一类称为

12、基于样本间相似性度量的间接聚类方法。其原理是设法定出不同类别的核心或初始类核，然后依据样本与这些核心之间的相似性度量将样本