武汉理工大学：《模式识别》课程授课教案（讲义）第8章 神经网络在模式识别中的应用

武汉理工大学：《模式识别》课程授课教案（讲义）第7章 模糊模式识别

北京大学：《模式识别》课程教学资源（课件讲稿）模式识别引论（第二部分）

形式语言概述 文法推断 句法分析 自动机理论 误差校正句法分析

模式识别的三大核心问题： •特征数据采集与预处理 •分类识别 •特征选择与提取 分类识别的正确率取决于对象的表示、训练学习和分类识别算法，我们在前面各章的介绍中详细讨论了第二方面的内容。本章介绍的特征提取与选择问题则是对象表示的一个关键问题

贝叶斯决策理论 统计模式识别的主要方法之一 采用贝叶斯决策理论分类的前提： 目标（事物）的观察值是随机的，服从一定的概率分布。 即：模式不是一个确定向量，而是一个随机向量

采用回归分析的方法,建立特征变量与产品质量之间的统计对应关系,把产品质量表达成特征变量的回归函数,进而得到特征空间与产品质量空间在统计意义上的映射关系.在产品质量空间进行聚类,在特征空间进行分类,而后提出了一种基于统计空间映射的在线模式识别方法.利用唐钢烧结厂的实测数据进行了仿真,验证了本方法的正确性.从算法分析和仿真结果看,这一算法可以有效地克服模式交叉现象的影响,并可对复杂生产过程进行在线质量推断

一、模式的距离度量 通过特征抽取，我们以特征空间中的一个点来表示输入的模式，属于同一个类别的样本 所对应的点在模式空间中聚集在一定的区域，而其它类别的样本点则聚集在其它区域，则就 启发我们利用点与点之间距离远近作为设计分类器的基准。这种思路就是我们这一章所要介 绍的距离分类器的基础

适当时，可以使同一类模式的特征点在特征空间中某个子区域内分布，另一类模式的特征点 在另一子区域分布（例如苹果和橙子的问题）。这样，我们就可以用空间中的一些超曲面将 特征空间划分为一些互不重叠的子区域，使不同模式的类别在不同的子区域中。这些超曲面 称为判别界面，可以用一个方程来表示：

机器感知与模式识别：模式匹配不确定性的多因素集结度量