模式识别系统示例 模式识别研究内容 口自动按品种分类传送带上的鱼类（鲈鱼和鲑鱼） 口数据预处理 ■光泽度和宽度作为分类特征（二维特征向量） ■视频、图像、信号处理 →复杂的判决边界过度“调谐”(tune)到训练样 口模式分割 本，因而缺乏“推广能力"(generalization)。 ■模式/背景分离、模式-模式分离 口过(overfitting),应允许特例的存在，无需完 口运动分析 全适拉训练样本。 ■目标跟踪、运动模式描述 口可为适反奥姆0ccam's razor)原则. 口模式描述与分类 →判决线需要平衡岔类性能和分界面复杂度。 ■特征提取/选择、模式分类、聚类、机器学习 , 口模式识别应用研究 ■针对具体应用的方法与系统 模式识别的一些基本问题 模式识别的一些基本问题 口学习 口学习 口模式类的紧致性 ■让一个机器有分类决策能力，需要找到具体的分 类决策方法。确定分类决策方法的过程就是学习。 口相似和分类 ■人类的学习过程： 口特征生成 口在日常生活中进行模式识别的活动，在学习过程中掌 握了很强的分辩事物的能力。 ■机器的学习过程： o有监督学习(Supervised learning)】 a非监督学习(Unsupervised learning) 模式识别的一些基本问题 模式识别的一些基本问题 口学习 口学习 ■有监督学习 ■非监督（无指导）学习 口给出若千已知类别的训练样本(training 口所面对的只有未知类别的样本： samples ) 口由机器从这些样本中进行学习（自学习）： 口由机器从这些样本中进行学习（训练 口学习的目的在于从这些样本中发现规律：这种规律应 training/learning ) 该是某种固有的关系，或者依据这种规律对对象的分 口学习的目的在于从这些样本中勾画出各类事物在特征 类有某种功用。 空问分布的规律性，从而能够对新的样本进行判断。 ·确定分类使用的具体数学公式及其参数。 ·确定分类使用的具体数学公式及其参数。 →非监督模式识别 监督模式识别 聚类分析(cluster analysis or clustering)模式识别系统示例  自动按品种分类传送带上的鱼类（鲈鱼和鲑鱼）  光泽度和宽度作为分类特征（二维特征向量） 复杂的判决边界过度“调谐”（tune）到训练样 本，因而缺乏“推广能力”（generalization）。 过拟和（overfitting），应允许特例的存在，无需完 全适应训练样本。 可视为违反奥卡姆剃刀（Occam‘s razor）原则。 判决曲线需要平衡分类性能和分界面复杂度。 模式识别研究内容  数据预处理  视频、图像、信号处理  模式分割  模式/背景分离、模式-模式分离  运动分析  目标跟踪、运动模式描述  模式描述与分类  特征提取/选择、模式分类、聚类、机器学习  模式识别应用研究  针对具体应用的方法与系统 模式识别的一些基本问题  学习  模式类的紧致性  相似和分类  特征生成 模式识别的一些基本问题  学习  让一个机器有分类决策能力，需要找到具体的分 类决策方法。确定分类决策方法的过程就是学习。  人类的学习过程： 在日常生活中进行模式识别的活动，在学习过程中掌 握了很强的分辨事物的能力。  机器的学习过程： 有监督学习（Supervised learning） 非监督学习（Unsupervised learning） 模式识别的一些基本问题  学习  有监督学习 给出若干已知类别的训练样本（training samples）； 由机器从这些样本中进行学习（训练 training/learning）； 学习的目的在于从这些样本中勾画出各类事物在特征 空间分布的规律性，从而能够对新的样本进行判断。  确定分类使用的具体数学公式及其参数。  监督模式识别 模式识别的一些基本问题  学习  非监督（无指导）学习 所面对的只有未知类别的样本； 由机器从这些样本中进行学习（自学习）； 学习的目的在于从这些样本中发现规律：这种规律应 该是某种固有的关系，或者依据这种规律对对象的分 类有某种功用。  确定分类使用的具体数学公式及其参数。  非监督模式识别 聚类分析（cluster analysis or clustering）